José Renato Garcia Braga; Fernanda Teixeira Franco Ribeiro

DOI: 10.22167/2675-6528-202601013

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

A gestão do risco de crédito é fundamental nas economias, impulsionada pela volatilidade macroeconômica e avanço tecnológico, que destacam o uso de modelos de *credit scoring* baseados em *machine learning*. O estudo objetivou desenvolver e avaliar tais modelos para a previsão de inadimplência na concessão de empréstimos, utilizando abordagem *ex-ante*. Para isso, empregou-se o conjunto de dados *Loan Lending Club*, com informações históricas de empréstimos. Realizou-se seleção e pré-processamento de variáveis, incluindo padronização e codificação, e utilizou-se uma subamostra estratificada de 10.000 contratos de 36 meses. Aplicaram-se e compararam-se algoritmos como Regressão Logística, SVM, MLP, Árvore de Decisão e *Random Forest*. A avaliação, via validação cruzada estratificada de 5 *folds*, utilizou métricas como acurácia, precisão, *recall*, F1-Score, AUC e KS, priorizando *recall* e KS pelo alto custo de falsos negativos. Os resultados indicaram que a Regressão Logística e o *Random Forest* apresentaram a melhor capacidade discriminante (AUC de 0,67 e 0,64, respectivamente, e maiores valores de KS), sendo mais adequados para o desempenho global. Modelos como SVM e Árvore de Decisão alcançaram sensibilidade máxima (1,00), mas com baixa precisão e alto número de falsos positivos. Concluiu-se que existe um *trade-off* entre a capacidade de discriminação e a eficiência na identificação de inadimplentes. A Regressão Logística e o *Random Forest* mostraram-se as melhores alternativas para aplicação prática, oferecendo um equilíbrio entre as métricas de desempenho e generalização. Contudo, os valores de AUC, todos inferiores a 0,70, sugerem espaço para melhorias futuras, como a incorporação de novas variáveis e técnicas de balanceamento de dados.

Palavras-chave: Análise de risco; Classificação supervisionada; Inadimplência; Modelagem preditiva; Validação cruzada.

1. Introdução

O crédito desempenha um papel fundamental nas economias modernas, atuando como um catalisador para as decisões de consumo e investimento, essenciais para o crescimento e a estabilidade econômica. As instituições financeiras, especialmente os bancos, assumem uma posição central nesse ecossistema, funcionando como intermediários vitais entre agentes superavitários e deficitários, ao fornecer capital para famílias e empresas (Instituto de Pesquisa Econômica Aplicada [IPEA], 2016). A gestão estratégica de seus balanços permite aos bancos ajustar a oferta de crédito em resposta às condições macroeconômicas. Em períodos de aumento das taxas de juros e desaceleração econômica, há uma tendência de realocação de ativos para títulos públicos, enquanto em fases de expansão, com taxas de juros mais baixas e maior propensão a gastos, os bancos ampliam as operações de crédito, especialmente para consumo pessoal e capital de giro (Instituto de Pesquisa Econômica Aplicada [IPEA], 2016).

No Brasil, o período entre 2003 e 2025 foi marcado por uma série de ciclos de expansão e retração econômica, evidenciando um ambiente de elevada volatilidade macroeconômica. A fase inicial, de 2003 a 2008, caracterizou-se por forte crescimento, impulsionado pela economia global e pela valorização das commodities. Contudo, a partir de setembro de 2008, o país sentiu os impactos da crise financeira internacional, entrando em um ciclo de retração. Uma recuperação moderada ocorreu entre março de 2009 e dezembro de 2010, graças a políticas anticíclicas. Posteriormente, de 2011 a 2014, a economia desacelerou, culminando em uma recessão severa entre 2015 e 2016, agravada pela crise fiscal e perda de confiança. A partir de 2017, houve uma recuperação gradual, impulsionada por reformas estruturais. No entanto, em 2020, a pandemia de COVID-19 provocou uma nova e forte retração, afetando produção, emprego e consumo. Desde 2022, observa-se uma retomada gradual, sustentada por estímulos fiscais e pela recuperação de setores como serviços e agronegócio (Instituto de Pesquisa Econômica Aplicada [IPEA], 2016; Sant’anna et al., 2009). Nesse cenário de constante flutuação, a gestão criteriosa do risco de crédito torna-se imperativa para as instituições financeiras, visando à preservação da rentabilidade e à estabilidade do sistema.

O risco de crédito, em sua essência, refere-se à probabilidade de o credor não receber o pagamento do devedor conforme o prazo estabelecido (Da Silva, 2016). A inadimplência, ou *default*, representa uma das maiores preocupações para os bancos, pois sua má gestão pode comprometer seriamente a rentabilidade e a estabilidade operacional (Da Silva, 2016; Beserra et al., 2022). A concessão de crédito é, por natureza, uma decisão tomada sob condições de incerteza, onde o resultado futuro não pode ser previsto com total exatidão (Marcelino, 2012). Tradicionalmente, a avaliação de crédito baseava-se em métodos subjetivos e estatísticos mais simples. No entanto, o avanço das tecnologias de informação, a crescente disponibilidade de dados dos solicitantes de crédito e o desenvolvimento de métodos de inteligência artificial têm revolucionado essa área. Essas inovações oferecem às instituições financeiras oportunidades sem precedentes para aprimorar seus modelos de análise de risco, permitindo decisões mais assertivas, preditivas e alinhadas ao perfil individual de cada cliente (Beserra et al., 2022).

Nesse contexto, o *credit scoring* emerge como uma ferramenta essencial, definido como um método estatístico que estima a probabilidade de um solicitante não honrar suas obrigações financeiras no momento da concessão do crédito, com base em informações históricas e características socioeconômicas (Sicsú, 2010). A evolução para a utilização de técnicas de *machine learning* amplia significativamente essa abordagem, permitindo a identificação de padrões complexos e não lineares no comportamento dos clientes que seriam difíceis de detectar por métodos tradicionais. Essa capacidade aprimorada de análise contribui para decisões de crédito mais precisas e fundamentadas, minimizando perdas e otimizando a alocação de capital. Assim, diante da complexidade inerente à avaliação do risco de crédito e da necessidade de ferramentas preditivas robustas em um ambiente macroeconômico volátil, este estudo objetiva desenvolver e avaliar modelos de *machine learning* para a previsão de inadimplência na concessão de empréstimos, utilizando uma abordagem *ex-ante* que se baseia exclusivamente em informações disponíveis no momento da solicitação do crédito, focando na identificação antecipada do risco de *default* dos clientes.

2. Material e Métodos

O presente estudo adotou uma abordagem quantitativa e preditiva, focada no desenvolvimento e avaliação de modelos de *machine learning* para a previsão de inadimplência na concessão de crédito. Caracterizou-se como uma aplicação de *credit scoring ex-ante*, utilizando exclusivamente informações disponíveis no momento da solicitação do empréstimo. Este delineamento permitiu a identificação antecipada do risco de *default* dos clientes, alinhando-se às práticas de gestão de risco em instituições financeiras. A pesquisa buscou oferecer ferramentas robustas para aprimorar a tomada de decisão em um ambiente econômico volátil, conforme destacado na introdução.

A pesquisa utilizou um conjunto de dados históricos de empréstimos da plataforma norte-americana Lending Club, obtido através do repositório Kaggle (www.kaggle.com). O Lending Club é uma instituição de empréstimos *peer-to-peer* amplamente reconhecida, e seus dados são frequentemente empregados em estudos de risco de crédito. A unidade de análise consistiu em contratos de empréstimo individuais, abrangendo o comportamento do tomador, características socioeconômicas e contratuais. Embora o período exato dos dados não seja especificado, as informações refletem operações de crédito ao longo do tempo.

O conjunto de dados original, disponibilizado pelo Lending Club no Kaggle, continha um total de 128 variáveis, representando uma vasta gama de informações sobre os empréstimos. Essa base de dados é amplamente utilizada em estudos acadêmicos e práticos na área de risco de crédito, devido à sua abrangência e detalhamento. As variáveis incluíam aspectos como renda anual declarada, tempo de relacionamento com a instituição, escore de crédito, valor financiado, taxa de juros, prazo e valor da parcela mensal, além de histórico de atrasos e registros públicos negativos.

Para garantir a homogeneidade e evitar vieses na análise, a amostra foi restrita a contratos com 36 parcelas, excluindo-se aqueles com outros prazos. Essa decisão foi tomada considerando que o objetivo era estimar a probabilidade de inadimplência durante a vida do contrato, e a predominância de contratos de 36 meses poderia introduzir distorções. Adicionalmente, foram excluídos os contratos que apresentavam valores nulos em qualquer uma das variáveis selecionadas, resultando em um conjunto de 2.033.575 contratos aptos para a análise subsequente.

A seleção das variáveis explicativas foi criteriosa, baseando-se na relevância teórica para a análise de risco de crédito e na disponibilidade das informações no momento da concessão do empréstimo (Sicsú, 2010). Variáveis de natureza meramente identificadora ou temporal, como o identificador único do contrato e a data de celebração, foram excluídas por não possuírem conteúdo informacional preditivo. A variável referente à data do último pagamento também foi removida para evitar o problema de *data leakage*, assegurando que os modelos utilizassem apenas dados *ex-ante*.

Tabela 1 – Variáveis utilizadas do conjunto de dados Lending Club.

Variável	Tipo de dado	Descrição	Utilização
id	Inteiro (identificador)	Identificador único do contrato de crédito.	Não utilizada nos modelos.
data celebração	Data	Data de concessão do contrato de crédito.	Não utilizada nos modelos.
data último pagamento	Data	Data do último pagamento realizado pelo cliente.	Não utilizada nos modelos.
valor financiado	Float	Valor efetivamente concedido ao tomador.	Utilizada nos modelos.
finalidade empréstimo	Categórica	Finalidade declarada para utilização do crédito.	Utilizada nos modelos.
quantidade de parcelas	Inteiro	Número total de parcelas do contrato, em meses.	Utilizada nos modelos.
taxa de juros	Float	Taxa de juros anual aplicada ao contrato.	Utilizada nos modelos.
valor da parcela	Float	Valor da prestação mensal do contrato.	Não utilizada nos modelos.
tempo de relacionamento	Inteiro	Tempo de relacionamento creditício do cliente, em meses.	Utilizada nos modelos.
escore fico	Inteiro	Score de crédito do cliente.	Utilizada nos modelos.
inadimplência nos últimos 2 anos	Inteiro	Número de atrasos superiores a 30 dias nos últimos dois anos. Em relação a data de celebração do contrato.	Utilizada nos modelos.
registros públicos negativos	Inteiro	Quantidade de registros públicos negativos, até a data de celebração do contrato.	Utilizada nos modelos.
renda mensal	Float	Renda mensal aproximada do cliente.	Utilizada nos modelos.

Fonte: fonte original da tabela

Após a seleção, as variáveis numéricas foram padronizadas utilizando o método *z-score*, conforme a Equação (1), para eliminar diferenças de escala e otimizar o desempenho dos algoritmos de *machine learning*. A variável categórica “finalidade do empréstimo”, que apresentava múltiplos valores como pagamento de dívidas ou reforma residencial, foi transformada por meio de codificação *one-hot*. Este procedimento permitiu a inclusão dessas variáveis nos modelos de classificação supervisionada e não supervisionada, garantindo sua correta interpretação pelos algoritmos.

Uma matriz de correlação de Pearson foi empregada para avaliar a multicolinearidade entre as variáveis explicativas numéricas. Observou-se uma forte correlação (r = 0,99) entre “valor financiado” e “valor da parcela”, levando à exclusão da variável “valor da parcela” para evitar redundância informacional e melhorar a interpretabilidade do modelo. Devido a limitações computacionais de tempo de processamento e recursos, uma amostra estratificada de 10.000 observações foi selecionada do conjunto de dados filtrado, preservando a proporção de classes adimplentes e inadimplentes.

Para estimar a probabilidade de inadimplência, foram empregados diversos algoritmos de classificação supervisionada, amplamente utilizados na literatura de *credit scoring*. A seleção dos modelos buscou equilibrar complexidade, capacidade de modelagem e interpretabilidade. Os algoritmos considerados incluíram Regressão Logística, Máquina de Vetor de Suporte (SVM), Rede Neural Artificial do tipo Perceptron Multicamadas (MLP), Árvore de Decisão e *Random Forest*. Cada modelo possui características distintas que contribuem para a análise do risco de inadimplência, conforme detalhado na Tabela 2.

Os modelos de classificação supervisionada foram treinados e avaliados utilizando a técnica de validação cruzada (*cross-validation*), especificamente a validação cruzada estratificada com 5 partições (*5-fold cross-validation*). Este método dividiu o conjunto de dados em cinco subconjuntos aproximadamente iguais, mantendo a proporção de classes em cada partição. Em cada iteração, quatro subconjuntos foram usados para treinamento e um para teste, repetindo o processo cinco vezes. Essa abordagem reduziu a variabilidade das estimativas e aumentou a capacidade de generalização dos resultados.

