Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF

Bibliographic Details
Main Author: Silva, Juelline Shelci
Publication Date: 2022
Format: Master thesis
Language: por
Source: Repositório Institucional da UnB
Download full: https://repositorio.unb.br/handle/10482/44727
Summary: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.
id UNB_4cb509aba98f6a85afe70adf50a0558e
oai_identifier_str oai:repositorio.unb.br:10482/44727
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PFAprendizagem de máquinaRisco de créditoAtivos problemáticosRandom ForestsGradient BoostingDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.A previsão de risco de default para clientes de uma instituição financeira, ou seja, apurar se deixará de cumprir com suas obrigações financeiras, é de extrema importância e pode causar um grande impacto nos resultados da Instituição. Nesse sentido, buscamos com nosso estudo supervisionado a identificação de modelos adequados para subsidiar as ações a serem implementadas pelos bancos com a definição da aderência dos modelos mediante variáveis previsoras que acreditamos ter potencial para discriminar bons e maus pagadores. Recorremos à técnica de Regressão Logística (Logit) e aos modelos de Machine Learning, Random Forest e Gradient Boosting, com o objetivo de prever quando um contrato habitacional pode se tornar Ativo Problemático (AP), para subsidiar decisões para enfrentamento de cenários extremos, em atendimento às exigências do órgão regulador. Para validação dos modelos, utilizamos, a Curva ROC, além de Precision e Recall, bem como critério de erro quadrático médio (RMSE). Os modelos apresentaram resultados muito próximos, acreditamos que em função dos algoritmos refletirem a homogeneidade da carteira avaliada, tanto a nível de perfil dos clientes como a nível de comportamento histórico observado nos contratos. Ao final, o modelo Gradient Boosting apresentou melhor capacidade para a predição esperada, em termos de acurácia e eficiência quanto à previsão e sensibilidade, o que nos permitiu concluir que os modelos em Machine Learning podem ser utilizados para essa finalidadeThe default risk forecast for clients of a financial institution, that is, to determine whether it will no longer comply with its financial obligations, is extremely important and could have a major impact on the institution’s results. In this sense, we sought with our supervised study the identification of appropriate models to support the actions to be implemented by banks with the definition of adherence of models through forecasting variables that we believe have the potential to discriminate good and bad payers. We used the Logistic Regression technique (Logit) and the machine learning, random forest and gradient boosting models, in order to predict when a housing contract can become problematic asset (PA), to support decisions to cope with extreme scenarios, in compliance with the requirements of the regulatory body. For validation of the models, we used the ROC Curve, in addition to Precision and Recall, as well as mean quadratic error criterion (RMSE). The models presented very close results, we believe that as the algorithms reflect the homogeneity of the portfolio evaluated, both at the level of the profile of the clients and in the level of historical behavior observed in the contracts. In the end, the Gradient Boosting model presented better capacity for the expected prediction, in terms of accuracy and efficiency in terms of prediction and sensitivity, which allowed us to conclude that the models in Machine Learning could be used for this purposeFaculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)Departamento de Economia (FACE ECO)Programa de Pós-Graduação em Economia, Mestrado ProfissionalCajueiro, Daniel OliveiraSilva, Juelline Shelci2022-09-08T21:57:21Z2022-09-08T21:57:21Z2022-09-082022-06-14info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSILVA, Juelline Shelci. Gerenciamento integrado de riscos: modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF. 2022. 72 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/44727porA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2025-03-19T16:07:26Zoai:repositorio.unb.br:10482/44727Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2025-03-19T16:07:26Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF
title Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF
spellingShingle Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF
Silva, Juelline Shelci
Aprendizagem de máquina
Risco de crédito
Ativos problemáticos
Random Forests
Gradient Boosting
title_short Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF
title_full Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF
title_fullStr Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF
title_full_unstemmed Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF
title_sort Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF
author Silva, Juelline Shelci
author_facet Silva, Juelline Shelci
author_role author
dc.contributor.none.fl_str_mv Cajueiro, Daniel Oliveira
dc.contributor.author.fl_str_mv Silva, Juelline Shelci
dc.subject.por.fl_str_mv Aprendizagem de máquina
Risco de crédito
Ativos problemáticos
Random Forests
Gradient Boosting
topic Aprendizagem de máquina
Risco de crédito
Ativos problemáticos
Random Forests
Gradient Boosting
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-09-08T21:57:21Z
2022-09-08T21:57:21Z
2022-09-08
2022-06-14
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA, Juelline Shelci. Gerenciamento integrado de riscos: modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF. 2022. 72 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/44727
identifier_str_mv SILVA, Juelline Shelci. Gerenciamento integrado de riscos: modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF. 2022. 72 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/44727
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 application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1839083146633543680

Similar Items