03 de agosto de 2026
Impacto preditivo e financeiro de variáveis temporais em modelos de risco de crédito
Gabriel Serrat da Cunha Bento; Anaximandro Anderson Pereira Melo De Souza
DOI: 10.22167/2675-6528-202600834
Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Resumo
O risco de crédito representa um desafio financeiro significativo, impactando a rentabilidade e a sustentabilidade bancária. O presente estudo desenvolveu e analisou comparativamente modelos preditivos de risco de crédito, investigando o ganho de performance ao integrar variáveis comportamentais dinâmicas a dados estáticos. A metodologia utilizou a base de dados “Home Credit Default Risk” e implementou os algoritmos Regressão Logística, XGBoost, LightGBM e CatBoost. Aplicaram-se técnicas de engenharia de atributos para criar variáveis de “lag” e agregações temporais, além do método SHAP para mensurar a explicabilidade das predições. Os resultados demonstraram a superioridade técnica dos modelos de “boosting” em relação à abordagem linear, com destaque para o CatBoost Temporal, que atingiu KS de 41% e AUROC de 77%. A inclusão de componentes históricos permitiu identificar padrões de inadimplência recentes e a estabilidade do hábito de pagamento, elevando a eficiência econômica da operação. A integração de séries históricas no motor de crédito redefiniu o limite de lucratividade, consolidando as abordagens temporais como ferramentas estratégicas para a tomada de decisão institucional.
Palavras-chave: Aprendizado de máquina; CatBoost; Engenharia de atributos; Explicabilidade; Variáveis temporais.
1. Introdução
O risco de crédito representa um dos maiores desafios enfrentados pelo setor financeiro global, impactando diretamente a rentabilidade, a liquidez e a sustentabilidade das instituições bancárias e fintechs. A avaliação precisa desse risco é fundamental não apenas para a saúde financeira das entidades credoras, mas também para a estabilidade do sistema financeiro como um todo, influenciando a tomada de decisões estratégicas e a alocação de capital de forma eficiente (Banco Central do Brasil, 2017; Jordà et al., 2016; Thakor, 2020). A capacidade de prever a inadimplência de tomadores de crédito é, portanto, uma prioridade estratégica para mitigar perdas e otimizar operações.
Historicamente, a gestão do risco de crédito tem se apoiado em modelos estatísticos tradicionais, como a regressão logística e a análise discriminante. Esses métodos foram amplamente adotados devido à sua simplicidade conceitual, facilidade de implementação e, notavelmente, alta interpretabilidade, uma característica valorizada no setor bancário para justificar decisões de crédito (Hand e Henley, 1997). Tais abordagens baseiam-se predominantemente em dados estáticos e características cadastrais dos clientes.
No entanto, a crescente digitalização e a proliferação de fontes de dados resultaram em um volume e uma variedade de informações sem precedentes, especialmente no que tange a dados comportamentais e transacionais dos clientes. Esse cenário expôs as limitações intrínsecas dos modelos estatísticos estáticos, que se mostram ineficazes na captura de relações não lineares e, crucialmente, de dependências temporais presentes no comportamento de crédito. A incapacidade de lidar com a dinâmica temporal pode comprometer significativamente a eficácia das previsões de risco (Bellotti e Crook, 2009).
O comportamento dos clientes em relação a pagamentos e à utilização de crédito não é estático; ele evolui ao longo do tempo, apresentando uma natureza dinâmica e sequencial. Para abordar essa complexidade, a literatura recente tem explorado o desenvolvimento de metodologias que incorporam o fator tempo, como as técnicas de aprendizado de máquina e modelos dinâmicos. Algoritmos como XGBoost, LightGBM e CatBoost, bem como redes neurais recorrentes, demonstram capacidade superior para capturar padrões evolutivos de comportamento, oferecendo ganhos significativos de performance em relação às abordagens tradicionais (Ala’raj et al., 2021; Gunnarsson et al., 2021; Sousa et al., 2014). A inclusão de informações temporais é, assim, um tema central para viabilizar alocações de crédito mais justas e sustentáveis.
Diante desse contexto, a presente pesquisa justifica-se pela necessidade de aprimorar a capacidade preditiva dos modelos de risco de crédito, integrando a riqueza das informações comportamentais dinâmicas. O objetivo deste trabalho foi desenvolver e analisar comparativamente modelos preditivos de risco de crédito, investigando o ganho de performance obtido ao adicionar atributos dinâmicos, derivados do histórico comportamental dos clientes, aos dados estáticos, e empregando a técnica SHAP para conferir explicabilidade às predições e mensurar a relevância das componentes temporais na mitigação do risco.
2. Material e Métodos
A presente pesquisa caracterizou-se como um estudo quantitativo, com abordagem metodológica comparativa e preditiva. O objetivo foi desenvolver e analisar modelos de risco de crédito, investigando o impacto da inclusão de atributos dinâmicos e a explicabilidade das predições. Para tanto, empregou-se a implementação de algoritmos de aprendizado de máquina supervisionado.
A base de dados utilizada foi a “Home Credit Default Risk”, disponibilizada na competição Kaggle (2018). Esse conjunto é composto por múltiplas tabelas relacionais, representativas de diferentes aspectos do comportamento dos clientes, incluindo informações cadastrais, histórico de crédito e comportamento de pagamento.
Dentre as tabelas, a “application_train” serviu como base principal, contendo variáveis explicativas e a variável alvo (“TARGET”), indicativa da inadimplência. A tabela “installments_payments” foi empregada para a construção de variáveis temporais, detalhando o histórico de pagamentos de parcelas.
A engenharia de atributos temporais buscou capturar a dinâmica comportamental, decompondo dados brutos de transações em métricas agregadas, utilizando funções estatísticas e janelas temporais específicas. As variáveis criadas incluíram métricas de tendência central e dispersão, de extremos e recência, janelas de curto prazo (6 meses) e variáveis de sequência e tendência.
A preparação dos dados envolveu a utilização de 121 variáveis para o modelo baseline e 137 com componentes temporais. Variáveis categóricas foram convertidas por Ordinal Encoding. O tratamento de dados ausentes foi realizado por imputação por média para a Regressão Logística e por valor constante (-999) para os modelos baseados em árvore (XGBoost, LightGBM e CatBoost).
A partição dos dados foi efetuada utilizando o método de “holdout” (80/20), com aplicação de amostragem estratificada, garantindo a preservação da proporção da variável alvo. Para a modelagem, foram utilizados algoritmos de Machine Learning para comparar modelos e avaliar o impacto das informações temporais, construindo dois conjuntos de experimentos: não-temporais (variáveis cadastrais) e temporais (com variáveis dinâmicas).
Os algoritmos selecionados foram Regressão Logística, XGBoost, LightGBM e CatBoost, totalizando oito modelos. A Regressão Logística serviu como modelo de referência (baseline clássico) (Hosmer et al., 2013). Os demais algoritmos, do tipo boosting, foram escolhidos por sua capacidade de capturar relações não lineares e por possuírem mecanismos internos de regularização e tratamento de desbalanceamento de classes (Chen e Guestrin, 2016; He e Ma, 2013).
Os hiperparâmetros dos modelos foram padronizados para garantir comparabilidade e rigor metodológico. A avaliação fundamentou-se em duas dimensões: mensuração da capacidade estatística de discriminação entre classes e análise de impacto financeiro sobre os modelos otimizados.
Para a análise estatística, os modelos foram submetidos à classificação em matriz de confusão (TP, TN, FP, FN) e avaliados por métricas como KS, AUROC, PR-AUC, F1-Score e Recall. Após a validação estatística, os modelos foram submetidos a uma simulação de impacto financeiro. A base de teste foi segmentada em decis de risco, e a análise baseou-se nos indicadores de Prejuízo Evitado, Perda Oportunidade Acumulada, Resultado Líquido e % Recuperação.
Como etapa final, aplicou-se a técnica SHAP (SHapley Additive exPlanations) para conferir transparência e interpretabilidade às predições dos modelos (Lundberg e Lee, 2017). Essa abordagem permitiu decompor a predição de cada instância como a soma das contribuições individuais das variáveis explicativas.
3. Resultados e Discussão
A avaliação inicial dos modelos preditivos de risco de crédito revelou uma distinção clara no desempenho entre as abordagens lineares e os algoritmos baseados em árvores. Os resultados demonstraram a superioridade técnica dos modelos de boosting na capacidade de discriminar entre bons e maus pagadores, indicando que a inadimplência, neste conjunto de dados, manifesta-se por meio de padrões complexos e não lineares. A Regressão Logística, um modelo linear, apresentou um valor de Kolmogorov-Smirnov (KS) de apenas vinte por cento, enquanto os algoritmos XGBoost, LightGBM e CatBoost alcançaram patamares significativamente mais elevados, situando-se entre trinta e oito e trinta e nove por cento. Essa diferença ressalta a limitação dos modelos logísticos em capturar a complexidade inerente aos dados de crédito (Chen e Guestrin, 2016).
Embora as métricas de área sob a curva (AUROC e PR-AUC) para os modelos de boosting tenham se mostrado estatisticamente semelhantes, com valores de setenta e seis por cento e vinte e cinco por cento, respectivamente, a análise da volumetria absoluta de classificações revelou perfis operacionais distintos. O CatBoost exibiu um comportamento mais agressivo, priorizando a sensibilidade ao atingir o maior índice de Recall, que foi de sessenta e seis por cento. Isso permitiu a identificação de 3.200 casos positivos de inadimplência, embora resultasse em um volume mais elevado de falsos positivos, totalizando 15.000. Em contraste, o XGBoost adotou uma postura mais conservadora, apresentando um número menor de falsos positivos, 12.000, mas sacrificando a captura de inadimplentes reais. O LightGBM, por sua vez, posicionou-se como um equilíbrio operacional entre essas duas abordagens. Dada a capacidade de estabelecer o maior teto de identificação de risco, o CatBoost foi selecionado como o principal modelo de referência para a comparação com as abordagens temporais.
A incorporação das variáveis temporais ao conjunto de dados elevou o patamar discriminatório dos modelos preditivos, evidenciando o ganho de performance ao adicionar atributos dinâmicos derivados do histórico comportamental dos clientes. O CatBoost consolidou sua posição como o modelo superior, alcançando o maior valor de KS, quarenta e um por cento, e a maior AUROC, setenta e sete por cento. Esse aprimoramento indica que a maior dimensionalidade dos dados, resultante da inclusão de informações temporais, foi convertida em um ganho direto de sensibilidade, elevando a capacidade de captura para 3.300 inadimplentes. Tal resultado sublinha a importância de considerar a evolução do comportamento do cliente ao longo do tempo, conforme apontado por Sousa et al. (2014), para mitigar o risco de crédito.
Um fenômeno notável foi observado no LightGBM, cujo Recall, sob um limiar de 0,5, recuou para quatro por cento após a inclusão das variáveis temporais. Contudo, essa aparente queda no desempenho é atenuada pela análise da Curva Precision-Recall, que demonstrou uma PR-AUC de vinte e seis por cento, equivalente à do CatBoost. Essa disparidade entre o baixo Recall e a robustez da PR-AUC sugere que o LightGBM manteve seu poder de ordenação, mas exige uma recalibração do ponto de corte devido ao deslocamento das probabilidades após a inclusão do componente temporal. Isso reforça a necessidade de uma avaliação cuidadosa das métricas de desempenho em contextos de classes desbalanceadas, onde a PR-AUC pode oferecer uma visão mais precisa da performance do modelo na detecção da classe minoritária (inadimplentes), como discutido por He e Ma (2013).
A análise do impacto financeiro, que assumiu uma taxa teórica de ganho de quinze por cento por concessão de crédito, demonstrou que a transição de uma modelagem estritamente cadastral para uma abordagem temporal gerou um ganho significativo de eficiência econômica. No cenário baseline, o ponto de saturação da lucratividade ocorreu no quinto decil, onde o resultado líquido ainda era positivo em R$ 0,67 milhão. Isso significa que, ao recusar os cinquenta por cento dos clientes com maior probabilidade de inadimplência, o modelo ainda gerava um pequeno lucro, mas a margem de segurança era limitada, indicando a fragilidade da operação sem a incorporação de dados dinâmicos.
Em contraste, o modelo CatBoost Temporal não apenas ampliou o lucro nos decis iniciais, mas também sustentou a viabilidade financeira da operação até o quinto decil com um saldo positivo de R$ 7,04 milhões. Esse diferencial financeiro confere à instituição credora uma margem de manobra estratégica consideravelmente mais ampla. A capacidade de recusar crédito de forma mais agressiva, sem comprometer o valor gerado pelos clientes adimplentes, otimiza o fluxo de caixa operacional e maximiza o retorno financeiro. Essa robustez do CatBoost Temporal valida a implementação de modelos que integram o comportamento histórico para uma gestão de risco mais eficaz e lucrativa.
A capacidade de recuperação de ativos também foi avaliada, e o LightGBM demonstrou a maior eficiência de curto prazo, isolando trinta e dois vírgula cinquenta e oito por cento do prejuízo total logo no primeiro decil, o que corresponde a R$ 904,16 milhões em perdas evitadas. Contudo, o CatBoost exibiu maior resiliência à medida que a base de clientes avançava para perfis de risco moderado, mantendo a rentabilidade da carteira de forma mais consistente. Essa comparação ratifica que a inclusão de variáveis temporais não apenas aprimora o ranqueamento estatístico, mas também eleva o limite de lucratividade da operação de crédito, consolidando o CatBoost Temporal como a solução que oferece o melhor equilíbrio entre o prejuízo evitado e a preservação da receita.
