Modelos para classificação de risco de crédito e previsão de lucratividade em uma cooperativa de crédito

• Ano de defesa: 2017
• Autor(a) principal: Paula, Daniel Abreu Vasconcellos de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: cooperativas de crédito, credit scoring, profit scoring, regressão logística, random forests, machine learning
• Link de acesso: https://www.repositorio.insper.edu.br/handle/11224/2182

O controle do risco de crédito e a oferta de produtos financeiros com taxas acessíveis são fatores de gestão determinantes para a sustentabilidade das cooperativas de crédito. Para obterem vantagem competitiva, estas instituições devem se posicionar no setor bancário apresentando vantagens de custo e acessibilidade. Embora as cooperativas de crédito sejam sociedades sem fins lucrativos, os seus objetivos dependem da gestão eficiente de recursos e do risco de crédito das operações, alinhados com princípios doutrinários do cooperativismo. Modelos de credit scoring e profit scoring são ferramentas que ajudam a melhorar a eficiência das cooperativas de crédito aprimorando a alocação de capital para concessão de empréstimos. Enquanto modelos de credit scoring são concebidos para estimar a probabilidade de default, modelos de profit scoring são concebidos para estimar a lucratividade do cliente com base em fatores comportamentais e demográficos. O presente trabalho aborda estas duas modelagens com a utilização do método de machine learning do tipo random forests e do método tradicional de regressão logística, com base em dados comportamentais e demográficos observados por um período de dois anos e fornecidos por uma cooperativa de crédito localizada no Brasil. Como benefícios esperados pelo uso destas técnicas podem-se citar: a aquisição de conhecimento sobre a lucratividade potencial dos associados, o direcionamento mais eficaz de recursos para segmentos de cooperados com características semelhantes, e a utilização de métodos objetivos para a mitigação de riscos de crédito na decisão de aprovação de novas operações. Os modelos estimados pelo método random forests mostraram-se superiores aos modelos estimados com a regressão logística. Além disso, o trabalho identificou como variáveis preditoras relevantes: modalidade da operação, rating de julgamento subjetivo para risco de crédito, renda, tempo de relacionamento, taxa de juros da operação, histórico de inadimplência e o prazo da operação.