O desempenho preditivo dos modelos foi mensurado por meio de diversas métricas de classificação. Foram calculadas a acurácia, que indica a proporção de classificações corretas; a precisão, que mede a confiabilidade das previsões positivas de inadimplência; a sensibilidade (*recall*), que avalia a capacidade de identificar corretamente os inadimplentes; e o F1-Score, que representa a média harmônica entre precisão e sensibilidade. Adicionalmente, a área sob a curva ROC (AUC) e a estatística de Kolmogorov-Smirnov (KS) foram utilizadas para avaliar a capacidade discriminante dos modelos.

O limiar de classificação para cada modelo foi ajustado com base na maximização do F1-Score, utilizando as probabilidades previstas pela validação cruzada. Essa otimização permitiu equilibrar precisão e sensibilidade, tornando a classificação mais adequada ao contexto de risco de crédito, onde o desbalanceamento entre classes e o alto custo de falsos negativos são relevantes. Todas as etapas do estudo, desde a preparação dos dados até a modelagem e visualização, foram implementadas na linguagem Python, utilizando bibliotecas como Pandas, NumPy, Scikit-learn, Matplotlib e Seaborn.

3. Resultados e Discussão

Os resultados obtidos a partir da aplicação de diversos modelos de *machine learning* para a previsão de inadimplência na concessão de crédito são apresentados e analisados nesta seção, com o objetivo primordial de avaliar o desempenho preditivo de cada técnica na identificação de clientes com risco de *default*. A análise se concentra em métricas de classificação como acurácia, precisão, sensibilidade (*recall*), F1-Score, área sob a curva ROC (AUC) e a estatística de Kolmogorov-Smirnov (KS), permitindo uma avaliação comparativa robusta da capacidade discriminante e da eficácia global dos modelos.

A avaliação inicial do desempenho dos modelos, conforme detalhado na Tabela 2, revelou que a acurácia, embora seja uma métrica intuitiva, se mostrou pouco informativa no contexto deste estudo. Dois modelos, Regressão Logística e Random Forest, apresentaram acurácia acima de 0,60 (0,70 e 0,69, respectivamente). Contudo, essa aparente boa performance é mitigada pelo forte desbalanceamento da base de dados, onde a classe de adimplentes é significativamente mais prevalente do que a de inadimplentes. Em cenários de classes desbalanceadas, a acurácia pode ser enganosa, pois um modelo pode atingir alta acurácia simplesmente classificando a maioria das observações como a classe majoritária, falhando em identificar a classe minoritária, que é de maior interesse (Hand & Henley, 1997; Lessmann et al., 2015). No problema de risco de crédito, a identificação correta dos inadimplentes (classe minoritária) é crucial, tornando a acurácia uma métrica secundária.

Tabela 2 – Resultados dos modelos

Modelo	Limiar	Acurácia	Precisão	Sensibilidade (Recall)	F1-Score	AUC	KS
Regressão Logística.	0,13	0,70	0,19	0,52	0,27	0,67	0,25
Random Forest.	0,14	0,69	0,17	0,48	0,25	0,64	0,22
MLP.	0,04	0,44	0,13	0,73	0,22	0,59	0,14
SVM.	0.05	0,11	0,11	1,00	0,20	0,53	0,06
Árvore de Decisão.	0.00	0,11	0,11	1,00	0,20	0,52	0,06

Fonte: Fonte da tabela

A precisão, que mede a proporção de verdadeiros positivos entre todas as previsões positivas, apresentou valores relativamente baixos em todos os modelos. A Regressão Logística (0,19) e o Random Forest (0,17) foram os que obtiveram os melhores resultados, enquanto MLP (0,13), SVM (0,11) e Árvore de Decisão (0,11) ficaram ainda mais aquém. Esses valores indicam uma alta taxa de falsos positivos, ou seja, os modelos estão classificando um número considerável de clientes adimplentes como inadimplentes. Para uma instituição financeira, um alto número de falsos positivos implica em negar crédito a bons pagadores, resultando em perda de oportunidades de negócio e, consequentemente, em redução de lucros (Thomas, 2009). A decisão de priorizar a precisão ou o *recall* depende da estratégia de risco da instituição; se o custo de negar crédito a um bom pagador é muito alto, a precisão se torna uma métrica mais relevante. No entanto, o cenário atual sugere que os modelos ainda precisam de aprimoramento para reduzir essas perdas de receita potenciais.

