Comparativo de Modelos de Risco de Crédito e Impacto das Suas Variáveis nas Suas Predições

Domingos Soares do Carmo Neto; Felipe Pinto da Silva

DOI: 10.22167/2675-6528-202602838

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A crescente inadimplência no sistema financeiro e as limitações dos métodos tradicionais de avaliação de crédito evidenciaram a necessidade de modelos preditivos mais robustos e interpretáveis. O estudo comparou o desempenho de três algoritmos supervisionados de aprendizado de máquina — Regressão Logística, Árvore de Decisão e Rede Neural Artificial (MLP) — aplicados a três bases públicas de risco de crédito: Statlog German Credit Dataset, Default of Credit Card Clients e Give Me Some Credit. Realizou-se pré-processamento dos dados, incluindo imputação pela mediana, codificação binária, padronização e estratégias para classes desbalanceadas. Os modelos foram avaliados por acurácia, precisão, recall, F1-score e AUC-ROC, e submetidos a otimização de hiperparâmetros com validação cruzada de cinco folds. A interpretância das previsões foi conduzida pelo método SHAP. Os resultados revelaram que nenhum algoritmo demonstrou superioridade consistente em todos os cenários. A Regressão Logística obteve o melhor AUC-ROC na base German Credit (0,803), a Árvore de Decisão liderou na base Give Me Some Credit (0,849), e o MLP destacou-se na base Taiwan Credit Card (0,765). A análise SHAP indicou que o comportamento financeiro recente, a utilização do crédito rotativo e a disponibilidade de conta corrente foram consistentemente as variáveis mais preditivas. Concluiu-se que a abordagem multimodelo, aliada à análise de interpretância por SHAP, oferece uma estrutura mais completa e confiável para a classificação de risco de crédito do que a utilização isolada de qualquer algoritmo.

Palavras-chave: Aprendizado de máquina; Classificação de inadimplência; Modelos preditivos; Risco de crédito; SHAP.

1. Introdução

A crescente complexidade do sistema financeiro e o aumento dos índices de inadimplência tornaram a gestão do risco de crédito um dos principais desafios para as instituições financeiras. Nesse contexto, a avaliação da capacidade de pagamento dos tomadores de crédito assume um papel estratégico, pois decisões equivocadas podem expor credores a perdas significativas e comprometer a estabilidade do sistema financeiro como um todo (Sanches, Vander Lúcio et al., 2018).

A análise de crédito desempenha um papel central nesse processo, permitindo a alocação eficiente de recursos e a mitigação da inadimplência. Segundo Joseph e Ciby (2013), ela cumpre três propósitos fundamentais: revelar os riscos financeiros do tomador, orientar a análise operacional e comercial do negócio e determinar a extensão do suporte financeiro necessário, sobretudo para intermediários como bancos.

A análise de crédito se baseia na avaliação de diversos fatores, como histórico financeiro, renda e comportamento de pagamento dos clientes, com o objetivo de prever a probabilidade de não pagamento. A importância desse estudo se intensificou a partir da crise financeira de 2008 nos Estados Unidos, quando o colapso de títulos lastreados em hipotecas de alto risco evidenciou falhas nos modelos tradicionais de avaliação de crédito (Reinhart & Rogoff, 2009). A crise revelou a necessidade de aprimoramento das metodologias de mensuração do risco, impulsionando pesquisas em modelos preditivos baseados em técnicas estatísticas e aprendizado de máquina.

Desde então, diversos estudos têm explorado o potencial das técnicas de aprendizado de máquina na avaliação do risco de crédito. Selau (2017) comparou três abordagens distintas de modelagem preditiva, analisando sua eficácia na classificação de clientes inadimplentes e evidenciando a importância da escolha do modelo adequado para otimizar a precisão das previsões. Adicionalmente, Marques, Garcia e Sanchez (2012) avaliaram o desempenho de sete modelos de previsão diferentes, incluindo 1-Nearest Neighbour, Naive Bayes Classifier, Regressão Logística, Multilayer Perceptron, Radial Basis Function Neural Networks, Support Vector Machine com kernel linear e Árvore de Decisão, e também mostraram que o modelo de árvore de decisão constitui uma solução eficaz para métodos de classificação preditiva.

