Uso de técnicas de machine learning para análise de risco de crédito

Abstract

Este trabalho objetivou identificar um modelo preditivo de classificação de risco de crédito em operações comerciais de cheque especial para pessoa física que possibilite o devido gerenciamento de riscos e mensuração mais precisa das situações de default proporcionando a evolução financeira do credor. A variável target considera o cliente “mau” caso ultrapasse 90 dias de atraso em algum mês, durante os 12 primeiros meses após a contratação, caso contrário, o cliente será considerado “bom”. Foram utilizados os algoritmos de Machine Learning Regressão Logística, k-Nearest Neighbors (k-NN), Support Vector Machines (SVM), Árvore de Decisão, Floresta Aleatória e Gradient Boosting. Para validação dos modelos fizemos uso das métricas Precisão, Recall, Especificidade, F1-Score, Média Geométrica, IBA (Index Balanced Accuracy) e a curva ROC (AUC). Os resultados apontaram melhor desempenho para o modelo Floresta Aleatória podendo ser incremento de resultado para instituições financeiras. O que aponta melhor performance de modelos de computação inteligente sobre modelos estatísticos tradicionais como Regressão Logística. Além disso, não foram encontrados outros trabalhos sobre a temática de cheque especial.