Em contraste, a sensibilidade (*recall*), que avalia a capacidade do modelo de identificar corretamente os inadimplentes, revelou-se uma métrica de fundamental importância no contexto de risco de crédito. Os modelos SVM e Árvore de Decisão atingiram o valor máximo de 1,00, indicando que foram capazes de identificar todos os contratos inadimplentes na amostra de teste. O modelo MLP também apresentou um desempenho elevado nessa métrica (0,73), enquanto a Regressão Logística (0,52) e o Random Forest (0,48) obtiveram valores moderados. A alta sensibilidade de SVM e Árvore de Decisão, embora impressionante, deve ser interpretada com cautela, pois, como observado na baixa precisão, ela veio acompanhada de um elevado número de falsos positivos. Isso significa que, para não perder nenhum inadimplente, esses modelos classificaram muitos adimplentes como inadimplentes, o que, na prática, pode ser insustentável para uma instituição financeira devido à perda de negócios (Baesens et al., 2003). A priorização do *recall* é crucial quando o custo de um falso negativo (não identificar um inadimplente) é extremamente alto, como em casos de fraude ou risco de crédito severo, mas um equilíbrio é geralmente necessário.

O F1-Score, que representa a média harmônica entre precisão e sensibilidade, oferece uma visão mais equilibrada do desempenho do modelo, sendo particularmente útil em problemas com classes desbalanceadas. A Regressão Logística (0,27) e o Random Forest (0,25) apresentaram os maiores F1-Scores, indicando um melhor compromisso entre a capacidade de identificar inadimplentes e a confiabilidade das previsões positivas. O MLP obteve um valor intermediário (0,22), enquanto SVM e Árvore de Decisão registraram os menores valores (0,20). Esses resultados reforçam a ideia de que, embora SVM e Árvore de Decisão tenham alcançado *recall* perfeito, sua baixa precisão comprometeu o F1-Score, tornando-os menos adequados para uma aplicação prática que exija um balanço entre os tipos de erro. A Regressão Logística e o Random Forest, por outro lado, demonstram uma capacidade mais robusta de lidar com o *trade-off* inerente ao problema de *credit scoring*, oferecendo um desempenho mais consistente e aplicável.

Em termos de capacidade discriminante, a área sob a curva ROC (AUC) e a estatística de Kolmogorov-Smirnov (KS) são métricas cruciais para avaliar quão bem um modelo consegue separar as classes de adimplentes e inadimplentes. A Regressão Logística destacou-se com o melhor desempenho (AUC de 0,67 e KS de 0,25), seguida de perto pelo Random Forest (AUC de 0,64 e KS de 0,22). Esses resultados indicam que esses dois modelos possuem a maior capacidade de distinguir entre bons e maus pagadores ao longo de diferentes limiares de classificação. O MLP apresentou um desempenho intermediário (AUC de 0,59 e KS de 0,14), enquanto SVM (AUC de 0,53 e KS de 0,06) e Árvore de Decisão (AUC de 0,52 e KS de 0,06) demonstraram a menor capacidade discriminante, aproximando-se do desempenho de um classificador aleatório. A estatística KS, em particular, é amplamente utilizada no mercado financeiro para medir a separação máxima entre as distribuições de escores de crédito para as duas classes, e os valores obtidos para Regressão Logística e Random Forest são indicativos de uma separação razoável, embora ainda com espaço para melhorias (Siddiqi, 2006).

A análise detalhada de cada modelo permite uma compreensão mais profunda de suas características e adequação ao problema de *credit scoring*. A Regressão Logística, um modelo linear e amplamente utilizado como *benchmark* na literatura de risco de crédito (Thomas, 2009), demonstrou ser a abordagem mais equilibrada neste estudo. Seu desempenho superior em AUC, KS e F1-Score, juntamente com sua interpretabilidade inerente, a torna uma candidata forte para aplicação prática. Embora sua sensibilidade não seja a mais alta, o equilíbrio que oferece entre a identificação de inadimplentes e a minimização de falsos positivos é um fator decisivo. A natureza linear da Regressão Logística pode, em alguns contextos, limitar sua capacidade de capturar relações não lineares complexas nos dados, mas sua robustez e a clareza de seus coeficientes a tornam valiosa para a tomada de decisão e para a conformidade regulatória.