Além do modelo em si, diversos fatores podem influenciar a classificação da inadimplência, sendo um dos principais a seleção e engenharia de variáveis. Khandani et al. (2010) demonstraram que a incorporação de um conjunto diversificado de atributos, como histórico de crédito, comportamento de pagamento e dados demográficos, em algoritmos preditivos pode revelar interações complexas e melhorar a acurácia dos modelos de escore de crédito. Um modelo amplamente utilizado é o “credit score”, ou escore de crédito, baseado em análise discriminante ou de regressão logística. Vicente (2003) afirma que ele é bastante empregado por instituições financeiras para concessão de crédito e relaciona a pontuação obtida por um cliente com a probabilidade de perda, destacando variáveis como estado civil, quantidade de parcelas do financiamento e comprometimento da renda.

Diante desse cenário, a análise comparativa de modelos de risco de crédito tornou-se essencial para identificar abordagens mais eficazes e robustas na predição de inadimplência. A problemática concentrou-se na necessidade de aprimorar a acurácia dessas previsões e garantir que os métodos utilizados fossem interpretáveis, evitando vieses que pudessem comprometer decisões financeiras. Assim, o presente estudo buscou investigar a precisão e a aplicabilidade de diferentes modelos de aprendizado de máquina, avaliando sua eficácia na identificação de bons e maus pagadores, e comparando o desempenho de três algoritmos supervisionados de aprendizado de máquina — Regressão Logística, Árvore de Decisão e Rede Neural Artificial do tipo Multilayer Perceptron (MLP) — aplicados a três bases públicas de risco de crédito: Statlog German Credit Dataset, Default of Credit Card Clients e Give Me Some Credit, totalizando nove combinações modelo-base, contribuindo para o avanço das técnicas de análise de crédito e auxiliando instituições financeiras na tomada de decisão.

2. Material e Métodos

O presente estudo adotou uma natureza de pesquisa aplicada explicativa, conforme a classificação de Gil (2002). O objetivo foi a implementação de algoritmos de aprendizado de máquina para a busca de conhecimentos aplicáveis em contextos reais, visando compreender as características dos clientes que mais contribuem para a inadimplência. A abordagem metodológica foi predominantemente quantitativa, centrada na análise de modelos preditivos de risco de crédito e na mitigação da inadimplência por meio de técnicas estatísticas.

Complementarmente, realizou-se uma análise qualitativa interpretativa para compreender a influência e o peso das variáveis mais relevantes na classificação de inadimplentes, conforme Pinto (2021). Para a análise, utilizaram-se três bases de dados públicas: Statlog German Credit Dataset (Hofmann, 1994), com 1.000 observações; Default of Credit Card Clients (Yeh & Lien, 2009), com 30.000 registros; e Give Me Some Credit (Kaggle, 2011), com 150.000 observações. Todas as bases incluíam uma variável-alvo binária de inadimplência.

Os dados passaram por um processo de pré-processamento estruturado em quatro etapas. Primeiramente, realizou-se a imputação de valores ausentes na base Give Me Some Credit, onde as variáveis MonthlyIncome (19,8% ausente) e NumberOfDependents (2,6% ausente) foram preenchidas pela mediana, método robusto a valores extremos (Chapman, 2005). Em seguida, as variáveis categóricas da base German Credit foram convertidas por codificação binária (One-Hot Encoding).

Posteriormente, todas as variáveis numéricas foram padronizadas pelo método StandardScaler, que estabelece média zero e desvio padrão unitário, eliminando diferenças de escala. Por fim, cada base foi dividida em conjuntos de treino (80%) e teste (20%), com estratificação pela variável-alvo para manter a proporcionalidade entre as classes, conforme recomendado por Kuhn e Johnson (2013). O desequilíbrio entre classes, acentuado na base Give Me Some Credit, foi tratado com o parâmetro `class_weight=’balanced’` nos modelos e pesos por amostra na rede neural.

