Ensaios sobre previsão de inadimplência de crédito rural

• Ano de defesa: 2024
• Autor(a) principal: Dutra, Ítalo João Bolqui
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Crédito rural; Default; Forecasting; Inadimplência; Machine learning; Previsão; Rural credit
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11132/tde-10122024-122554/

Esta tese de doutorado explora a previsão de inadimplência no crédito rural brasileiro considerando os diferentes tipos de risco de crédito. Além dos riscos tradicionais, como seleção adversa e risco moral, o setor rural apresenta riscos idiossincráticos e sistemáticos como riscos climáticos, volatilidade de preços, sazonalidade e elevados custos de transação. Dessa forma, o trabalho explorou a previsão da inadimplência através de dois estudos complementares, utilizando tanto métodos estatísticos tradicionais quanto técnicas de aprendizado de máquina. O primeiro estudo foca no crédito rural destinado ao custeio de milho e soja, avaliando a eficácia de diferentes modelos para prever inadimplência. Utilizando microdados do Sistema de Operações do Crédito Rural e do Proagro (Sicor) e incorporando variáveis externas como preços futuros, fenômenos climáticos (El Niño) e custos de produção, foram comparados diversos modelos estatísticos e de aprendizado de máquina. A análise destacou que algoritmos baseados em árvores de decisão, especialmente Random Forest e XGBoost, apresentaram maior capacidade preditiva. Além disso, a inclusão de variáveis externas melhorou a precisão dos modelos, com XGBoost mostrando-se particularmente eficaz na previsão de inadimplência para contratos de milho. Conclui-se que a utilização extensiva de dados aumenta a capacidade preditiva dos modelos, sendo que as vantagens dos modelos de aprendizado de máquina foram marginais quanto ao modelo logístico clássico. O segundo estudo investiga o impacto dos ciclos econômicos na previsão da inadimplência do crédito rural, utilizando séries temporais de inadimplência de crédito rural para pessoas físicas no Brasil. Foram empregados modelos univariados e multivariados, tanto em metodologias estatísticas clássicas quanto de machine learning, comparando os resultados com um modelo de benchmarking. Os resultados indicaram que modelos multivariados, que incorporam variáveis relacionadas aos ciclos econômicos, apresentaram previsões com menores erros em comparação aos univariados. Entre os modelos avaliados, o modelo clássico Arimax destacou-se pela precisão. Conclui-se que a integração de variáveis macroeconômicas nos modelos de previsão é importante para aumentar a precisão das previsões de inadimplência, auxiliando na gestão de risco e na formulação de políticas de crédito. Em síntese, ambos os estudos evidenciam que a combinação de dados abrangentes e técnicas avançadas de modelagem, incluindo aprendizado de máquina e variáveis macroeconômicas, pode melhorar significativamente a previsão de inadimplência no crédito rural, oferecendo ferramentas para instituições financeiras e formuladores de políticas.