Modelo Preditivo para Avaliação de Crédito em Empréstimos Pessoais

  • Pablo Simões Nascimento Instituto Federal do Espírito Santo
  • Karin S. Komati Instituto Federal do Espírito Santo
  • Jefferson O. Andrade Instituto Federal do Espírito Santo

Resumo


Este trabalho consiste na construção de um modelo de classificação para análise de propostas de crédito utilizando algoritmos de aprendizado de máquina a partir da base de dados histórica de análises de crédito feitas por uma instituição financeira. O estudo utiliza uma base de dados com quase 200.000 propostas, realiza a análise exploratória dos dados, gera dois modelos de predição, estabelece limiares para aprovação e reprovação das propostas, testa os scores iniciais obtendo 0,77 e 0,83 para os modelos 1 e 2 respectivamente, estabelece a acurácia e quantidade de propostas classificadas como metodologias de avaliação do modelo, realiza experimentos variando os limiares e apresenta os resultados. Garantindo acurácia de 97% pudemos classificar corretamente 90,6% das propostas.

Palavras-chave: Construção, modelo de classificação, crédito, algoritmo

Referências

Batista, G. E. d. A. P. A. (2003). Pré-processamento de dados em aprendizado de máquina supervisionado. Doutorado em ciências, Universidade de São Paulo, São Carlos.

de Oliveira Araújo, F. and Ribeiro, A. P. A. (2003). Mercado de crédito brasileiro. Organização Internacional do Trabalho, 1a edition.

Dietterich, T. G. (1998). Approximate statistical tests for comparing supervised classifi- cation learning algorithms. Neural computation, 10(7):1895–1923.

Gertler, M. and Karadi, P. (2015). Monetary policy surprises, credit costs, and economic activity. American Economic Journal: Macroeconomics, 7(1):44–76.

Guyon, I. and Elisseeff, A. (2006). An introduction to feature extraction. In Feature extraction, pages 1–25. Springer.

Ho, T. K. (1995). Random decision forests. In Proceedings of 3rd international confe- rence on document analysis and recognition, volume 1, pages 278–282. IEEE.

Kealhofer, S. (2003). Quantifying credit risk I: default prediction. Financial Analysts Journal, 59(1):30–44.

Rodrigues, D. S., Brasil, A. R. A., Costa, M. B., Komati, K. S., and Pinto, L. A. (2018). Uma análise comparativa de um algoritmo de aprendizado supervisionado para soli- citações de empréstimo em uma plataforma peer-to-peer. In Anais do XIV Simpósio Brasileiro de Sistemas de Informação , pages 332–325, Porto Alegre, RS, Brasil. SBC.

UOL (2018). BC autoriza 1a fintech a conceder empréstimo no país sem mediação de banco. https:// economia.uol.com.br/noticias/redacao/2018/12/05/

banco-central-concede-autorizacao-para-primeira-fintech\-de-credito.htm?cmpid=copiaecola. Accessed on 01/05/2019.

Vasconcellos, M. S. d. (2002). Proposta de método para análise de concessões de crédito a pessoas físicas. PhD thesis, Universidade de São Paulo.

Zogbi, P. and Castro, M. (2019). Empresa simples de crédito (ESC): en- tenda a lei que permite empréstimos entre pessoas. https://www. infomoney.com.br/minhas-financas/credito/noticia/8088402/ esc-como-vai-funciona-a-empresa-criada-para-facilitar\-a-vida-de-pmes. Accessed on 01/08/2019.
Publicado
22/11/2019
NASCIMENTO, Pablo Simões; KOMATI, Karin S.; ANDRADE, Jefferson O.. Modelo Preditivo para Avaliação de Crédito em Empréstimos Pessoais. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 7. , 2019, Goiânia. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 223-236.