Implementaram-se três modelos supervisionados de aprendizado de máquina: Regressão Logística, Árvores de Decisão e Redes Neurais Artificiais do tipo Multilayer Perceptron (MLP). A Regressão Logística foi implementada pela classe `LogisticRegression` do Scikit-learn (Pedregosa et al., 2011), com regularização L2 e solver `lbfgs`. As Árvores de Decisão utilizaram o algoritmo CART, implementado pela classe `DecisionTreeClassifier` do Scikit-learn. O MLP foi implementado pela classe `MLPClassifier` do Scikit-learn.

Os modelos foram submetidos a um processo de otimização de hiperparâmetros com validação cruzada de 5 folds, adotando a AUC-ROC como métrica de otimização, por ser mais adequada a dados desbalanceados. Para a Regressão Logística e a Árvore de Decisão, utilizou-se o `GridSearchCV`. Para a rede neural MLP, empregou-se o `RandomizedSearchCV`, visando maior eficiência computacional no maior espaço de configurações.

A interpretabilidade das previsões foi conduzida de forma unificada pelo método SHAP (SHapley Additive exPlanations), aplicado a todos os nove modelos (Lundberg & Lee, 2017). Utilizou-se o `LinearExplainer` para a Regressão Logística, o `TreeExplainer` para a Árvore de Decisão e o `KernelExplainer` para o MLP. As bibliotecas Scikit-learn (Pedregosa et al., 2011), Seaborn (Waskom, 2021) e SHAP (Lundberg & Lee, 2017) foram empregadas para desenvolvimento e análise dos dados.

A comparação entre os modelos foi realizada por meio de cinco métricas consagradas na literatura de aprendizado de máquina (Fawcett, 2006), derivadas da matriz de confusão: verdadeiros positivos (VP), verdadeiros negativos (VN), falsos positivos (FP) e falsos negativos (FN). As métricas incluíram acurácia, precisão, recall, F1-score e AUC-ROC, permitindo uma avaliação abrangente do desempenho preditivo em cenários de desbalanceamento de classes.

3. Resultados e Discussão

A implementação dos três modelos de aprendizado de máquina nas três bases de crédito selecionadas revelou um panorama de desempenho que, em diversos aspectos, desafiou as expectativas iniciais baseadas na literatura. Observou-se que nenhum algoritmo demonstrou superioridade consistente em todos os cenários avaliados, indicando que a escolha do modelo mais adequado é intrinsecamente dependente das características específicas de cada base de dados, incluindo seu volume, a distribuição das classes e a natureza das variáveis, além das prioridades métricas do problema de negócio em questão. Essa variabilidade sublinha a complexidade da predição de risco de crédito e a necessidade de uma abordagem flexível na seleção de modelos.

A análise das métricas de avaliação, antes da otimização de hiperparâmetros, demonstrou que a Regressão Logística alcançou o melhor AUC-ROC na base German Credit, com um valor de 0,803, e um recall de 0,800. Na base Give Me Some Credit, a Árvore de Decisão se destacou com o maior AUC-ROC, atingindo 0,849, e um recall de 0,801. Por sua vez, a Rede Neural Artificial (MLP) obteve o melhor desempenho na base Taiwan Credit Card, com um AUC-ROC de 0,765. Esses resultados iniciais já apontavam para a ausência de um modelo universalmente superior, reforçando a pertinência de uma análise comparativa detalhada.

No que concerne ao recall, uma métrica crucial para a redução de prejuízos ao credor, a Árvore de Decisão apresentou os melhores resultados na base Give Me Some Credit, com 0,801, e na base German Credit, com 0,750. A Regressão Logística também demonstrou um recall competitivo na base German Credit, com 0,800, e na base Give Me Some Credit, com 0,670. A Rede Neural MLP, embora competitiva em termos de AUC-ROC em algumas bases, não liderou em recall em nenhum dos cenários, o que sugere que uma alta capacidade preditiva geral nem sempre se traduz em maior sensibilidade para a identificação da classe minoritária de inadimplentes.

