Aplicação de técnicas de machine learning em modelos de escore de crédito
Carregando...
Autores
Orientador
Co-orientadores
Citações na Scopus
Tipo de documento
Dissertação
Data
2018
Título da Revista
ISSN da Revista
Título do Volume
Resumo
Visando o aumento do lucro e redução da perda, instituições financeiras credoras esforçam-se em melhorar o acerto ao prever as chances de potenciais devedores ficarem inadimplentes. Com o aumento da capacidade do processamento computacional, técnicas de aprendizado de máquinas estão se popularizando em diversos meios. Diante desses dois cenários, este trabalho propõe a comparação das técnicas regressão logística, random forests, xgboost e multilayer perceptron aplicadas a uma base de escore de crédito disponibilizada pela Serasa Experian contendo o público de pequenas e médias empresas. Foram implementados testes de hipóteses utilizando o teste DeLong para comparar as áreas sob a curva roc dos modelos apresentados. A principal contribuição deste trabalho foi mostrar que houve superioridade da técnica random forests quando comparada às outras apresentadas neste trabalho ao diferenciar bons ou maus pagadores.
Titulo de periódico
URL da fonte
Título de Livro
URL na Scopus
Idioma
Português
URL permanente
Notas
Membros da banca
Ayres, Fábio José
Madalozzo, Regina
Alencar, Airlane Pereira