| Campo DC | Valor | Idioma |
|---|
| dc.contributor.advisor | Nakano, Eduardo Yoshio | - |
| dc.contributor.author | Almeida, Gustavo Durães | - |
| dc.date.accessioned | 2021-12-09T03:55:32Z | - |
| dc.date.available | 2021-12-09T03:55:32Z | - |
| dc.date.issued | 2021-12-08 | - |
| dc.date.submitted | 2021-09-27 | - |
| dc.identifier.citation | ALMEIDA, Gustavo Durães. Modelagem de risco de crédito via LSTM. 2021. 38 f., il. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2021. | pt_BR |
| dc.identifier.uri | https://repositorio.unb.br/handle/10482/42580 | - |
| dc.description | Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2021. | pt_BR |
| dc.description.abstract | A modelagem de risco de crédito utiliza frequentemente de variáveis explicativas
comportamentais medidas de forma longitudinal afim de estimar a probabilidade de não pagamento de
uma operação de crédito. Usualmente, as informações longitudinais são sintetizadas atraváes
de estatísticas resumos e em seguida são utilizadas como preditoras em modelos lineares de
classificação binária. Este trabalho avalia a utilização e performance de uma rede neural recorrente
(Long short-term memory), que é capaz de processar integralmente as vari ́veis explicativas
longitudinais, como uma alternativa à regressão logística na modelagem de risco de crédito
utilizando dados reais da instituição financeira Sicoob. | pt_BR |
| dc.language.iso | Português | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Modelagem de risco de crédito via LSTM | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Risco de crédito | pt_BR |
| dc.subject.keyword | Aprendizado de máquina | pt_BR |
| dc.subject.keyword | Aprendizado profundo | pt_BR |
| dc.subject.keyword | Redes neurais recorrentes | pt_BR |
| dc.subject.keyword | Long Short-term Memory | pt_BR |
| dc.rights.license | A 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. | pt_BR |
| dc.description.abstract1 | Credit risk modelling usually utilizes longitudinal behavioural data as explanatory variables
in default classification tasks. Usually, the aforementioned longitudinal data is summarized
using domain appropriate summary statistics in order to transform the longitudinal data in linear
data so that the information can be used as input for a logistic regression. This work assess
the usability and performance of a recurrent neural network, that is capable of consuming the
longitudinal data directly, as and alternative for a logistic regression model in the credit risk
context using real data from a financial institution named Sicoob. | pt_BR |
| dc.contributor.email | gustavoduraes0@gmail.com | pt_BR |
| dc.description.unidade | Instituto de Ciências Exatas (IE) | pt_BR |
| dc.description.unidade | Departamento de Estatística (IE EST) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Estatística | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|
