Modelagem da Probabilidade de Default em Risco de Crédito: Comparação entre Regressão Logística e Xgboost

Berenice Antunes de Oliveira Barbosa; Beatriz Rezzieri Marchezini

DOI: 10.22167/2675-6528-202602713

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

Modelou-se a probabilidade de default em risco de crédito, comparando o desempenho de um modelo estatístico tradicional e uma técnica de machine learning na estimativa da Probabilidade de Default (PD), parâmetro crucial no gerenciamento de risco de crédito e cálculo da Perda Esperada. O estudo objetivou comparar a regressão logística, um método estatístico consolidado, e o XGBoost (Extreme Gradient Boosting), um algoritmo de aprendizado de máquina reconhecido pela capacidade preditiva e por capturar relações não lineares. Para a análise, utilizou-se a base de dados pública “Give Me Some Credit”, da plataforma Kaggle, que continha informações financeiras e demográficas de clientes, incluindo idade, renda, endividamento e histórico de atrasos em pagamentos. Os modelos foram estimados e avaliados com base em métricas de desempenho preditivo, como Área sob a Curva ROC (AUC), coeficiente de Gini e estatística de Kolmogorov-Smirnov (KS). Os resultados indicaram que o modelo XGBoost apresentou desempenho superior à regressão logística, evidenciando maior capacidade discriminatória na ordenação dos clientes quanto ao risco de inadimplência. Concluiu-se que, embora modelos de machine learning possam proporcionar ganhos preditivos relevantes, a escolha do modelo mais adequado deve considerar não apenas as métricas de desempenho, mas também aspectos como interpretabilidade, transparência e aplicabilidade prática, contribuindo para uma mensuração mais precisa do risco de crédito.

Palavras-chave: Aprendizado de Máquina; Gestão de Risco; Inadimplência; Métricas de Desempenho; Modelos de Classificação.

1. Introdução

A área de risco de crédito desempenha um papel essencial nas instituições financeiras, estando diretamente ligada à saúde financeira e à sustentabilidade das operações de crédito. O risco de crédito é considerado o principal tipo de risco enfrentado por bancos, influenciando diretamente sua rentabilidade e solvência (Van Gestel e Baesens, 2009). Um modelo de risco bem estruturado auxilia na mensuração e no monitoramento da inadimplência, contribuindo para a redução de perdas, a alocação eficiente de capital e a tomada de decisões mais seguras ao longo do ciclo de crédito. Pequenas melhorias na previsão de inadimplência podem gerar ganhos significativos de eficiência e rentabilidade, o que justifica o crescente interesse em aprimorar as técnicas de modelagem utilizadas.

No contexto da gestão do risco de crédito, a Probabilidade de Default (PD) destaca-se como um dos principais parâmetros utilizados na mensuração da Perda Esperada. A PD expressa a probabilidade de um cliente se tornar inadimplente em um determinado horizonte de tempo e constitui um insumo fundamental para as instituições financeiras na definição de provisões e na alocação de capital. Dessa forma, a estimação precisa da PD assume um papel central nas práticas modernas de gestão do risco, sendo amplamente utilizada tanto em modelos regulatórios quanto em modelos internos.

Nos últimos anos, observa-se uma transição importante dos modelos estatísticos tradicionais para abordagens baseadas em aprendizado de máquina. O aprendizado de máquina, ou machine learning, pode ser entendido como um conjunto de técnicas que permitem aos computadores aprender padrões e fazer previsões a partir de dados, sem depender de regras fixas pré-programadas (Mitchell, 1997). Essas técnicas se destacam por sua capacidade de lidar com grandes volumes de dados e identificar relações complexas que frequentemente passam despercebidas nos modelos convencionais.

Diversos estudos reforçam o potencial dessas abordagens no risco de crédito. Lessmann et al. (2015) e Moro, Cortez e Rita (2019) mostram que os algoritmos de aprendizado de máquina conseguem capturar padrões mais sutis de comportamento de crédito, o que tende a aumentar a assertividade das previsões. Além disso, Zhang, Xie e Chen (2022) destacam que modelos como o XGBoost costumam apresentar desempenho superior na diferenciação entre bons e maus pagadores, evidenciando o avanço que essas técnicas representam para o setor financeiro.

