Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/20522
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2016_MaísaCardosoAniceto.pdf1,24 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorKimura, Herbert-
dc.contributor.authorAniceto, Maísa Cardoso-
dc.date.accessioned2016-05-26T18:36:15Z-
dc.date.available2016-05-26T18:36:15Z-
dc.date.issued2016-05-26-
dc.date.submitted2016-03-14-
dc.identifier.citationANICETO, Maísa Cardoso. Estudo comparativo entre técnicas de aprendizado de máquina para estimação de risco de crédito. 2016. 106 f., il. Dissertação (Mestrado em Administração)—Universidade de Brasília, Brasília, 2016.en
dc.identifier.urihttp://repositorio.unb.br/handle/10482/20522-
dc.descriptionDissertação (mestrado)—Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Programa de Pós-Graduação em Administração, 2016.en
dc.description.abstractA avaliação do risco de crédito tem um papel relevante para as instituições financeiras por estar associada a possíveis perdas e gerar grande impacto nas atividades do mercado financeiro. Embora existam várias pesquisas sobre risco de crédito e aprendizado de máquina ainda falta um estudo que integra e sistematiza o conhecimento disponível. Assim, o objetivo deste trabalho é apresentar uma revisão sistemática de literatura sobre aprendizado de máquina em risco de crédito. Os principais artigos dessa área foram classificados e codificados e uma agenda de pesquisa e recomendações são apresentadas para auxiliar na realização de pesquisas futuras. A segunda parte da dissertação envolve uma análise empírica de dados de uma instituição financeira e aplicação de algoritmos de Support Vector Machine e Decision Tree, além de Bagging, AdaBoost e Random Forest. Os resultados foram comparados por meio da Curva ROC, Sensibilidade, Especificidade e AUC.en
dc.language.isoPortuguêsen
dc.rightsAcesso Abertoen
dc.titleEstudo comparativo entre técnicas de aprendizado de máquina para estimação de risco de créditoen
dc.typeDissertaçãoen
dc.subject.keywordEstudo comparativoen
dc.subject.keywordRisco de créditoen
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.en
dc.identifier.doihttp://dx.doi.org/10.26512/2016.03.D.20522-
dc.description.abstract1Despite several pieces of research on credit risk and machine learning, a study that integrates and systematizes available knowledge is still lacking. Credit risk evaluation has a relevant role to financial institutions for it is connected to possible losses. Also, it can have a great impact in the financial market. Thus, the aim of this study is to carry out a systematic literature review on credit risk machine learning. The main articles of this field have been classified and coded. Recommendations are presented to assist future research projects. Apart from that, this thesis focuses on an empirical data analysis of a financial institution, as well as the application of Support Vector Machine and Decision Tree algorithms; Bagging, AdaBoost and Random Forest, ensemble classifiers. The results were measured on the use of the ROC Curve, Sensitivity, Specificity and AUC.-
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.