Enquanto o XGBoost e o LightGBM, com a inclusão de variáveis temporais, cruzaram a linha do prejuízo líquido já no quinto decil, apresentando perdas acumuladas de -R$ 10,52 milhões e -R$ 5,55 milhões, respectivamente, o CatBoost preservou a rentabilidade da carteira. Essa “seletividade” do CatBoost é evidenciada pela menor perda de oportunidade acumulada para atingir um nível de recuperação de prejuízo de oitenta e um por cento. O modelo temporal, ao impactar menos clientes bons, otimiza o fluxo de caixa operacional e confere à instituição uma vantagem competitiva fundamentada na estabilidade e previsibilidade do comportamento financeiro, conforme a literatura sobre a importância de abordagens dinâmicas (Ala’raj et al., 2021; Gunnarsson et al., 2021).
A análise de explicabilidade, realizada por meio da técnica SHAP (SHapley Additive exPlanations), revelou que a dinâmica do comportamento de pagamento se sobrepõe aos dados estáticos na determinação do risco de crédito. O ranqueamento das variáveis temporais demonstrou que as métricas de atraso médio, como `INS_DPD_MEAN`, e os indicadores de pontualidade, como `INS_DAYS_PAY_DIFF_MEAN`, figuram no topo da lista de importância. A variável `INS_DPD_MEAN` é crucial para identificar o “atrasador crônico”, enquanto `INS_DAYS_PAY_DIFF_MEAN` introduz o conceito de comportamento de liquidez, onde o modelo atribui valor significativo a pagamentos antecipados como um fator de mitigação de risco. Essa abordagem permite uma interpretação mais robusta e transparente dos modelos, conforme proposto por Lundberg e Lee (2017).
Além da visão histórica de longo prazo, a relevância das variáveis que capturam o comportamento dos últimos seis meses, como `INS_6M_PAYMENT_RATIO_MEAN` e `INS_6M_DPD_MEAN`, destaca-se. Essas janelas temporais de curto prazo conferem ao modelo a capacidade de identificar a deterioração recente do perfil de crédito, permitindo diferenciar entre um cliente com histórico sólido que enfrenta uma instabilidade conjuntural e outro em desequilíbrio financeiro progressivo. Observou-se um padrão estrutural no ranqueamento, onde as métricas de tendência central (MEAN) dominam o topo da tabela, indicando que o comportamento médio habitual do cliente é o preditor primário. Em contrapartida, as métricas de dispersão e extremos, como o desvio padrão (STD) e o valor máximo (MAX), aparecem em posições inferiores, atuando como refinamentos que penalizam a inconsistência e a gravidade de eventos isolados.
A presença de variáveis de razão de pagamento (`PAYMENT_RATIO`) e valores defasados (`LAG`) nas posições de destaque indica que o algoritmo monitora atentamente a capacidade do cliente em honrar o valor integral das faturas. Uma queda nessa proporção serve como um sinal de alerta precoce de superendividamento, permitindo intervenções proativas. Em suma, o fortalecimento das médias no início do ranqueamento demonstrou que a estabilidade do hábito de pagamento é o fator de maior relevância estatística, transformando o tempo em um indicador de confiança. Essa abordagem dinâmica, que considera a evolução do comportamento do cliente, é fundamental para aprimorar a precisão das previsões de risco de crédito e sustentar decisões financeiras mais informadas.
Em síntese, os resultados desta pesquisa confirmam a superioridade dos modelos de boosting, especialmente o CatBoost Temporal, na predição do risco de crédito, em comparação com a regressão logística. A integração de variáveis comportamentais dinâmicas, derivadas do histórico de pagamentos, demonstrou um ganho significativo de performance preditiva e eficiência econômica, elevando o limite de lucratividade da operação de crédito. A análise de explicabilidade via SHAP ressaltou a predominância das métricas temporais, como atraso médio e pontualidade, na determinação do risco, e a importância das janelas de curto prazo para identificar deteriorações recentes. Esses achados validam a utilidade das abordagens temporais como ferramentas estratégicas para a tomada de decisão institucional, permitindo uma gestão de risco mais precisa e rentável.