Esses achados divergem parcialmente dos de Marques, Garcia e Sanchez (2012), que identificaram a árvore de decisão como a solução mais eficaz para classificação preditiva em credit scoring. No presente estudo, a Árvore de Decisão se sobressaiu apenas na base de maior volume, Give Me Some Credit, que possui 150.000 observações, sendo superada pelos demais modelos nos outros contextos. Essa observação está em consonância com Selau (2017), que notou a variação do desempenho dos algoritmos em função do tamanho e da natureza da base de dados, um resultado que se alinha com os padrões identificados nesta pesquisa.

Aprofundando a análise por base de dados, na German Credit, que contém 1.000 observações e 30% de inadimplentes, a Regressão Logística obteve o melhor AUC-ROC de 0,803 e o maior recall de 0,800. Em contraste, a Rede Neural MLP registrou o pior desempenho inicial, com um AUC de 0,703. O menor volume de dados nesta base mostrou-se desfavorável para as redes neurais, que tipicamente requerem amostras mais volumosas para convergir a configurações ótimas. A Regressão Logística, por sua natureza linear, mostrou-se menos sensível ao volume de dados e mais capaz de generalizar em bases menores com variáveis de relações mais diretas.

Na base Taiwan Credit Card, com 30.000 observações e 22,1% de inadimplentes, a Rede Neural MLP alcançou o melhor AUC-ROC de 0,765, seguida pela Árvore de Decisão com 0,759 e pela Regressão Logística com 0,708. A riqueza de variáveis de histórico comportamental, como os status de pagamento de PAY_0 a PAY_6, com suas interações não lineares, favoreceu os modelos de maior capacidade expressiva, como o MLP e a Árvore de Decisão. Contudo, a acurácia elevada da Árvore de Decisão, de 0,772, deve ser interpretada com cautela, pois em um cenário com 22% de inadimplentes, acurácias nesse patamar podem refletir um viés da classe majoritária, em vez de uma discriminação real efetiva entre bons e maus pagadores.

A base Give Me Some Credit, com 150.000 observações e apenas 6,7% de inadimplentes, apresentou um desequilíbrio acentuado de classes, o que representou um desafio metodológico significativo. Nesse contexto, a Árvore de Decisão obteve o maior AUC-ROC de 0,849 e o maior recall de 0,801, beneficiando-se do volume de dados e da sua capacidade de capturar relações não lineares, especialmente entre a frequência de atrasos passados e a inadimplência futura. Em cenários de desequilíbrio tão pronunciado, um modelo trivial que classificasse todos os clientes como adimplentes atingiria uma acurácia de 93,3% sem identificar nenhum inadimplente, evidenciando que, nessas condições, o AUC-ROC e o recall são as métricas verdadeiramente informativas e mais robustas para avaliar o desempenho.

No contexto da concessão de crédito, o custo de um falso negativo, que ocorre ao classificar um inadimplente como adimplente, é consideravelmente superior ao de um falso positivo, pois representa uma perda financeira concreta para o credor. Por essa razão, o recall é a métrica mais crítica para a tomada de decisão institucional, pois mensura a proporção de inadimplentes reais que são corretamente identificados pelo modelo. No entanto, a maximização irrestrita do recall pode levar a um comportamento degenerado, onde um modelo que classificasse todos os clientes como inadimplentes obteria um recall perfeito de 1,0, mas sem qualquer utilidade prática para a instituição.

A AUC-ROC, por sua vez, ao avaliar o desempenho do modelo em todos os limiares de decisão possíveis, oferece uma medida equilibrada da capacidade discriminativa real, sendo particularmente adequada para dados desbalanceados, conforme destacado por Fawcett (2006). O F1-score complementa essa análise ao harmonizar a precisão e o recall em um único indicador, sendo especialmente recomendado em cenários de classes desbalanceadas. A utilização conjunta dessas métricas permite uma avaliação mais robusta e completa do que a acurácia isolada, que se mostra inadequada em contextos de forte desequilíbrio entre as classes.

