MACHINE LEARNING: PREDIZENDO RISCO DE CRÉDITO
Palabras clave:
Aprendizado de Máquina, Risco de crédito, Mercado Financeiro, Inadimplˆencia, Modelos de ClassificaçãoResumen
O propósito deste artigo é empregar técnicas de Machine Learning para desenvolver modelos de classificação aplicados a dados de risco de crédito. Para atingir esse objetivo, utilizou-se o software R, implementando diversas metodologias, tais como Regressão Logística, Regressão Logística com Stepwise, Bagging, Random Forest e Árvores de Decisão. A métrica escolhida para a avaliação comparativa dos modelos foi a Acurácia e AUC (área abaixo da curva). Este estudo busca explorar a eficácia dessas abordagens em prever e classificar riscos de crédito, contribuindo para uma compreensão mais aprofundada e uma aplicação prática de técnicas de aprendizado de máquina no contexto financeiro.
Citas
COELHO, F. F.; AMORIM, D. P. de L.; CAMARGOS, M. A. de. Analisando métodos de machine learning e avaliação do risco de crédito. Revista Gestão & Tecnologia, v. 21, n. 1, p. 89–116, 2021.
MOURAO, V. D. G.; CAJUEIRO, D. O. Estudo comparativo entre técnicas de machine learning para classificação do tomador PJ – MPE (Micro e Pequenas Empresas) [Dissertação de Mestrado, Universidade de Brasília].
IZBICKI, R.; SANTOS, T. M. dos. Aprendizado de máquina: uma abordagem estatística [livro eletrˆonico]. São Carlos, SP: Rafael Izbicki, 2020.
JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An Introduction to Statistical Learning with Applications in R (2nd ed.). Springer, 2023. ISBN 978-3-030-70396-1.
LOPES, L. P. Predicting the price of Brazilian Natural coffee using statistical machine learning models. Sigmae, v. 7, n. 1, p. 1–16, 2018. Disponível em: https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/699.
BENTO, C. E. A. Inadimplˆencia em tempos de pandemia: uma análise do crédito imobiliário. Dissertação de mestrado profissional, Fundação Getulio Vargas, Escola de Políticas Públicas e Governo, 2023.
BORDIN, I. T.; ROSSONI, D. F. Fatores associados `a percepção de prejuízo na aprendizagem de estudantes de universidades públicas brasileiras durante a pandemia de Covid-19. Sigmae, Programa de Pós-Graduação em Bioestatística, Universidade Estadual de Maringá (UEM), 2022.
SHI, S.; TSE, R.; LUO, W.; D’ADDONA, S.; PAU, G. Machine learning-driven credit risk: a systemic review, 2022.
BRODERSEN, K. H.; ONG, C. S.; STEPHAN, K. E.; BUHMANN, J. M. The balanced accuracy and its posterior distribution. In Proceedings of the 20th International Conference on Pattern Recognition, p. 3121-3124, IEEE, 2010.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Proposta de Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