4. Conclusão
O presente estudo desenvolveu e analisou comparativamente modelos preditivos de risco de crédito, investigando o ganho de performance obtido ao integrar atributos dinâmicos, derivados do histórico comportamental dos clientes, a dados estáticos, e empregando a técnica SHAP para conferir explicabilidade às predições. Verificou-se a superioridade técnica dos modelos de boosting em relação às abordagens lineares, com o CatBoost Temporal destacando-se ao atingir um KS de 41% e AUROC de 77%. Observou-se que a inclusão de componentes históricos permitiu identificar padrões de inadimplência recentes e a estabilidade do hábito de pagamento, elevando a eficiência econômica da operação. A análise de explicabilidade, realizada por meio da técnica SHAP, demonstrou que a dinâmica do comportamento de pagamento se sobrepõe aos dados estáticos na determinação do risco de crédito, com métricas de atraso médio e indicadores de pontualidade figurando no topo da lista de importância. Adicionalmente, as janelas temporais de curto prazo revelaram-se cruciais para identificar a deterioração recente do perfil de crédito.
A integração de séries históricas no motor de crédito redefiniu o limite de lucratividade, consolidando as abordagens temporais como ferramentas estratégicas para a tomada de decisão institucional. A transição de uma modelagem estritamente cadastral para uma abordagem temporal gerou um ganho significativo de eficiência econômica, com o modelo CatBoost Temporal sustentando a viabilidade financeira da operação até o quinto decil com um saldo positivo de R$ 7,04 milhões. Essa capacidade de ordenação de risco superior possibilita a aplicação de políticas de concessão mais precisas, que maximizam a recuperação de ativos sem comprometer o relacionamento com clientes adimplentes. A seletividade demonstrada pelo algoritmo otimiza o fluxo de caixa operacional e confere à instituição uma vantagem competitiva fundamentada na estabilidade e previsibilidade do comportamento financeiro.
Referências Bibliográficas
Ala’raj, M.; Abbod, M. F.; Majdalawieh, M. 2021. Modelling customers credit card behaviour using bidirectional LSTM neural networks. Journal of Big Data, v. 8, n. 1, p. 69.
Bellotti, T.; Crook, J. 2009. Support vector machines for credit scoring and discovery of significant features. Expert Systems with Applications, v. 36, n. 2, p. 3302-3308.
Brasil. Banco Central do Brasil. Resolução CMN n° 4.557, de 23 de fevereiro de 2017. Dispõe sobre a estrutura de gerenciamento de riscos. Brasília, DF: BCB, 2017.
Chen, T.; Guestrin, C. 2016. Xgboost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, p. 785-794.
Gunnarsson, B. R.; Vanden Broucke, S.; Baesens, B.; Óskarsson, G. V.; Lemmey, T. 2021. Deep learning for credit scoring: Do or don’t? European Journal of Operational Research, v. 291, n. 1, p. 292-305.
Hand, D. J.; Henley, W. E. 1997. Statistical classification methods in consumer credit scoring: A review. Journal of the Royal Statistical Society: Series A, v. 160, n. 3, p. 523-541.
He, H.; Ma, Y. 2013. Ensemble methods for imbalanced learning. p. 75–91. In: HE, H.; MA, Y. Imbalanced learning: foundations, algorithms, and applications. 1. ed. Wiley, Hoboken, NJ, USA.
Home Credit. 2018. Home Credit Default Risk: leverage telco and transactional data to predict the clients’ repayment abilities. Disponível em: https://www.kaggle.com/competitions/home-credit-default-risk. Acesso em: 3 dez. 2025.
Hosmer, D. W.; Lemeshow, S.; Sturdivant, R. X. 2013. Interpretation of the fitted logistic regression model. p. 47–87. In: HOSMER, D. W.; LEMESHOW, S.; STURDIVANT, R. X. Applied logistic regression. 3. ed. Wiley, New York, NY, USA.
Jordà, Ò.; Schularick, M.; Taylor, A. M. 2016. The great mortgaging: housing finance, crises and business cycles. Economic Policy, v. 31, n. 85, p. 107-152.
Lundberg, S.; Lee, S.I. 2017. A unified approach to interpreting model predictions. arXiv e-prints arXiv:1705.07874. Disponível em: https://arxiv.org/abs/1705.07874. Acesso em: 20 fev. 2026.
Sousa, M. R.; Gama, J.; Gonçalves, M. J. S. 2014. A two-stage model for dealing with temporal degradation of credit scoring. arXiv preprint arXiv:1406.7775. Disponível em: https://arxiv.org/abs/1406.7775. Acesso em: 10 fev. 2026.
Thakor, A. V. 2020. Fintech and banking: What do we know? Journal of Financial Intermediation, v. 45, 100833.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

