Análise de risco de crédito com o uso de modelos de regressão logística, redes neurais e algoritmos genéticos

Abstract

Most of the large Brazilian institutions which work with credit concession use credit models to evaluate the risk of consumer loans. Any improvement in techniques that results in the precision increase of a prediction model, will provide financial gains to the institution. The first phase of this study introduces concepts of credit and risk. Subsequently, with a sample set of applicants from a large Brazilian financial institution, three credit scoring models are built applying three different techniques: Logistic Regression, Neural Networks and Genetic Algorithms. Finally, the quality and the performance of these models are evaluated and compared, and the best one is identified. The results obtained by the logistic regression model and neural network model are good and very similar, but the first one is slightly better. The results obtained with the genetic algorithm model are also good, but a little bit inferior. This study shows proceedings to be adopted by a financial institution in order to identify the best credit model to evaluate the risk of consumer loans. The use of the proper model will help the definition of an adequate business strategy and increase profits.

Collection Score E as Oportunidades No Mercado De Nonperforming Loans

“…Escolha e aplicação das técnicas a serem utilizadas para a construção do modelo: neste trabalho será utilizada Regressão Logística, selecionada dentre outras técnicas que também podem ser utilizadas para construção de modelos, algumas com maior ou menor complexidade. Gonçalves (2005) fez um levantamento bibliográfico sobre modelos de scoring e identificou as seguintes técnicas sendo utilizadas em tais modelos: Regressão Linear, Regressão Logística, Árvores de Classificação, Programação Linear, Algoritmos Genéticos, Redes Neurais, Análise Discriminante e Real. O levantamento também concluiu que os resultados de pesquisas acadêmicas divergem em relação à qual seria a melhor técnica, atestando que não existe uma técnica que se revele sempre superior às demais, uma vez que, dependendo dos dados a serem modelados, uma técnica pode prevalecer em relação às demais.…”

“…Todas as variáveis foram categorizadas em faixas, transformando-se em variáveis ordinais. Essa técnica é largamente utilizada em problemas deste tipo, uma vez que visa diminuir o efeito de outliers e tornar as estimativas mais robustas (FORTI, 2018;GONÇALVES;MANTOVANI, 2013)…”

Aplicação Do Modelo Logit Binominal Na Análise Do Risco De Crédito Em Instituições Bancárias

“…O maior desafio dessa indústria é tornar o crédito largamente disponível; assim tantas pessoas quanto possíveis terão a oportunidade de utilizar essa poderosa ferramenta. Entretanto Gonçalves (2005) observa que tornar o crédito largamente disponível não significa distribuir crédito indistintamente para todos que o solicitam; existe um fator associado ao crédito que é decisivo na decisão de disponibilizar ou não o crédito: o risco.…”

Psicologia do risco de crédito: análise da contribuição de variáveis psicológicas em modelos de credit scoring

“…Na literatura pesquisada, principalmente no Brasil, não se encontraram estudos que abordem a inclusão desse tipo de variável. As pesquisas que se referem a modelos de credit scoring estão concentradas: 1) em modelos de credit scoring para pessoas jurídicas (ALTMAN et al, 1979;LIMA, 2003;CARPENTER, 2006;CAMARGOS et al, 2010); 2) em modelos de credit scoring desenvolvidos para instituições financeiras e seus diversos produtos e serviços (BUENO, 2003;OLIVEIRA, 2003;PEREIRA, 2004); 3) na comparação entre as diversas técnicas de estimação dos modelos de credit scoring DUMONTIER, 1995;GUIMARÃES;CHAVES NETO, 2002;MARTINS, 2003;SUMIHARA FILHO;SLEEGERS, 2009SLEEGERS, e 2010MATTOS;GALLI, 2010;SABATO, 2010); 4) no risco de carteiras de crédito (CHAIA, 2003;ANDRADE, 2004;BRITO, 2005; ANNIBAL, 2010); 5) na comparação entre as normas do Banco Central do Brasil e os modelos de mercado para gerenciamento do risco de crédito (MARQUES, 2002); 6) no desenvolvimento de modelos credit scoring para segmentos e produtos específicos (ROVEDA, 2002;PEREIRA;NESS JR., 2004;SOBRINHO, 2007;LINS et al, 2010); e 7) na análise de concessões de crédito a pessoas físicas com a inclusão de variáveis cadastrais, socioeconômicas e de comportamento de pagamentobehavioral scoring (VASCONCELLOS, 2002;AMORIM NETO;CARMONA, 2004;GONÇALVES, 2005).…”

“…Elencaram-se para essa classe de variáveis alguns dados cadastrais comumente utilizados em modelos de application scoring (SICSÚ, 1998;THOMAS et al, 2002; SICSÚ, 2010) e empregados em pesquisas nacionais anteriores (AMORIM NETO, 2002;VASCONCELLOS, 2002;MAGALHÃES et al, 2004;GONÇALVES, 2005) de dívidas é um problema grave e individual, que me causa vergonha e angústia"), ARD2…”