Modelos de aprendizado de máquina para previsão de default
Autor(a)
Nogueira, Tainá Moura
Orientador(a) Coorientador(a)
Cajueiro, Daniel Oliveira
Data de aceite
2022-09-19
Data de disponibilizacao
2022-09-19
Data de publicacao
2022-09-19
Data de defesa submissao
2022-06-14
Citacao
NOGUEIRA, Tainá Moura. Modelos de aprendizado de máquina para previsão de default. 2022. 56 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.
Resumo Portugues
Nesse trabalho, realizamos um estudo a respeito da inadimplência em contratos habitacionais concedidos ao segmento de pessoa física por uma Instituição Financeira enquadrada no
segmento S1, utilizando uma amostra de 31647 contratos pactuados entre Janeiro de 2016
e Janeiro de 2021, que tinham como garantia real imóveis entre 500 mil e 1 milhão de reais.
A partir das informações disponibilizadas, selecionamos um conjunto de características
relacionadas ao tomador e ao contrato. Incorporamos à análise variáveis macroeconômicas
comumente utilizadas pela literatura, que demonstraram ter sido bastante relevantes na
construção do modelo.Considerado o grande desbalanceamento identificado na base, utilizamos algumas técnicas de reamostragem e aplicamos 5 diferente classificadores na base
balanceada e desbalanceada com o intuito de comparar o desempenho das combinações
entre diversas técnicas para previsão de contratos que venham a ficar inadimplentes em 30,
60 e 90 dias. Os resultados obtidos indicam maior eficiência da técnica de reamostragem
SMOTEENN e dos classificadores Random Forest, Regressão Logística e KNN.
Resumo Ingles
In this work, we did a study about the default in housing finance granted in the individual
segment by a Financial Institution classified in the S1 segment, using a sample of 31647
contracts agreed between January 2016 and January 2021, that they had as a real guarantee
properties between 500 thousand and 1 million reais. From the information provided,
we select a set of characteristics related to the borrower and the contract. We integrate
macroeconomic variables commonly incorporated in the literature into the analysis, which
demonstrated to be quite relevant in the construction of the model. Considering the
large imbalance identified in the base, we used some resampling techniques and applied 5
different classifiers to the balanced base and unbalanced base to compare the performance
of combinations among several to predict contracts that will become defaulter in 30, 60
and 90 days. The results obtained indicate greater efficiency of the SMOTEEN resampling
technique and the Random Forest, Logistic Regression and KNN Classifiers.
Unidade academica
Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)
Departamento
Departamento de Economia (FACE ECO)
Programa de Pos-Graduacao
Programa de Pós-Graduação em Economia, Mestrado Profissional
Idioma
por
Tipo de documento
Dissertação
Formato
application/pdf
Direitos de acesso
Acesso Aberto
Termo de licenca
A 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.
Palavras-chave
Aprendizagem de máquina||Risco de crédito||Previsão
