Person: RINALDO ARTES
Lattes
ORCID
Scopus4 results
Search Results
Now showing 1 - 4 of 4
Dissertação Aplicação do modelo Multi-estado de Markov em cartões de crédito(2007) Régis, Daniel EvangelistaModelos multi-estado de Markov são utilizados na área médica para estimar as probabilidades de transição entre, por exemplo, vários estágios de uma doença, podendo o paciente recuperar-se ou morrer. O principal interesse deste trabalho é analisar a aplicação do modelo multi-estado de Markov na área de risco associado ao uso de cartões de crédito, aproveitando as características de transições entre diversos estados de relacionamento entre os clientes e as instituições ao longo do tempo e, com isso, gerar modelos de escore para diversos fins. Modelos de regressão logística também são estimados a fim de comparar os resultados com os obtidos pelo modelo multi-estado de MarkovDissertação Mensuração do risco de crédito espacial e sua incorporação nos modelos de credit scoring(2012) Fernandes, Guilherme BarretoO modelo de Vasicek (2002) propõe que a probabilidade de inadimplência de uma empresa depende de suas características idiossincráticas e de um fator macroeconomico comum a todas as empresas. Entretanto, empresas de pequeno e médio porte são mais afetadas por um fator macroeconômico local. Apesar de não ser possível observar esse fator, seu efeito pode ser percebido através da análise espacial da inadimplência. Stine (2011) apresenta evidências sobre essa correlação espacial entre as taxas de inadimplência de condados nos Estados Unidos. No presente trabalho, propomos a hipótese que a estrutura de correlação espacial existe e não é a mesma para todas as regiões do estado de São Paulo. A estimativa para o fator de risco espacial é obtida através da krigagem ordinária (Matheron, 1963) da inadimplência. A base de dados utilizada contém cerca de 2,8 milhões de empresas paulistas e foi obtida junto à Serasa Experian. A importância do fator de risco espacial é verificada através de sua inclusão em modelos de credit scoring. A base de dados de um banco de médio porte foi utilizada nessa segunda hipótese e os métodos de regressão logística naive (Hosmer e Lemeshow, 2000) e regressão logística com erro de medida (Cook e Stefanski, 1994) foram aplicados. Dentre os principais resultados encontrados, a estrutura de correlação espacial difere entre três regiões paulistas: 1) grande São Paulo, 2) interior paulista e 3) Vale do Paraíba e litoral. Outro resultado importante é a confirmação da relevância do fator de risco espacial nos modelos de credit scoring, já que a inserção desse como covariável representa um aumento de cerca de 8 p.p. de KS para o caso apresentado. Por fim, a utilização do modelo com erro de medida não apresentou grande diferença em termos de desempenho ou efeito estimado.Trabalho de Conclusão de Curso Modelo de previsão de falência para empresas de capital aberto no Brasil(2023) Helou Neto, NabihGraças a um mundo cada vez mais digitalizado, é ainda mais importante a tomada de decisão eficiente e assertiva. Em um contexto de instabilidade econômica e juros altos, vemos a mídia especializada cada vez mais colocando o risco de crédito das empresas nos holofotes, buscando evidenciar para a população seus impactos na sociedade. O objetivo dessa pesquisa é identificar bons preditores de falência de empresas por meio da construção de um modelo de previsão de falência para empresas de capital aberto no Brasil. O Brasil traz um grande desafio para esse tipo de pesquisa, graças ao risco político elevado e a baixa estabilidade econômica e jurídica. O modelo usado nesse trabalho foi a regressão logística, empregando os indicadores econômico-financeiros das empresas, como variáveis explicativas. Uma amostra controle foi obtida a partir do pareamento das empresas que faliram com outras empresas do mesmo setor e de tamanhos semelhantes. Como resultado, as variáveis significativas para a previsão da probabilidade de falência dizem respeito aos níveis de endividamento, liquidez e eficiência das empresas. Foi possível construir um modelo com potencial de capacidade de previsão excepcional e acerto na previsão acima de 70%, utilizando o valor de corte padrão.Dissertação Aplicação de árvores de regressão aditivas bayesianas no desenvolvimento de modelos de escore de crédito no Brasil(2016) Brito Filho, Daniel Alves DeA análise de crédito é uma atividade fundamental para as instituições financeiras. Os modelos de escore de crédito tornaram-se uma ferramenta importante, devido à necessidade de padronização e agilidade nas análises de crédito, existindo situações em que a aprovação ou recusa do crédito é totalmente automatizada. Segundo Thomas (2009), a técnica mais utilizada na construção de modelos de escore de crédito é a regressão logística. Por outro lado, outras técnicas, reunidas sob o termo aprendizado de máquina, têm sido aplicadas em modelos de classificação. Como podemos observar em Kruppa et al. (2013) e Lessmann et al. (2015), esses modelos têm apresentado resultados superiores aos modelos de regressão logística. Este trabalho propõe uma comparação entre o modelo de regressão logística e os modelos de aprendizado de máquina BART e Random Forests. Para o desenvolvimento dos modelos foi utilizada uma base de dados fornecida pela empresa Serasa Experian contendo informações do bureau de crédito referente a clientes de operações de crédito direto ao consumidor no varejo. Para a avaliação da performance dos modelos foram utilizadas a estatística de Kolmogorov-Smirnov e o coeficiente de Gini. Também foi gerado um intervalo de confiança para a métrica área sob a curva (AUC) para testar a hipótese dos modelos possuírem a mesma performance. Como principal resultado, a análise realizada confirma a superioridade do modelo BART sobre o modelo de regressão logística no banco de dados analisado. Além disso, os resultados sugerem que o modelo Random Forests é superior ao modelo de regressão logística somente quando ajustado na amostra balanceada analisada, dado que a performance da regressão logística melhorou quanto ajustado na base de desenvolvimento desbalanceada. Os melhores modelos BART ajustados, tanto na amostra balanceada quanto na amostra desbalanceada, foram superiores ao modelo Random Forests, nos dados analisados. Porém, o modelo BART padrão e Random Forests apresentaram performance similar e não podemos afirmar que um modelo foi superior ao outro.