A otimização de hiperparâmetros foi conduzida utilizando o AUC-ROC como métrica principal, por ser independente do limiar de decisão e medir a qualidade discriminativa intrínseca do modelo em todo o espectro de sensibilidade e especificidade. Esse processo em duas etapas permite, primeiramente, selecionar o modelo com maior capacidade de separar as classes e, posteriormente, ajustar o limiar de decisão separadamente para favorecer o recall operacional, conforme a tolerância ao risco da instituição. Essa abordagem garante que o modelo selecionado seja o mais robusto e que sua aplicação em produção possa ser calibrada para atender às necessidades específicas de negócio.

Os resultados da otimização de hiperparâmetros revelaram achados importantes. A Rede Neural MLP obteve o maior ganho absoluto, com um aumento de 9,11 pontos percentuais na base German Credit (de 0,703 para 0,794), o que demonstra a eficácia da otimização na arquitetura e nos parâmetros de regularização e taxa de aprendizado para este modelo. Em contraste, a Árvore de Decisão apresentou uma redução do AUC-ROC em duas bases, German Credit (-0,12 pp) e Taiwan Credit Card (-1,20 pp), indicando que a validação cruzada selecionou hiperparâmetros que se sobreajustaram ao conjunto de treino, não generalizando bem ao conjunto de teste. A Regressão Logística, por sua vez, exibiu variações próximas de zero em todas as bases (+0,35, -0,01 e +0,01 pp), sugerindo que o modelo já operava essencialmente no seu potencial máximo com os parâmetros iniciais.

A importância das variáveis foi analisada de forma unificada por meio do método SHAP (SHapley Additive exPlanations), aplicado a todos os nove modelos, utilizando o explainer mais adequado para cada estrutura. Essa abordagem permitiu comparar diretamente como cada algoritmo ponderou as mesmas variáveis em diferentes contextos. Na base German Credit, os três modelos convergiram em identificar a ausência de conta corrente (`checking_account_A14`) como a variável de maior impacto. Para a Regressão Logística, o histórico crítico de crédito (`credit_history_A34`) e o status de homens solteiros (`personal_status_A93`) surgiram como preditores secundários, indicando que a combinação de perfil demográfico e histórico negativo eleva substancialmente o risco de inadimplência.

Na Árvore de Decisão para a base German Credit, a duração do empréstimo (`duration`) ocupou a segunda posição de destaque, sugerindo que contratos mais longos ampliam o risco de forma não linear. O MLP, por sua vez, corroborou a ausência de conta corrente como fator dominante e destacou o histórico de créditos pagos em dia (`credit_history_A32`) como segundo preditor com efeito protetor, interpretado pelo SHAP como uma redução do risco. Essas diferenças na hierarquia das variáveis secundárias entre os modelos refletem suas distintas capacidades de capturar relações lineares e não lineares nos dados.

Na base Taiwan Credit Card, o status de pagamento (`PAY_0`) foi unanimemente o preditor dominante nos três modelos, mas a segunda variável mais importante diferiu entre eles. Para a Regressão Logística, o valor da fatura do mês mais recente (`BILL_AMT1`) surgiu como segundo preditor relevante, indicando que faturas mais elevadas, combinadas com atraso, ampliam o risco de forma linear. Já para a Árvore de Decisão, os valores pagos dois meses atrás (`PAY_AMT2`) e o limite de crédito (`LIMIT_BAL`) foram os seguintes, sugerindo que pagamentos históricos baixos e limites reduzidos são sinais de risco captados pela estrutura hierárquica do modelo.

O MLP, na base Taiwan Credit Card, atribuiu um peso consideravelmente alto ao limite de crédito (`LIMIT_BAL`), quase equiparável ao status de pagamento (`PAY_0`), seguido pelos valores das faturas (`BILL_AMT2`, `BILL_AMT5`). Esse padrão sugere que a rede neural conseguiu capturar interações não lineares complexas entre o limite de crédito e o comportamento de fatura, algo que os demais modelos não detectaram com a mesma clareza. A capacidade do MLP de identificar essas interações complexas é uma vantagem em bases de dados com características comportamentais ricas.

