Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3

Bibliographic Details
Main Author: Jou, Jia Shan Suzin
Publication Date: 2024
Language: por
Source: Repositório Institucional da INSPER
Download full: https://repositorio.insper.edu.br/handle/11224/7405
Summary: A análise de crédito é um tema crucial no setor financeiro, especialmente considerando os desafios na concessão de crédito a indivíduos e empresas, que frequentemente se deparam com a falta de indicadores confiáveis para avaliar o perfil do tomador de crédito. Este artigo visa analisar o risco de default de empresas listadas na B3, focando principalmente na análise de balanços financeiros em formato tanto de cross section quanto painel. Para enriquecer esta análise, serão empregadas ferramentas de machine learning, regressão logística e um algoritmo de Árvore de decisão. O objetivo é identificar padrões nas demonstrações financeiras que possam conferir um poder preditivo ao modelo, auxiliando significativamente na tomada de decisão dos credores. Além disso, a regressão logística será aplicada para equilibrar os grupos de controle e tratamento, minimizando assim o viés de seleção e garantindo a robustez dos resultados.
id INSP_a5764de39ca71499ee9a65aab0678208
oai_identifier_str oai:repositorio.insper.edu.br:11224/7405
network_acronym_str INSP
network_name_str Repositório Institucional da INSPER
repository_id_str
spelling Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3Risco de defaultAnálise de créditoIndicadores financeirosRegressão logísticaAprendizado de máquinaDefault riskCredit analysisFinancial indicatorsLogistic regressionMachine LearningA análise de crédito é um tema crucial no setor financeiro, especialmente considerando os desafios na concessão de crédito a indivíduos e empresas, que frequentemente se deparam com a falta de indicadores confiáveis para avaliar o perfil do tomador de crédito. Este artigo visa analisar o risco de default de empresas listadas na B3, focando principalmente na análise de balanços financeiros em formato tanto de cross section quanto painel. Para enriquecer esta análise, serão empregadas ferramentas de machine learning, regressão logística e um algoritmo de Árvore de decisão. O objetivo é identificar padrões nas demonstrações financeiras que possam conferir um poder preditivo ao modelo, auxiliando significativamente na tomada de decisão dos credores. Além disso, a regressão logística será aplicada para equilibrar os grupos de controle e tratamento, minimizando assim o viés de seleção e garantindo a robustez dos resultados.Credit analysis is a critical theme in the financial sector, particularly given the challenges in granting credit to individuals and businesses, often compounded by a lack of reliable indicators to assess the credit taker's profile. This paper aims to analyze the default risk of companies listed on the B3 stock exchange, primarily focusing on the analysis of financial statements in both cross-sectional and panel data formats. To augment this analysis, machine learning tools, Logistic Regression and Decision Tree algorithms, will be utilized. The objective is to identify patterns in financial statements that can impart predictive power to the model, significantly aiding creditors' decision-making process. Furthermore, logistic regression will be employed to balance the control and treatment groups, thereby minimizing selection bias and ensuring the robustness of the results.Kiyokawa, FabricioJou, Jia Shan SuzinJou, Jia Shan Suzin2025-03-14T16:02:56Z2025-03-14T16:02:56Z2024bachelor thesisinfo:eu-repo/semantics/publishedVersionDigital65 p.application/pdfapplication/pdfhttps://repositorio.insper.edu.br/handle/11224/7405Brasilporreponame:Repositório Institucional da INSPERinstname:Instituição de Ensino Superior e de Pesquisa (INSPER)instacron:INSPERinfo:eu-repo/semantics/openAccess2025-06-12T13:36:53Zoai:repositorio.insper.edu.br:11224/7405Biblioteca Digital de Teses e Dissertaçõeshttps://www.insper.edu.br/biblioteca-telles/PRIhttps://repositorio.insper.edu.br/oai/requestbiblioteca@insper.edu.br || conteudobiblioteca@insper.edu.bropendoar:2025-06-12T13:36:53Repositório Institucional da INSPER - Instituição de Ensino Superior e de Pesquisa (INSPER)false
dc.title.none.fl_str_mv Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3
title Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3
spellingShingle Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3
Jou, Jia Shan Suzin
Risco de default
Análise de crédito
Indicadores financeiros
Regressão logística
Aprendizado de máquina
Default risk
Credit analysis
Financial indicators
Logistic regression
Machine Learning
title_short Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3
title_full Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3
title_fullStr Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3
title_full_unstemmed Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3
title_sort Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3
author Jou, Jia Shan Suzin
author_facet Jou, Jia Shan Suzin
author_role author
dc.contributor.none.fl_str_mv Kiyokawa, Fabricio
dc.contributor.author.fl_str_mv Jou, Jia Shan Suzin
Jou, Jia Shan Suzin
dc.subject.por.fl_str_mv Risco de default
Análise de crédito
Indicadores financeiros
Regressão logística
Aprendizado de máquina
Default risk
Credit analysis
Financial indicators
Logistic regression
Machine Learning
topic Risco de default
Análise de crédito
Indicadores financeiros
Regressão logística
Aprendizado de máquina
Default risk
Credit analysis
Financial indicators
Logistic regression
Machine Learning
description A análise de crédito é um tema crucial no setor financeiro, especialmente considerando os desafios na concessão de crédito a indivíduos e empresas, que frequentemente se deparam com a falta de indicadores confiáveis para avaliar o perfil do tomador de crédito. Este artigo visa analisar o risco de default de empresas listadas na B3, focando principalmente na análise de balanços financeiros em formato tanto de cross section quanto painel. Para enriquecer esta análise, serão empregadas ferramentas de machine learning, regressão logística e um algoritmo de Árvore de decisão. O objetivo é identificar padrões nas demonstrações financeiras que possam conferir um poder preditivo ao modelo, auxiliando significativamente na tomada de decisão dos credores. Além disso, a regressão logística será aplicada para equilibrar os grupos de controle e tratamento, minimizando assim o viés de seleção e garantindo a robustez dos resultados.
publishDate 2024
dc.date.none.fl_str_mv 2024
2025-03-14T16:02:56Z
2025-03-14T16:02:56Z
dc.type.driver.fl_str_mv bachelor thesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.insper.edu.br/handle/11224/7405
url https://repositorio.insper.edu.br/handle/11224/7405
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv Digital
65 p.
application/pdf
application/pdf
dc.coverage.none.fl_str_mv Brasil
dc.source.none.fl_str_mv reponame:Repositório Institucional da INSPER
instname:Instituição de Ensino Superior e de Pesquisa (INSPER)
instacron:INSPER
instname_str Instituição de Ensino Superior e de Pesquisa (INSPER)
instacron_str INSPER
institution INSPER
reponame_str Repositório Institucional da INSPER
collection Repositório Institucional da INSPER
repository.name.fl_str_mv Repositório Institucional da INSPER - Instituição de Ensino Superior e de Pesquisa (INSPER)
repository.mail.fl_str_mv biblioteca@insper.edu.br || conteudobiblioteca@insper.edu.br
_version_ 1839074958893907968

Similar Items