Diante desse cenário de evolução tecnológica e busca por maior precisão na mensuração do risco, este trabalho tem como foco a estimativa da probabilidade de inadimplência, um dos principais parâmetros utilizados na avaliação de risco de crédito e insumo fundamental para o cálculo da Perda Esperada. Para conduzir a análise, são considerados dois modelos representativos: a regressão logística, um método estatístico tradicional amplamente utilizado em risco de crédito por estimar a probabilidade de inadimplência a partir da relação linear entre variáveis explicativas (Thomas, 2009; Hand e Henley, 1997), e o XGBoost (Extreme Gradient Boosting), uma técnica moderna de aprendizado de máquina que combina múltiplas árvores de decisão para capturar interações não lineares e padrões complexos, reconhecida por seu alto desempenho em tarefas de classificação e previsão de inadimplência (Li, Zhou e Zhu, 2021; Zhang, Xie e Chen, 2022).

A base de dados utilizada para a análise corresponde ao conjunto público Give Me Some Credit, disponibilizado na plataforma Kaggle, que contém informações financeiras e demográficas de clientes, como idade, renda, nível de endividamento e histórico de atrasos em pagamentos. A partir desses dados, os modelos são estimados e avaliados com base em métricas de desempenho preditivo, permitindo a comparação entre as abordagens e a verificação de possíveis ganhos de desempenho com o uso de técnicas de aprendizado de máquina em relação ao modelo tradicional, contribuindo para uma mensuração mais precisa do risco de crédito. Este trabalho tem como objetivo comparar o desempenho de um modelo estatístico tradicional e uma técnica de machine learning na estimativa da Probabilidade de Default (PD), um dos principais parâmetros utilizados no gerenciamento do risco de crédito e no cálculo da Perda Esperada.

2. Material e Métodos

A presente pesquisa caracterizou-se como aplicada, com abordagem predominantemente quantitativa e caráter descritivo-comparativo. O estudo foi delineado para avaliar, por meio de métodos estatísticos e algoritmos de aprendizado de máquina, o desempenho de diferentes modelos na estimação da probabilidade de inadimplência no contexto de risco de crédito, alinhando-se ao objetivo de comparar um modelo estatístico tradicional e uma técnica de machine learning na estimativa da Probabilidade de Default (PD).

Os dados utilizados neste trabalho foram obtidos do conjunto público “Give Me Some Credit”, disponibilizado na plataforma Kaggle (Kaggle, 2011). A base de dados reuniu informações financeiras e demográficas de clientes, totalizando 150.000 observações. Este conjunto de dados incluiu variáveis como idade, renda mensal, nível de endividamento, número de dependentes e histórico de atrasos em pagamentos.

A variável dependente, denominada “Default”, indicava a ocorrência de inadimplência grave nos últimos 24 meses. As demais variáveis, como “Utilização crédito”, “Idade”, “Renda mensal”, “Linhas de crédito”, “Atraso 90+ dias”, “Financiamentos imóveis”, “Atraso 30-59 dias”, “Atraso 60-89 dias” e “Dependentes”, foram empregadas como preditoras nos modelos de regressão logística e machine learning.

O conjunto de dados foi utilizado exclusivamente para fins acadêmicos, sem identificação de indivíduos ou instituições financeiras. Esta abordagem garantiu a conformidade com os princípios éticos e de privacidade recomendados pela USP/ESALQ, assegurando que a pesquisa respeitasse a confidencialidade e o anonimato dos dados dos clientes.

Inicialmente, realizou-se uma análise exploratória dos dados, que abrangeu estatísticas descritivas e a verificação da presença de valores ausentes ou inconsistentes. Em seguida, os dados passaram por etapas de pré-processamento, que incluíram o tratamento de valores ausentes e outliers, bem como a preparação das variáveis para a aplicação dos modelos.

No tratamento de valores ausentes, observou-se que apenas as variáveis “renda mensal” e “dependentes” apresentavam lacunas. Para “renda mensal”, os valores ausentes foram substituídos pela mediana, enquanto para “dependentes”, foram preenchidos com zero. Adicionalmente, avaliou-se a presença de valores extremos, e a variável “renda mensal” apresentou outliers significativos.

Para a modelagem com regressão logística, aplicou-se uma transformação logarítmica na variável “renda mensal” com o intuito de reduzir o impacto dos outliers. Contudo, para o modelo XGBoost, os valores originais da variável foram mantidos, considerando a robustez intrínseca do algoritmo a valores extremos.

A base de dados foi organizada e segmentada em conjuntos de treino e teste. Os dados de treino foram utilizados para a estimação dos parâmetros dos modelos, e os dados de teste, para a avaliação do desempenho. Essa divisão permitiu analisar a capacidade de generalização dos modelos em dados não utilizados durante o ajuste, garantindo a comparabilidade entre as abordagens.

Na etapa de modelagem, estimaram-se dois modelos para a probabilidade de inadimplência. O primeiro foi a Regressão Logística, um modelo estatístico tradicional que estima a probabilidade de ocorrência de inadimplência a partir de uma combinação linear das variáveis explicativas, relacionada à probabilidade do evento por meio da função logística (Thomas, 2009; Hand e Henley, 1997).

O segundo modelo empregado foi o XGBoost (Extreme Gradient Boosting), um algoritmo de aprendizado de máquina baseado em gradient boosting. Este algoritmo combina sequencialmente múltiplas árvores de decisão, capturando relações não lineares e interações complexas entre as variáveis explicativas (Chen e Guestrin, 2016; Li, Zhou e Zhu, 2021; Zhang, Xie e Chen, 2022).

Para a comparação do desempenho dos modelos, utilizaram-se como principais métricas a Área sob a Curva ROC (AUC), o coeficiente de Gini e a estatística de Kolmogorov-Smirnov (KS). A escolha dessas métricas visou avaliar a capacidade discriminatória dos modelos na ordenação dos clientes segundo o risco de inadimplência, sendo relevantes em aplicações de modelagem de risco de crédito.

As análises foram desenvolvidas em linguagem Python, utilizando o ambiente Google Colab. Para a manipulação dos dados, modelagem e visualização dos resultados, empregaram-se as bibliotecas pandas, scikit-learn, xgboost e matplotlib. As técnicas de modelagem e análise aplicadas foram estudadas ao longo do curso de MBA em Data Science e Analytics da ESALQ/USP.

3. Resultados e Discussão

A análise dos dados iniciou-se com uma etapa exploratória, cujo objetivo foi compreender o comportamento das variáveis empregadas na modelagem da Probabilidade de Default (PD). Durante esta fase, foram examinadas as distribuições das variáveis, a ocorrência de valores extremos e o grau de desbalanceamento da variável resposta. Esses insights foram cruciais para orientar as etapas subsequentes de tratamento dos dados e a construção dos modelos preditivos, garantindo que as características intrínsecas do conjunto de dados fossem adequadamente consideradas no processo de modelagem.

A distribuição da variável resposta, que indica a ocorrência de inadimplência grave nos últimos 24 meses, revelou um acentuado desbalanceamento na base de dados. Aproximadamente 6,7% dos registros foram classificados como inadimplentes, enquanto a vasta maioria, cerca de 93,3%, correspondia a clientes não inadimplentes. Este padrão é comum em aplicações reais de risco de crédito e sublinha a importância de selecionar métricas de avaliação de desempenho que sejam robustas a essa característica, evitando vieses na interpretação dos resultados dos modelos.

As estatísticas descritivas das variáveis utilizadas na modelagem da probabilidade de default foram calculadas para uma base de 150.000 observações, confirmando a taxa média de inadimplência de aproximadamente 7%. Notou-se que a variável renda mensal exibia uma elevada dispersão e a presença de valores extremos, indicando uma forte assimetria em sua distribuição. Similarmente, as variáveis relacionadas a atrasos em pagamentos, como atraso_30_59, atraso_60_89 e atraso_90, apresentavam mediana igual a zero, sugerindo uma concentração de clientes sem histórico recente de inadimplência. Essas assimetrias e concentrações nas variáveis explicativas foram consideradas relevantes para as etapas de pré-processamento e modelagem.

A matriz de correlação entre as variáveis do conjunto de dados permitiu avaliar a intensidade e a direção das associações lineares. Observou-se uma correlação positiva elevada entre as variáveis que indicam atraso no pagamento (atraso_30_59, atraso_60_89 e atraso_90). Este achado é esperado, pois todas essas variáveis estão intrinsecamente ligadas ao processo de deterioração do comportamento de pagamento, diferenciando-se apenas pelas faixas de dias de atraso. As demais variáveis do conjunto apresentaram, em geral, correlações de baixa magnitude entre si, indicando menor interdependência linear.

A presença de uma correlação elevada entre as variáveis explicativas, especialmente as relacionadas a atrasos, levantou a possibilidade de multicolinearidade. Embora a multicolinearidade possa afetar a estabilidade e a interpretabilidade dos coeficientes estimados na regressão logística, optou-se por manter essas variáveis na modelagem. A decisão foi fundamentada na relevância teórica dessas características para a explicação do risco de inadimplência e na necessidade de comparabilidade preditiva entre os modelos, mesmo que isso implicasse em coeficientes com sinais ou magnitudes inesperadas em um dos modelos.

Na fase de preparação e tratamento das variáveis, a base de dados passou por etapas cruciais para garantir a qualidade e a adequação para a modelagem. Isso incluiu a padronização dos nomes das variáveis, a verificação e o tratamento de valores ausentes, e a análise de consistência. Especificamente, a variável renda mensal e o número de dependentes foram os únicos a apresentar valores ausentes, sendo tratados pela substituição pela mediana para renda mensal e preenchimento com zero para dependentes, respectivamente.

Adicionalmente, a presença de valores extremos foi avaliada, e a variável renda mensal foi identificada como tendo outliers significativos. Para o modelo de regressão logística, aplicou-se uma transformação logarítmica na renda mensal, visando mitigar o impacto desses valores extremos. Em contraste, para o modelo XGBoost, os valores originais da renda mensal foram mantidos, aproveitando a robustez intrínseca do algoritmo a outliers. Essa abordagem diferenciada garantiu a comparabilidade entre os resultados, adaptando o tratamento dos dados às características de cada técnica de modelagem.

Modelagem da Probabilidade de Default

Regressão Logística

A regressão logística foi o primeiro modelo estimado para a probabilidade de inadimplência. Este modelo estatístico é amplamente empregado em risco de crédito, sendo adequado para variáveis resposta binárias, como a ocorrência de default (1 para inadimplente, 0 para não inadimplente). Diferentemente da regressão linear, a regressão logística utiliza uma função logística para relacionar as variáveis explicativas à probabilidade do evento, assegurando que as probabilidades estimadas permaneçam no intervalo entre zero e um, o que é fundamental para a interpretação de probabilidades.

Os resultados da regressão logística indicaram que as variáveis associadas ao histórico de atraso apresentaram uma associação positiva com a probabilidade de default. Em contrapartida, a idade e a renda mensal, após a transformação logarítmica, exibiram uma associação negativa com a probabilidade de inadimplência. Esses achados estão em consonância com a literatura de risco de crédito, que frequentemente aponta o histórico de pagamentos como um forte preditor de inadimplência e a idade e renda como fatores de mitigação de risco.

Ao analisar os coeficientes e as razões de chance, verificou-se que as variáveis relacionadas ao histórico de inadimplência exerceram os maiores impactos sobre a probabilidade de default. Destacaram-se os atrasos superiores a 90 dias e os atrasos entre 30 e 59 dias, com razões de chance de 1.626 e 1.6347, respectivamente. Isso significa que, para cada unidade de aumento nessas variáveis, as chances de default aumentam significativamente. No entanto, a variável referente a atrasos entre 60 e 89 dias apresentou um coeficiente negativo (-0.9456) e uma razão de chance de 0.3884, o que contraria a expectativa teórica. Esse comportamento pode ser atribuído à elevada correlação dessa variável com outras faixas de atraso, influenciando a estimação dos coeficientes quando consideradas em conjunto no modelo.

