Detalhes bibliográficos
| Ano de defesa: |
2013 |
| Autor(a) principal: |
Santos, Francisco Jackson dos |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual do Ceará
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=94458
|
Resumo: |
<div style=""><font face="Arial, Verdana"><span style="font-size: 13.3333px;">Um sistema de classificação de crédito eficiente é fundamental para que uma Instituição Financeira(IF) possa realizar uma boa gestão de risco de crédito. No Brasil, as operações de crédito de IFs devem ser classificadas em nove níveis de risco, conforme Resolução 2.682/99 do Conselho Monetário Nacional. O provisionamento para crédito de liquidação duvidosa é constituído em função da classificação da operação, assim, quanto pior a classificação da operação, maior o valor a ser provisionado. De acordo com o Novo Acordo de Basileia, as classificações de risco de crédito são relevantes para determinar o capital exigido das IFs para absorver perdas inesperadas em seus portfólios de crédito. </span></font><font face="Arial, Verdana"><span style="font-size: 13.3333px;">Esta pesquisa tem como objetivo desenvolver um modelo preditivo de classificação de operações, de forma a permitir às IFs se antecipar em tomar medidas preventivas quanto ao risco de crédito. Para tanto, foram analisadas dados das operações de longo prazo de uma grande instituição financeir brasileira, no período de janeiro de 2010 a dezembro de 2012. Esses dados foram submetidos a uma Rede Neural Artificial (RNA). Para determinar o poder discriminatório do modelo foi utilizada a Receiver Operating Characteristic (ROC). A base de dados submetida a RNA foi dividida em três partições, uma de treinamento, uma de teste e uma de validação. O desempenho da RNA, em cada partição, foi de 98,54%, 98.43% e 98,53% respectivamente. A menor área sob a curva ROC foi de 0,7459. Os resultados obtidos foram satisfatórios e mostraram o quanto uma aplicação de RNA pode contribuir para às IFs de crédito, ao antecipar eventos que podem afetar sua capacidade de concessão de crédito. </span></font><span style="font-size: 13.3333px; font-family: Arial, Verdana;">Palavras-chave: Provisionamento, Rede Neural, ROC.</span></div> |
