Mestrado Profissional em Economia
URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3240
Navegar
2 resultados
Resultados da Pesquisa
Dissertação Forecasting do PIB e da Inflação do Brasil: usando técnicas de machine learning(2025) Braga, Isis Aparecida DrezzaEste estudo explora o uso de técnicas modernas de machine learning para aprimorar as previsões do PIB e da inflação no Brasil. A análise utiliza um conjunto abrangente de indicadores macroeconômicos, incluindo variáveis nacionais, fornecidas pelo Banco Central do Brasil, e internacionais. Modelos como Random Forest, Lasso e CatBoost são implementados, sendo avaliados em comparação com métodos tradicionais, como modelos autoregressivos (AR) e Random Walk. Além disso, o impacto das expectativas do Boletim Focus na precisão preditiva é investigado, utilizando métricas como o erro médio quadrático raiz (RMSE) e o Teste Diebold Mariano para identificar diferenças estatisticamente significativas entre os modelos. Adicionalmente, a análise de importância das variáveis permite avaliar a contribuição das expectativas para o desempenho preditivo. O estudo busca não apenas quantificar os benefícios das técnicas modernas de machine learning, mas também compreender como a incorporação de variáveis prospectivas pode enriquecer as previsões econômicas em cenários complexos e dinâmicos como o do Brasil.Dissertação Aplicação de algoritmos de aprendizado de máquina no desenvolvimento de modelos de escore de crédito(2015) Silverio, MuriloRESUMO Os modelos de escore de crédito tornaram-se uma ferramenta importante para as instituições financeiras devido à necessidade de padronização e agilidade nas análises de crédito. De acordo com Thomas (2009) a regressão logística tem sido a técnica mais utilizada na construção desses modelos. Entretanto, nos últimos quinze anos, modelos baseados em algoritmos de aprendizado de máquina têm surgido e apresentado resultados superiores aos de modelos de regressão logística, como podemos observar em Kruppa et al. (2013) e Lessmann et al. (2015). Este trabalho propõe uma comparação entre modelos de regressão logística e modelos criados utilizando as técnicas de aprendizado de máquina Random Forests e Logistic Model Trees. Para o desenvolvimento do modelo foi utilizada uma base de dados fornecida por uma instituição financeira, referente a uma operação de crédito direto ao consumidor. A estatística de Kolmogorov-Smirnov e o Coeficiente de Gini foram utilizados para determinar a performance de cada modelo. Como principal resultado, este trabalho confirma a superioridade do modelo de Random Forests sobre o modelo de regressão logística, o mesmo não acontecendo com o modelo de Logistic Model Trees.