A base Give Me Some Credit revelou a maior divergência entre os modelos em relação à importância das variáveis. A Regressão Logística identificou atrasos leves e recentes (`NumberOfTime30-59DaysPastDueNotWorse`) como principal preditor, indicando que são um sinal linear de risco futuro, seguido pela idade (`age`), sugerindo que clientes mais jovens tendem à inadimplência, possivelmente devido a um histórico de crédito menor e maior comprometimento de renda. Notavelmente, a utilização do crédito rotativo (`RevolvingUtilizationOfUnsecuredLines`) teve importância próxima de zero neste modelo linear.

Em contraste, a Árvore de Decisão na base Give Me Some Credit apresentou um padrão oposto, onde a utilização do crédito rotativo (`RevolvingUtilizationOfUnsecuredLines`) foi a variável absolutamente dominante, seguida pelos indicadores de atraso. A estrutura hierárquica da árvore capturou que uma utilização elevada do limite é o divisor primário entre bons e maus pagadores, evidenciando sua capacidade de modelar relações não lineares. O MLP, por sua vez, produziu um terceiro padrão distinto, com a idade (`age`) assumindo a liderança, seguida de perto pela frequência de atrasos leves e recentes (`NumberOfTime30-59DaysPastDueNotWorse`), enquanto a utilização do crédito rotativo (`RevolvingUtilizationOfUnsecuredLines`) ficou em último lugar. Esse resultado indica que a rede neural aprendeu interações demográficas e de histórico de atraso como combinatorialmente mais preditivas do que a utilização do limite, destacando a capacidade de diferentes algoritmos construírem representações de risco fundamentalmente distintas a partir dos mesmos dados.

A análise comparativa dos nove SHAP revelou um padrão claro: as variáveis de maior impacto foram consistentes entre os modelos nas três bases, sendo elas a ausência de conta corrente (`checking_account_A14`) na German Credit, o status de pagamento (`PAY_0`) na Taiwan Credit Card e a utilização do crédito rotativo (`RevolvingUtilizationOfUnsecuredLines`) na Give Me Some Credit (para Árvore de Decisão e MLP). A divergência concentrou-se nas posições seguintes, onde a natureza linear da Regressão Logística a levou a privilegiar variáveis demográficas estáveis, enquanto a Árvore de Decisão e o MLP capturaram indicadores comportamentais de frequência de atraso e utilização de crédito com relações não lineares. Essa constatação justifica a utilização conjunta de múltiplos modelos em aplicações reais de credit scoring, especialmente quando a interpretabilidade e a capacidade preditiva precisam ser balanceadas.

Em síntese, os resultados da pesquisa demonstraram que nenhum modelo de aprendizado de máquina apresentou superioridade consistente em todas as bases de dados e métricas avaliadas, reforçando a necessidade de uma abordagem multimodelo para a classificação de risco de crédito. A Regressão Logística mostrou-se eficaz em bases menores e mais lineares, enquanto a Árvore de Decisão e o MLP se destacaram em bases com maior volume e complexidade de interações não lineares, respectivamente. A análise SHAP foi fundamental para interpretar as previsões, revelando que o comportamento financeiro recente, a utilização do crédito rotativo e a disponibilidade de conta corrente foram consistentemente as variáveis mais preditivas, independentemente do algoritmo, e que diferentes modelos podem construir representações de risco distintas a partir dos mesmos dados, o que valida a abordagem multimodelo para uma análise mais completa e confiável.

