Modelos para classificação de risco de crédito e previsão de lucratividade em uma cooperativa de crédito

dc.contributor.advisorRINALDO ARTES
dc.contributor.authorPaula, Daniel Abreu Vasconcellos de
dc.coverage.spatialS�o Paulopt_BR
dc.creatorPaula, Daniel Abreu Vasconcellos de
dc.date.accessioned2021-09-13T03:11:34Z
dc.date.accessioned2019-07-06T13:33:01Z
dc.date.available2021-09-13T03:11:34Z
dc.date.available2017
dc.date.available2019-07-06T13:33:01Z
dc.date.issued2017
dc.date.submitted2017
dc.description.abstractO controle do risco de crédito e a oferta de produtos financeiros com taxas acessíveis são fatores de gestão determinantes para a sustentabilidade das cooperativas de crédito. Para obterem vantagem competitiva, estas instituições devem se posicionar no setor bancário apresentando vantagens de custo e acessibilidade. Embora as cooperativas de crédito sejam sociedades sem fins lucrativos, os seus objetivos dependem da gestão eficiente de recursos e do risco de crédito das operações, alinhados com princípios doutrinários do cooperativismo. Modelos de credit scoring e profit scoring são ferramentas que ajudam a melhorar a eficiência das cooperativas de crédito aprimorando a alocação de capital para concessão de empréstimos. Enquanto modelos de credit scoring são concebidos para estimar a probabilidade de default, modelos de profit scoring são concebidos para estimar a lucratividade do cliente com base em fatores comportamentais e demográficos. O presente trabalho aborda estas duas modelagens com a utilização do método de machine learning do tipo random forests e do método tradicional de regressão logística, com base em dados comportamentais e demográficos observados por um período de dois anos e fornecidos por uma cooperativa de crédito localizada no Brasil. Como benefícios esperados pelo uso destas técnicas podem-se citar: a aquisição de conhecimento sobre a lucratividade potencial dos associados, o direcionamento mais eficaz de recursos para segmentos de cooperados com características semelhantes, e a utilização de métodos objetivos para a mitigação de riscos de crédito na decisão de aprovação de novas operações. Os modelos estimados pelo método random forests mostraram-se superiores aos modelos estimados com a regressão logística. Além disso, o trabalho identificou como variáveis preditoras relevantes: modalidade da operação, rating de julgamento subjetivo para risco de crédito, renda, tempo de relacionamento, taxa de juros da operação, histórico de inadimplência e o prazo da operação.pt_BR
dc.description.otherCredit risk control and the offering of financial products with lower rates are determinant factors for the credit unions sustainable growth and to protect their position in the banking sector. Although credit unions are non profit, the economic objectives shared by their members depend on the management of resources and from the risk of operations, aligned with non profit principles. Models of credit scoring and profit scoring are tools that help to improve the efficiency of credit unions in the capital allocation to lending transactions. While credit scoring models are created to estimate the probability of default, profit scoring models are created to estimate the client profitability based on behavior and demographic factors. This study intends to compare these two models using the machine learning method, random forests type and the traditional logistic regression method, using behavior and demographic data observed during two years and provided by a credit union located in Brazil. Expected benefits through the use of these techniques we can conclude: the knowledge acquisition about the members potential profitability, the most effective allocation of resources to support the financial planning of cooperative segments with similar profiles, and the use of objective methods to risk mitigation of financial losses in credit operations. The estimated models by the random forests method appear to be superior to the models estimated by the logistic regression method. Besides that, this study identified as significant predictors variables: purpose of loan, judgemental rating of the application, income, credit history length, borrower’s interest rate, delinquency history and the loan term.pt_BR
dc.format.extent56 p.pt_BR
dc.identifier.urihttps://www.repositorio.insper.edu.br/handle/11224/2182
dc.language.isoPortuguêspt_BR
dc.rights.uriTODOS OS DOCUMENTOS DESSA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEM.pt_BR
dc.subjectcooperativas de crédito, credit scoring, profit scoring, regressão logística, random forests, machine learningpt_BR
dc.titleModelos para classificação de risco de crédito e previsão de lucratividade em uma cooperativa de créditopt_BR
dc.typemaster thesis
dspace.entity.typePublication
local.typeDissertaçãopt_BR
relation.isAdvisorOfPublication8b791c94-f3e5-4e04-af26-594195a8f576
relation.isAdvisorOfPublication.latestForDiscovery8b791c94-f3e5-4e04-af26-594195a8f576
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
DANIEL ABREU VASCONCELLOS DE PAULA_Trabalho.pdf
Tamanho:
579.81 KB
Formato:
Adobe Portable Document Format
Licença do Pacote
Agora exibindo 1 - 1 de 1
N/D
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Plain Text
Descrição: