MODELOS DE PREVISÃO DE INADIMPLÊNCIA DE CRÉDITO ATRAVÉS DE MACHINE LEARNING

um estudo abrangendo taxa básica de juros

Resumen

Instituições financeiras realizam suas políticas de crédito baseando-se em sistemas de análise de crédito e inadimplência, ao mesmo tempo que são restritas por regulamentações estabelecidas por órgãos de supervisão acerca de boas práticas, metodologias de cálculo, reservas financeiras, entre outros. Este trabalho vale-se dos dados de contratos de crédito disponibilizados pela Lending Club Corporation juntamente com as taxas de juros básicas presentes e futuras dos EUA vigentes à época de cada contrato para realizar o estabelecimento de cinco diferentes modelos de previsão de inadimplência dos créditos propostos, a fim de analisar suas performances quanto à correta classificação e, assim, aprimorar a lucratividade do negócio, evitando clientes que acarretem em potenciais prejuízos e reduzir valores retidos a título de créditos de liquidez duvidosa. Nenhum dos modelos apresentou-se melhor do que os demais em todas as métricas analisadas (acurácia, sensitividade, especificidade e precisão). O modelo de gradient boosting (CatBoost) obteve o melhor resultado em todas as métricas resultantes do banco de dados de teste, mesmo que marginalmente, citadamente Acurácia (0,998881), Sensitividade (0,991376), Especificidade (0,999971) e Precisão (0,999801).