Aplicação de algoritmos de aprendizado de máquina no desenvolvimento de modelos de escore de crédito
| dc.contributor.advisor | RINALDO ARTES | |
| dc.contributor.author | Silverio, Murilo | |
| dc.coverage.spatial | São Paulo | pt_BR |
| dc.creator | Silverio, Murilo | |
| dc.date.accessioned | 2021-09-13T03:17:22Z | |
| dc.date.accessioned | 2016-09-17T15:13:22Z | |
| dc.date.available | 2021-09-13T03:17:22Z | |
| dc.date.available | 2015 | |
| dc.date.available | 2016-09-17T15:13:22Z | |
| dc.date.issued | 2015 | |
| dc.date.submitted | 2015 | |
| dc.description.abstract | RESUMO 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. | pt_BR |
| dc.description.other | Credit scoring models have become an important tool for financial institutions due to the need for standardization and agility in credit analysis. According to Thomas (2009) logistic regression has been the most used technique in the construction of these models. However, in the last fifteen years, models based on machine learning algorithms have emerged and presented superior results to logistic regression models, as can be seen in Kruppa et al. (2013) and Lessmann et al. (2015). This paper proposes a comparison between logistic regression models and models created using the machine learning techniques Random Forests and Logistic Model Trees. To develop the model a database provided by a financial institution, related to a retail credit operation was used. The Kolmogorov-Smirnov statistic and the Gini coefficient determined the performance of each model. As the main result, this work confirms the superiority of Random Forests model against the logistic regression model, but the same result is not reached with the model of Logistic Model Trees. | pt_BR |
| dc.format.extent | 61 p. | pt_BR |
| dc.identifier.uri | https://repositorio.insper.edu.br/handle/11224/1503 | |
| dc.language.iso | Português | pt_BR |
| dc.rights.uri | TODOS OS DOCUMENTOS DESSA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEM | pt_BR |
| dc.subject | Escore de crédito | pt_BR |
| dc.subject | Aprendizado de máquina | pt_BR |
| dc.subject | Regressão Logística | pt_BR |
| dc.subject | Random Forests | pt_BR |
| dc.subject | Logistic Model Trees | pt_BR |
| dc.subject | Credit score | pt_BR |
| dc.subject | Machine Learning | pt_BR |
| dc.subject | Logistic Regression | pt_BR |
| dc.title | Aplicação de algoritmos de aprendizado de máquina no desenvolvimento de modelos de escore de crédito | pt_BR |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| local.contributor.boardmember | ANDREA MARIA ACCIOLY FONSECA MINARDI | |
| local.contributor.boardmember | Cardoso Jr, Nilton Deodoro Moreira | |
| local.type | Dissertação | pt_BR |
| relation.isAdvisorOfPublication | 8b791c94-f3e5-4e04-af26-594195a8f576 | |
| relation.isAdvisorOfPublication.latestForDiscovery | 8b791c94-f3e5-4e04-af26-594195a8f576 | |
| relation.isBoardMemberOfPublication | 4f89a841-117c-473d-8798-96eb2d9ce1cf | |
| relation.isBoardMemberOfPublication.latestForDiscovery | 4f89a841-117c-473d-8798-96eb2d9ce1cf |