A matriz de confusão do modelo de regressão logística revelou um bom desempenho na identificação de clientes não inadimplentes, mas uma baixa sensibilidade na identificação de inadimplentes. Esse resultado é uma consequência direta do desbalanceamento da variável resposta e da utilização de um ponto de corte padrão de 50%, que tende a favorecer a classe majoritária. Tal observação reforça a inadequação de um limiar fixo e a necessidade de métricas de avaliação que considerem a ordenação dos clientes por risco, como a estatística KS, ou critérios de negócio específicos para a definição de pontos de corte.

As métricas de desempenho preditivo para a regressão logística foram: Área sob a Curva ROC (AUC) de aproximadamente 0,702, coeficiente de Gini de cerca de 0,404 e estatística de Kolmogorov-Smirnov (KS) de 0,330. Esses valores indicam uma capacidade discriminatória moderada na ordenação dos clientes quanto ao risco de inadimplência. Apesar de não ser um desempenho excepcional, esses resultados são compatíveis com aplicações práticas de risco de crédito e confirmam a adequação do modelo para a estimação da PD, servindo como uma base sólida para a comparação com algoritmos mais complexos.

XGBoost

O XGBoost (Extreme Gradient Boosting) foi o segundo modelo implementado, representando uma técnica de aprendizado de máquina baseada em gradient boosting. Este algoritmo constrói múltiplas árvores de decisão sequencialmente, onde cada nova árvore busca corrigir os erros residuais das árvores anteriores. Essa arquitetura permite ao XGBoost capturar relações não lineares e interações complexas entre as variáveis explicativas, além de incorporar mecanismos de regularização que ajudam a controlar o overfitting, conforme destacado por Chen e Guestrin (2016).

A matriz de confusão para o modelo XGBoost demonstrou uma melhora na identificação de clientes inadimplentes em comparação com a regressão logística. Observou-se um aumento no número de verdadeiros positivos, indicando maior sensibilidade do modelo para a classe de inadimplência. Contudo, essa melhora veio acompanhada de um aumento nos falsos positivos. Este trade-off entre sensibilidade e especificidade é comum em modelos de classificação e reflete a capacidade do XGBoost de identificar mais casos positivos, mesmo que isso signifique classificar erroneamente alguns casos negativos.

As métricas de desempenho do modelo XGBoost foram significativamente superiores às da regressão logística. A Área sob a Curva ROC (AUC) foi de aproximadamente 0,865, o coeficiente de Gini de 0,73 e a estatística KS de 0,576. Esses resultados indicam uma boa a excelente capacidade discriminatória do modelo na identificação de clientes com maior probabilidade de default. A eficiência do XGBoost em capturar padrões complexos e relações não lineares entre as variáveis explicativas foi evidenciada por esses valores, reforçando seu potencial em tarefas de previsão de inadimplência.

A análise da importância das variáveis no modelo XGBoost revelou que o histórico de atrasos é o principal fator para a previsão da inadimplência. A variável atraso_90, que representa atrasos superiores a 90 dias, foi a mais importante, com um valor de 0.4063. A utilização de crédito e os demais indicadores de atraso (atraso_30_59 e atraso_60_89) também apresentaram elevada relevância. Variáveis de perfil do cliente, como idade, renda mensal e número de dependentes, embora contribuam para a classificação do risco, possuíram menor importância relativa. Esses resultados reforçam que o comportamento passado de pagamento é um determinante crucial na avaliação da Probabilidade de Default.

Comparação dos Modelos

A comparação direta entre os modelos de regressão logística e XGBoost, baseada nas métricas de desempenho obtidas no conjunto de teste, revelou ganhos preditivos significativos com a abordagem de machine learning. O modelo XGBoost apresentou desempenho superior em todas as métricas avaliadas: AUC de 0,865, Gini de 0,73 e estatística KS de 0,576. Em contraste, a regressão logística obteve AUC de 0,702, Gini de 0,404 e KS de 0,330. Essa convergência de resultados pelas três métricas confirma a maior capacidade discriminatória do XGBoost na ordenação dos clientes segundo o risco de inadimplência.

O ganho observado na capacidade de discriminação entre clientes com diferentes níveis de risco é relevante para aplicações práticas. Uma melhor ordenação dos indivíduos pela probabilidade de inadimplência pode fornecer informações mais precisas, apoiando decisões mais eficazes na gestão do risco de crédito. Isso se traduz em uma alocação de capital mais eficiente e na redução de perdas, impactando diretamente a rentabilidade e a sustentabilidade das operações financeiras, conforme discutido por Van Gestel e Baesens (2009).

O desempenho superior do XGBoost pode ser atribuído à sua capacidade de capturar relações complexas e interações não lineares entre as variáveis, algo que modelos estatísticos lineares como a regressão logística não conseguem fazer com a mesma eficácia. Além disso, o algoritmo incorpora mecanismos de regularização e aprendizado sequencial (boosting), que aumentam sua capacidade preditiva e contribuem para o controle do overfitting, como apontado por Chen e Guestrin (2016). Esse resultado está alinhado com estudos anteriores, como o de Lessmann et al. (2015), que observaram o desempenho superior de modelos de machine learning em comparação com métodos tradicionais em problemas de classificação de risco de crédito.

Apesar do desempenho inferior neste estudo, a regressão logística mantém sua relevância. Sua principal vantagem reside na elevada interpretabilidade e transparência dos resultados, aspectos fundamentais em decisões de crédito e em ambientes regulatórios, onde a estimação da PD é utilizada para o cálculo da perda esperada (Hand e Henley, 1997; Thomas, 2009). A capacidade de compreender a contribuição de cada variável para a probabilidade de default é um diferencial que muitas vezes supera a busca por ganhos marginais de desempenho preditivo em contextos específicos.

De forma geral, os resultados obtidos indicam que variáveis relacionadas ao histórico de atraso desempenham um papel central na estimação da PD, o que está em linha com a literatura da área. Ambos os modelos demonstraram capacidade de discriminação, mas o XGBoost se destacou na ordenação do risco de inadimplência. Este estudo reforça a importância de considerar não apenas o poder preditivo, mas também a interpretabilidade e a aplicabilidade prática na escolha do modelo mais adequado para a gestão de risco de crédito, especialmente em um ambiente corporativo.

Como ponto forte deste estudo, destaca-se a adoção de diferentes abordagens de modelagem aplicadas ao risco de crédito, bem como a utilização de métricas robustas de avaliação, como AUC, Gini e KS. Essa metodologia permitiu uma análise consistente da capacidade discriminatória dos modelos e proporcionou maior confiabilidade na comparação dos resultados. A incorporação dessas métricas alinha a avaliação realizada neste estudo com as práticas utilizadas na modelagem e validação de risco de crédito, ampliando a aplicabilidade prática da comparação entre os modelos.

As limitações deste estudo incluem o desbalanceamento da base de dados e a possível ausência de variáveis adicionais que poderiam aprimorar a explicação do risco de inadimplência. É importante ressaltar que, em aplicações reais de risco de crédito, a manutenção da distribuição original dos dados é frequentemente adotada, pois técnicas de balanceamento podem distorcer a estimativa da PD. Além disso, a utilização de uma base de dados específica pode limitar a generalização dos resultados, o que exige que os achados sejam interpretados com cautela ao serem aplicados a outros contextos.

Em síntese, a pesquisa demonstrou que, embora a regressão logística seja um modelo robusto e interpretável, o algoritmo XGBoost apresentou um desempenho preditivo superior na estimação da Probabilidade de Default, evidenciando sua maior capacidade discriminatória na ordenação dos clientes quanto ao risco de inadimplência. Os achados sublinham a importância do histórico de atrasos como um preditor central e reforçam que a escolha do modelo ideal deve equilibrar o poder preditivo com a interpretabilidade e a aplicabilidade prática no contexto da gestão de risco de crédito.

4. Conclusão

O presente estudo buscou comparar o desempenho da regressão logística e do algoritmo XGBoost na estimação da Probabilidade de Default (PD), um parâmetro fundamental no gerenciamento do risco de crédito. Verificou-se que o modelo XGBoost demonstrou capacidade preditiva superior em relação à regressão logística, evidenciada por métricas como a Área sob a Curva ROC (AUC) de 0,865, coeficiente de Gini de 0,73 e estatística de Kolmogorov-Smirnov (KS) de 0,576. Em contraste, a regressão logística obteve valores de AUC de 0,702, Gini de 0,404 e KS de 0,330, indicando uma capacidade discriminatória moderada. Os achados revelaram que o histórico de atrasos em pagamentos constitui o principal preditor de inadimplência em ambos os modelos, com destaque para atrasos superiores a 90 dias, enquanto variáveis de perfil do cliente, como idade e renda mensal, apresentaram menor importância relativa. A superioridade do XGBoost foi atribuída à sua habilidade de capturar relações não lineares e interações complexas entre as variáveis explicativas.

A principal contribuição deste trabalho reside na demonstração dos ganhos preditivos que técnicas de aprendizado de máquina, como o XGBoost, podem oferecer na mensuração do risco de crédito, promovendo uma avaliação mais precisa da probabilidade de inadimplência. Contudo, ressalta-se que a escolha do modelo mais adequado em um ambiente corporativo deve ponderar não apenas o desempenho preditivo, mas também a interpretabilidade, a transparência e a aplicabilidade prática, atributos nos quais a regressão logística ainda se destaca. As limitações do estudo incluem o desbalanceamento da base de dados e a utilização de um conjunto de dados específico, o que pode restringir a generalização dos resultados. Para estudos futuros, sugere-se a exploração de outros algoritmos de machine learning e a inclusão de variáveis explicativas adicionais, visando aprimorar ainda mais a capacidade preditiva e a aplicabilidade dos modelos em diversos contextos de risco de crédito.

Referências Bibliográficas

CHEN, T.; GUESTRIN, C. XGBoost: A Scalable Tree Boosting System. 2016.

HAND, D. J.; HENLEY, W. E. Statistical classification methods in consumer credit scoring: a review. Journal of the Royal Statistical Society: Series A (Statistics in Society), v. 160, n. 3, p. 523-541, 1997.

KAGGLE. Give Me Some Credit Dataset. Disponível em: https://www.kaggle.com/c/GiveMeSomeCredit. Acesso em: 04 nov. 2025.

LESSMANN, S.; BAESENS, B.; SEOW, H. V.; THOMAS, L. C. Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research. European Journal of Operational Research, v. 247, n. 1, p. 124-136, 2015.

LI, J.; ZHOU, Z.; ZHU, L. Credit risk assessment based on XGBoost algorithm. Procedia Computer Science, v. 199, p. 274–281, 2021.

MITCHELL, T. M. Machine Learning. New York: McGraw-Hill, 1997.

MORO, S.; CORTEZ, P.; RITA, P. Business intelligence in banking: A literature analysis from 2002 to 2013 using text mining and latent Dirichlet allocation. Expert Systems with Applications, v. 42, n. 3, p. 1314–1324, 2015.

THOMAS, L. C. Consumer Credit Models: Pricing, Profit and Portfolios. Oxford: Oxford University Press, 2009.

VAN GESTEL, T.; BAESENS, B. Credit Risk Management: Basic Concepts: Financial Risk Components, Rating Analysis, Models, Economic and Regulatory Capital. Oxford: Oxford University Press, 2009.

ZHANG, Y.; XIE, J.; CHEN, Y. Credit risk prediction using machine learning methods: Evidence from China’s peer-to-peer lending market. Journal of Finance and Data Science, v. 8, n. 1, p. 1-13, 2022.

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