Orientador: Ivette Raymunda Luna Huamani

Trabalho de Conclusão de Curso (graduação) - Universidade Estadual de Campinas, Instituto de Economia

Resumo: O objetivo deste trabalho é analisar e comparar três diferentes modelos de classificação de padrões com foco na concessão de crédito. Esses modelos, conhecidos como modelos de credit score, se tornaram ferramentas indispensáveis na gestão do risco nas instituições financeiras, principalmente...

Resumo: O objetivo deste trabalho é analisar e comparar três diferentes modelos de classificação de padrões com foco na concessão de crédito. Esses modelos, conhecidos como modelos de credit score, se tornaram ferramentas indispensáveis na gestão do risco nas instituições financeiras, principalmente após o forte crescimento do crédito e a difusão de meios eletrônicos de pagamento nas últimas décadas, que levaram a uma vertiginosa aceleração do número de transações e do volume de recursos transacionado. Os modelos considerados são o modelo paramétrico de Regressão Logística e os modelo de Árvore de Decisão e Redes Neurais, ambos modelos não paramétricos da área de machine learning. Os modelos serão validados sobre um conjuntos de dados dentro e fora da amostra de treinamento, utilizando como métricas de desempenho os Índice de Kolmogorov-Smirnov e de Gini

Abstract: The aim of this study is to analyse and compare three different models of classification standards with focus on credit. These models, known as models of textit credit score, have become indispensable tools in risk management of financial institutions, especially after the strong credit...

Abstract: The aim of this study is to analyse and compare three different models of classification standards with focus on credit. These models, known as models of textit credit score, have become indispensable tools in risk management of financial institutions, especially after the strong credit growth and diffusion of electronic payments in last years, leading to a vertiginous acceleration the number of transactions and the volume of funds traded. The models considered are the parametric model of Logistic Regression Model and Decision Tree and Neural Networks, both non-parametric models of the area machine learning. The models will be validated on a datasets within and outside the training sample, using performance metrics such as the Kolmogorov-Smirnov Index and Gini Index