O Random Forest, um algoritmo de *ensemble* baseado em árvores de decisão, apresentou o segundo melhor desempenho geral. Sua capacidade de combinar múltiplas árvores de decisão permite capturar relações não lineares e reduzir o risco de sobreajuste, características que o tornam um modelo poderoso para problemas de classificação complexos (Breiman, 2001). Embora sua interpretabilidade seja menor em comparação com a Regressão Logística, seu desempenho preditivo, especialmente em AUC e KS, é robusto. Para instituições financeiras que priorizam a capacidade preditiva e estão dispostas a aceitar uma menor interpretabilidade, o Random Forest representa uma excelente alternativa. Sua capacidade de lidar com a alta dimensionalidade e a complexidade dos dados, sem a necessidade de suposições sobre a distribuição dos dados, o torna particularmente atraente.

A Rede Neural Artificial do tipo Perceptron Multicamadas (MLP) demonstrou uma capacidade notável de identificar inadimplentes (alto *recall*), mas com um custo significativo em termos de precisão e capacidade discriminante global. As redes neurais são conhecidas por sua habilidade em modelar relações não lineares complexas e aprender representações internas dos dados (West, 2000). No entanto, seu desempenho neste estudo, embora com alto *recall*, sugere que a arquitetura específica, o volume de dados ou a otimização dos hiperparâmetros podem ter limitado sua eficácia geral. A natureza de “caixa preta” das redes neurais também dificulta a interpretabilidade, o que pode ser uma barreira para sua adoção em ambientes regulados como o financeiro, onde a justificativa das decisões de crédito é fundamental. Para que o MLP seja mais eficaz, seria necessário um volume de dados maior, um ajuste fino mais intensivo e, possivelmente, técnicas de *Explainable AI* (XAI) para aumentar a transparência.

Os modelos SVM e Árvore de Decisão, embora tenham alcançado *recall* máximo, apresentaram as menores acurácias, precisões, F1-Scores, AUCs e KS. Isso indica que, apesar de identificarem todos os inadimplentes, o fizeram com um custo excessivo de falsos positivos, tornando-os pouco práticos para a concessão de crédito. O SVM é uma técnica robusta para classificação em espaços de alta dimensionalidade (Vapnik, 1998), mas pode ser sensível ao desbalanceamento de classes e à escolha do *kernel*. A Árvore de Decisão, por sua vez, é altamente interpretável, pois gera regras de decisão claras (Quinlan, 1986), mas é propensa ao sobreajuste e à instabilidade, especialmente com dados ruidosos ou desbalanceados. A baixa capacidade discriminante desses modelos, evidenciada pelos valores de AUC próximos a 0,50, sugere que eles não conseguem separar efetivamente as classes de adimplentes e inadimplentes, comportando-se de forma similar a um classificador aleatório. Portanto, para a maioria das aplicações de *credit scoring*, esses modelos, isoladamente, seriam inadequados.

A análise das curvas ROC, apresentadas na Figura 1, corrobora as conclusões extraídas das métricas de desempenho.

Figura 1. Curva ROC e valores do AUC dos modelos.

Fonte: Fonte da figura

A Figura 1 ilustra visualmente a capacidade discriminante de cada modelo. A Regressão Logística e o Random Forest exibem curvas que se afastam mais significativamente da linha diagonal (que representa um classificador aleatório), especialmente em direção ao canto superior esquerdo do gráfico, indicando sua superioridade na separação entre as classes. A Regressão Logística, com AUC de 0,674, demonstrou a melhor performance, seguida pelo Random Forest com 0,642. O MLP, com AUC de 0,590, apresentou uma capacidade discriminante moderada. Por outro lado, as curvas dos modelos SVM (AUC = 0,533) e Árvore de Decisão (AUC = 0,527) estão muito próximas da linha diagonal, confirmando sua baixa capacidade de discriminação entre adimplentes e inadimplentes. É importante notar que, embora Regressão Logística e Random Forest sejam os melhores, todos os valores de AUC observados são inferiores a 0,70. Na literatura de *credit scoring*, valores de AUC abaixo de 0,70 são frequentemente considerados fracos, enquanto valores entre 0,70 e 0,80 são considerados razoáveis a bons (Siddiqi, 2006). Essa limitação nos valores de AUC sugere que há espaço para melhorias na capacidade preditiva dos modelos, possivelmente devido à natureza dos dados, ao conjunto de variáveis explicativas utilizadas ou ao desbalanceamento inerente entre as classes.

De maneira geral, os resultados evidenciam um *trade-off* fundamental entre a capacidade de discriminação global dos modelos e sua eficiência na identificação de inadimplentes. No contexto da concessão de crédito, a correta identificação de clientes inadimplentes é de importância crítica, pois a concessão de crédito a esses clientes pode gerar perdas financeiras significativas para a instituição (Da Silva, 2016). Assim, métricas como a sensibilidade (*recall*) assumem um papel central na avaliação dos modelos. No entanto, o aumento indiscriminado da sensibilidade pode implicar uma redução em outras métricas, como precisão e acurácia, levando a um número excessivo de falsos positivos. Essa situação, onde clientes bons são erroneamente classificados como maus pagadores, pode comprometer a eficiência operacional e a rentabilidade da instituição ao negar crédito a clientes potencialmente lucrativos. Portanto, a escolha do modelo mais adequado deve considerar um equilíbrio estratégico entre essas métricas, alinhado à política de risco e aos objetivos de negócio da instituição financeira.

Apesar dos resultados promissores obtidos, este estudo apresenta algumas limitações que devem ser consideradas na interpretação dos achados e na proposição de trabalhos futuros. Primeiramente, o conjunto de dados utilizado apresenta um desbalanceamento significativo entre as classes de adimplentes e inadimplentes. Embora métricas adequadas para problemas de desbalanceamento, como sensibilidade e KS, tenham sido utilizadas, a predominância da classe majoritária pode ter influenciado o desempenho dos modelos, especialmente aqueles mais sensíveis à distribuição dos dados. Para trabalhos futuros, recomenda-se a aplicação de técnicas de balanceamento de dados, como *oversampling* (e.g., SMOTE) ou *undersampling*, ou ainda abordagens de aprendizado sensível ao custo, que atribuem diferentes pesos aos erros de classificação, visando melhorar a capacidade dos modelos em identificar a classe minoritária de inadimplentes sem comprometer excessivamente a precisão (Chawla et al., 2002).

Adicionalmente, o conjunto de variáveis explicativas empregado, embora relevante, pode não ter capturado toda a complexidade do comportamento de crédito dos indivíduos. A ausência de variáveis mais detalhadas, como um histórico completo de crédito ao longo do tempo, informações comportamentais mais granulares ou dados macroeconômicos dinâmicos, pode ter limitado a capacidade preditiva dos modelos. Estudos demonstram que a inclusão de variáveis mais ricas e contextuais pode aprimorar significativamente a performance dos modelos de *credit scoring* (Louzada et al., 2016). Sugere-se, portanto, a incorporação de novas variáveis explicativas, incluindo dados temporais e informações comportamentais, para aumentar a capacidade preditiva dos modelos em futuras pesquisas.

Outra limitação refere-se à calibração das probabilidades e à definição do limiar de classificação. Embora a maximização do F1-Score tenha sido adotada para definir o limiar, essa abordagem pode não refletir completamente os custos reais e assimétricos associados aos diferentes tipos de erro no contexto de concessão de crédito. Em problemas financeiros, o custo de um falso negativo (conceder crédito a um inadimplente) é geralmente muito maior do que o custo de um falso positivo (negar crédito a um bom pagador). Trabalhos futuros poderiam explorar métodos de calibração de limiares que incorporem explicitamente a matriz de custos de erro, buscando otimizar o lucro esperado da instituição financeira em vez de apenas uma métrica de desempenho (Hand & Henley, 1997).

Por fim, sugere-se a exploração de modelos de *machine learning* mais avançados, como algoritmos de *gradient boosting* (e.g., XGBoost e LightGBM). Esses modelos têm demonstrado alto desempenho em problemas de classificação, especialmente em bases desbalanceadas e com relações complexas, superando frequentemente os modelos tradicionais e até mesmo redes neurais em diversas competições de ciência de dados (Chen & Guestrin, 2016). A aplicação dessas técnicas poderia potencialmente melhorar a capacidade preditiva e discriminante, oferecendo soluções ainda mais robustas para a gestão do risco de crédito.