4. Conclusão

O presente estudo buscou investigar a precisão e a aplicabilidade de diferentes modelos de aprendizado de máquina na classificação de risco de crédito, avaliando sua eficácia na identificação de bons e maus pagadores e aprimorando a interpretabilidade das previsões. Verificou-se que nenhum dos algoritmos — Regressão Logística, Árvore de Decisão e Rede Neural Artificial (MLP) — demonstrou superioridade consistente em todas as bases de dados e métricas avaliadas. A Regressão Logística obteve o melhor desempenho na base German Credit, enquanto a Árvore de Decisão se destacou na base Give Me Some Credit, e o MLP liderou na base Taiwan Credit Card. A otimização de hiperparâmetros revelou ganhos significativos para o MLP, especialmente na base German Credit, confirmando seu potencial em cenários com grande volume de dados e relações não lineares. A análise SHAP foi fundamental para interpretar as previsões, indicando que o comportamento financeiro recente, a utilização do crédito rotativo e a disponibilidade de conta corrente foram consistentemente as variáveis mais preditivas. Essa abordagem multimodelo, aliada à análise de interpretância por SHAP, oferece uma estrutura mais completa e confiável para a classificação de risco de crédito, contribuindo para o avanço das técnicas de análise de crédito e auxiliando instituições financeiras na tomada de decisão.

Contudo, o estudo utilizou bases públicas que podem não refletir a complexidade e a especificidade de carteiras reais de instituições financeiras, o que representa uma limitação. Adicionalmente, o limiar de decisão foi mantido no valor padrão de 0,5 em todos os modelos, sem calibração por política de risco, o que pode subestimar o desempenho operacional real em ambientes de produção. Para estudos futuros, sugere-se explorar a calibração do limiar conforme a tolerância ao risco institucional, a inclusão de técnicas de ensemble para combinar as forças dos diferentes modelos, e a aplicação dos algoritmos a carteiras de crédito brasileiras, visando aprimorar as práticas de análise de risco no contexto nacional.

Referências Bibliográficas

Chapman, A. D. 2005. Principles and Methods of Data Cleaning – Primary Species and Species-occurrence Data, version 1.0. Report for the Global Biodiversity Information Facility, Copenhagen.

Fawcett, T. 2006. An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861– 874.

Gil, A. C. 2002. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas.

Hofmann, H. 1994. Statlog (German Credit Data) [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5NC77.

Joseph, C. 2013. Advanced Credit Risk Analysis and Management. Chichester: John Wiley & Sons. (Wiley Finance Series).

Kaggle, 2011 [Referência completa não encontrada no documento original]

Khandani, Amir E., Kim, Andrew J., Lo, Andrew W. 2010. Consumer credit-risk models via machine-learning algorithms. Journal of Banking & Finance, [S.I.], v. 34, n. 11, p. 2767-2787.

Kuhn, M., & Johnson, K. 2013. Applied predictive modeling. New York, NY: Springer.

Lundberg, S. M., & Lee, S. I. 2017. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765-4774.

Marqués, A. I.; García, V.; Sánchez, J. S. 2012. Exploring the behaviour of base classifiers in credit scoring ensembles. Expert Systems with Applications, v. 39, n. 11, p. 10244–10250, set. 2012. ISSN 0957-4174.

Pedregosa, F., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.

Pinto, A. C. 2021. O poder preditivo dos modelos com aprendizado de máquina é superior aos modelos tradicionais para análise do risco de crédito? Revista Debates em Economia Aplicada – REDEA, v. 1, n. 1.

Reinhart, Carmen M.; Rogoff, Kenneth S. 2009. This time is different: eight centuries of financial folly. Princeton University Press.

Sanches, Vander Lúcio. et al. 2018. Análise de crédito: instituições financeiras minimizam os riscos de inadimplência por meio da análise de crédito. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 03, Ed. 09, Vol. 09, pp. 127-151.

Selau, Lisiane Priscila Roldão. 2017. Construção de modelos de previsão de risco de crédito.. Dissertação (Mestrado em Modelagem Matemática) – Universidade Federal de Santa Maria, Santa Maria.

Vicente, E. 2003. Modelo para a avaliação do risco de crédito de municípios brasileiros. Tese (Doutorado em Administração) – Universidade de São Paulo.

Waskom, M. (2021). Seaborn: Statistical data visualization. Journal of Open Source Software, 6(60), 3021.

Yeh, I. C.; Lien, C. H. 2009. The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients. Expert Systems with Applications, v. 36, n. 2, p. 2473-2480. https://doi.org/10.1016/j.eswa.2007.12.020.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

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