Uma sistemática para construção e escolha de modelos de previsão de risco de crédito

Abstract

Com o aumento recente nos volumes de créditos a pessoas físicas e, por consequência, nos índices de inadimplência, as empresas estão buscando melhorar sua análise de crédito incorporando critérios objetivos. Técnicas multivariadas têm sido utilizadas para construir modelos de previsão de crédito que, baseados em informações cadastrais dos clientes, levam à criação de um padrão de comportamento em relação à inadimplência. O objetivo deste artigo é propor uma sistemática para construção de modelos de previsão de risco de crédito e avaliar seu desempenho usando três modelos específicos: análise discriminante, regressão logística e redes neurais. O método proposto (denominado Modelo PRC) é composto de seis etapas: (i) delimitação da população; (ii) seleção da amostra; (iii) análise preliminar; (iv) construção do modelo; (v) escolha do modelo; e (vi) passos para implantação. O Modelo PRC foi aplicado em uma amostra de 17.005 clientes de uma rede de farmácias com crediário próprio. Os resultados para este banco de dados específico apontam uma pequena superioridade do modelo de redes neurais em relação aos outros modelos, que pode ser atribuída a sua não linearidade em relação à combinação de variáveis.

Um Estudo Sobre Previsão Da Demanda De Encomendas Utilizando Uma Rede Neural Artificial

“…As RNAs podem ser aplicadas em diversas áreas e na solução de vários problemas como: reconhecimento de padrões [6], descoberta de conhecimento em bases de dados [7], medicina [8], previsão de risco de crédito [9], indústria automotiva [10], previsão do comportamento do tráfego veicular urbano [11], e para identificar empregados absenteístas e presenteístas [12] entre outros.…”

Um procedimento para prever recessões no Brasil a partir de indicadores antecedentes

“…A dificuldade em encontrar um alto nível de significância decorre do fato de este teste ser extremamente sensí-vel a flutuações e ao tamanho da amostra (Hair, 2005). Seguindo a mesma lógica utilizada em Ribeiro (2011), Guimarães e Moreira (2008), Selau (2008), Gouvêa, Farina e Varela (2007), entre outros, dá-se prosseguimento ao exame dos resultados já que a análise para fins de previsão não fica prejudicada.…”

Gompertz zero‐inflated cure rate regression models applied to credit risk data

“…When applied to credit, censoring can occur as a consequence of the event of interest not occurring for some of the individuals until the end of the study. 5 Therefore, the survival analysis technique has an advantage over the other techniques, as it results in a temporal response. It is able to predict when the event of interest will occur, which in this case is when the customer becomes a bad payer or not.…”