Em síntese, este trabalho evidencia o potencial das técnicas de *machine learning* como ferramentas eficazes no apoio à tomada de decisão em processos de concessão de crédito, ao mesmo tempo em que ressalta a complexidade inerente à modelagem do risco de inadimplência. Os resultados demonstram que não existe um modelo universalmente superior; a escolha da abordagem mais apropriada deve ser avaliada à luz dos objetivos estratégicos da instituição financeira e dos custos associados aos diferentes tipos de erro. A Regressão Logística e o Random Forest emergiram como as alternativas mais equilibradas para aplicação prática, oferecendo um bom compromisso entre desempenho preditivo e interpretabilidade. A integração entre modelagem estatística, conhecimento de negócio e qualidade dos dados emerge como fator determinante para o desenvolvimento de sistemas de *credit scoring* mais robustos, confiáveis e aderentes à realidade do mercado. Assim, o avanço contínuo na disponibilidade de dados e no aprimoramento das técnicas analíticas tende a ampliar significativamente a capacidade das instituições financeiras em gerenciar riscos, promover eficiência e sustentar decisões mais seguras e informadas, contribuindo para a estabilidade e rentabilidade do sistema financeiro.

4. Conclusão

Conclui-se que o objetivo foi atingido, desenvolvendo e avaliando modelos de *machine learning* para a previsão *ex-ante* de inadimplência na concessão de empréstimos, focando na identificação antecipada do risco de *default* dos clientes. Os resultados demonstraram que a Regressão Logística e o Random Forest emergiram como as abordagens mais equilibradas para aplicação prática, oferecendo um bom compromisso entre desempenho preditivo e interpretabilidade. A análise das métricas de desempenho e das curvas ROC indicou a maior capacidade discriminante desses modelos, embora os valores de AUC observados, todos inferiores a 0,70, sinalizem um espaço para aprimoramento. Este estudo ressaltou a complexidade inerente à modelagem do risco de inadimplência e a necessidade de alinhar a escolha do modelo aos objetivos estratégicos da instituição financeira e aos custos associados aos diferentes tipos de erro.

Apesar dos achados, o estudo apresenta limitações importantes. Primeiramente, o desbalanceamento significativo entre as classes de adimplentes e inadimplentes na base de dados pode ter influenciado o desempenho dos modelos. Adicionalmente, o conjunto de variáveis explicativas utilizado, embora relevante, pode não ter capturado toda a complexidade do comportamento de crédito. A calibração dos limiares de classificação, baseada na maximização do F1-Score, também pode não refletir os custos assimétricos reais dos erros. Para estudos futuros, recomenda-se a aplicação de técnicas de balanceamento de dados, a incorporação de novas variáveis explicativas, incluindo dados temporais e comportamentais, e a exploração de métodos de calibração de limiares que considerem explicitamente a matriz de custos. Sugere-se ainda a investigação de modelos de *machine learning* mais avançados, como algoritmos de *gradient boosting*, para potencialmente melhorar a capacidade preditiva e discriminante.

Referências Bibliográficas

Beserra, R.S.; Barbosa, N.F.M.; Peixoto, A.P.B.; Xavier, E.F.M.; Jale, J.S.; Xavier Jr., S. F.A. 2022. Modeling with logistic regression for credit grant analysis. Research, Society and Development 11(7): 1-13.

Instituto de Pesquisa Econômica Aplicada [IPEA]. 2016. A dinâmica do mercado de crédito no brasil no período recente (2007-2015). Disponível em: <https://portalantigo.ipea.gov.br/agencia/images/stories/PDFs/TDs/26102016td_2243.pdf>. Acesso em: 10 out. 2025.

Marcelino, J.A. 2012. Credit scoring: uma ferramenta para análise de crédito em uma instituição de microcrédito produtivo e orientado. Trabalho de Conclusão de Curso em Ciências Contábeis. Universidade do Extremo Sul Catarinense, Criciúma, SC, Brasil.

Sant’anna, A.A.; Borça Jr., G.R.; Araujo, P.Q. 2009. Mercado de crédito no Brasil: evolução recente e o papel do BNDES (2004-2008). Revista do BNDES 16(31): 41-60.

Sicsú, A.L. 2010. Credit Scoring: desenvolvimento, implantação, acompanhamento. 1ed. Bluscher, São Paulo, SP, Brasil.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Economia, Investimentos e Banking do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy