Aprendizagem estatística aplicada à previsão de default de crédito (2016)
- Authors:
- USP affiliated authors: RIBEIRO, EVANDRO MARCOS SAIDEL - FEARP ; MATIAS, ALBERTO BORGES - FEARP
- Unidade: FEARP
- Subjects: ESTATÍSTICA; CRÉDITO; RISCO; FINANÇAS; INSOLVÊNCIA
- Keywords: APRENDIZAGEM ESTATÍSTICA; PREVISÃO DE DEFAULT; RISCO DE CRÉDITO; CREDIT RISK; DEFAULT PREDICTION; STATISTICAL LEARNING
- Language: Português
- Abstract: OBJETIVO Esta pesquisa tem por objetivo comparar a capacidade preditiva das principais técnicas de aprendizagem estatística atualmente utilizadas nacional e internacionalmente para tratamento do problema de risco de crédito, analisando-as à luz de sua eficiência preditiva. METODOLOGIA No presente estudo foram utilizados os dados da base German Credit Dataset. As estimações foram obtidas à partir do pacote e1071 aplicado ao software estatístico R®. Foram testadas, comparativamente, as técnicas: Análise Discriminante, Regressão Logística, Redes Bayesianas Naive Bayes, kdB-1, kdB-2, SVC e SVM. Como ponto de corte para Análise Discriminante, Regressão Logística, Redes Bayesianas Naive Bayes, kdB-1, kdB-2 foi empregada a curva ROC - Receiver Operating Characteristic. Os resultados foram comparados com base na acurácia (medida pelo método ACC) e pelo critério de custo pelo erro (medido com base nos critérios trazidos pela base de dados) e os resultados foram apresentados sob o formato de uma matriz de confusão e validados pelo método k-Fold Cross-Validation. RESULTADOS E CONCLUSÕES Analisando os resultados das técnicas o SVM apresentou o maior número médio de acertos, obtendo índice de acurácia 86.6%, bem como as maiores médias de acerto em termos de previsão dentre todos os modelos, com aproximadamente 85,5% de acertos na previsão de default. Pela análise do custo total é possível verificar que o custo do erro do SVM foi de 50.46, sendo que 41.44% desse custo foi produzido por erros de falso positivo e 58.56% do custo foi produzido por erro de falso negativo. Este foi o menor custo dentre os custos produzidos pelas técnicas estudadas, sendo aproximadamente 42% menor que o segundo colocado na análise. Para ambas as métricas (ACC e custos do erro) observou-se a superioridade do método SVM – Support Vector Machine, sugerindo que este método apresenta característicasque potencializam o seu poder preditivo para o caso estudado. Tais resultados corroboram com indicações de autores que mostram que a superioridade do SVM se deve ao fato de que métodos ensemble, como é o caso do SVM, em dados desbalanceados. IMPLICAÇÕES PRÁTICAS Com base nos resultados é possível verificar que a evolução das técnicas de aprendizagem estatística tem contribuído para a maximização dos resultados de classificação, sendo este o problema central da análise de crédito. Pela quantidade de estudos realizados internacionalmente e destacados na bibliografia, este se mostra um campo fértil para o desenvolvimento de pesquisas futuras, especialmente para comparação dos resultados alcançados por este estudo. Especificamente sobre o SVM, os resultados corroboram com estudos que indicam boa aderência de tal modelo para situações reais nas quais o banco de dados a ser classificado é desbalanceado
- Imprenta:
- Source:
- Título do periódico: Revista de Financas Aplicadas
- ISSN: 2176-8854
- Volume/Número/Paginação/Ano: v. 7, n. 2, p. 1-19, 2016
-
ABNT
SILVA, Rodrigo Alves e RIBEIRO, Evandro Marcos Saidel e MATIAS, Alberto Borges. Aprendizagem estatística aplicada à previsão de default de crédito. Revista de Financas Aplicadas, v. 7, n. 2, p. 1-19, 2016Tradução . . Disponível em: http://www.spell.org.br/documentos/ver/42421/aprendizagem-estatistica-aplicada-a-previsao-de-default-de-credito/i/pt-br. Acesso em: 23 abr. 2024. -
APA
Silva, R. A., Ribeiro, E. M. S., & Matias, A. B. (2016). Aprendizagem estatística aplicada à previsão de default de crédito. Revista de Financas Aplicadas, 7( 2), 1-19. Recuperado de http://www.spell.org.br/documentos/ver/42421/aprendizagem-estatistica-aplicada-a-previsao-de-default-de-credito/i/pt-br -
NLM
Silva RA, Ribeiro EMS, Matias AB. Aprendizagem estatística aplicada à previsão de default de crédito [Internet]. Revista de Financas Aplicadas. 2016 ; 7( 2): 1-19.[citado 2024 abr. 23 ] Available from: http://www.spell.org.br/documentos/ver/42421/aprendizagem-estatistica-aplicada-a-previsao-de-default-de-credito/i/pt-br -
Vancouver
Silva RA, Ribeiro EMS, Matias AB. Aprendizagem estatística aplicada à previsão de default de crédito [Internet]. Revista de Financas Aplicadas. 2016 ; 7( 2): 1-19.[citado 2024 abr. 23 ] Available from: http://www.spell.org.br/documentos/ver/42421/aprendizagem-estatistica-aplicada-a-previsao-de-default-de-credito/i/pt-br - Um estudo analítico das características dos bancos insolventes no período de implantação do plano real
- Árvore geradora mínima aplicada ao estudo da interligação administrativa em empresas listadas na BM&FBOVESPA
- A relevância das informações contábeis e suplementares na avaliação de petrolíferas mundiais
- A etnografia como estratégia de pesquisa interdisciplinar para os estudos organizacionais
- Desempenho financeiro como critério de decisão para seleção modelos de análise e concessão de crédito
- Estudo da rede de controle corporativo do mercado financeiro brasileiro e sua evolução ao longo dos últimos 15 anos
- Previsão da necessidade de capital de giro utilizando os preceitos do modelo de entrada-saída de Leontief
- Identificação de indicadores contábeis relevantes para previsão e projeção de rentabilidade
- Análise do custo de capital próprio no Brasil por meio dos modelos CAPM não-condicional e CAPM condicional
- Corporate ownership network in the automobile industry: owners, shareholders and passive investment funds
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas