Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/44834
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2022_MatheusAndradedosReis.pdf455,77 kBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorCajueiro, Daniel Oliveira-
dc.contributor.authorReis, Matheus Andrade dos-
dc.date.accessioned2022-09-15T21:46:52Z-
dc.date.available2022-09-15T21:46:52Z-
dc.date.issued2022-09-15-
dc.date.submitted2022-05-30-
dc.identifier.citationREIS, Matheus Andrade dos. Modelo preditivo de risco de crédito para cooperativas de agronegócio. 2022. 35 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.pt_BR
dc.identifier.urihttps://repositorio.unb.br/handle/10482/44834-
dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.pt_BR
dc.description.abstractO uso de técnicas de Machine Learning na gestão de riscos é uma prática cada vez mais comum nas corporações. Em especial os bancos tem utilizado essas técnicas em seus processos de análise de risco de crédito. Este trabalho avalia o uso de modelos comuns de Machine Learning para avaliar o risco de crédito de um público específico: cooperativas de agronegócios. Foram testados diversos modelos consolidados no mercado e verificamos que, para este propósito, dois modelos se destacaram: Gradient Boosting e Random Forest. Os modelos revelaram que as variáveis relativas à situação econômico-financeira das cooperativas, medidas por meio de indicadores financeiros, são mais relevantes do que outras informações obtidas em pesquisas diversas, como o comportamento em outras transações financeiras e a capacidade adminsitrativa da cooperativa.pt_BR
dc.language.isoPortuguêspt_BR
dc.rightsAcesso Abertopt_BR
dc.titleModelo preditivo de risco de crédito para cooperativas de agronegóciopt_BR
dc.typeDissertaçãopt_BR
dc.subject.keywordRisco de créditopt_BR
dc.subject.keywordAprendizagem de máquinapt_BR
dc.subject.keywordCooperativas de agronegóciospt_BR
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.pt_BR
dc.description.abstract1The use of Machine Learning techniques in risk management is an increasingly common practice in corporations. Banks, in particular, use these techniques in their credit risk analysis processes. This research evaluates the use of common Machine Learning models to assess the credit risk of a specific public: agribusiness cooperatives. Various models consolidated in the market were tested and we verified that, for this purpose, two models stood out: Gradient Boosting and Random Forest. The models revealed that the variables related to the economic-financial situation of the cooperatives, measured by financial ratios, are more relevant than other information obtained in several researches, such as the behavior in other financial transactions and the administrative capacity of the cooperative.pt_BR
dc.description.unidadeFaculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)pt_BR
dc.description.unidadeDepartamento de Economia (FACE ECO)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Economia, Mestrado Profissionalpt_BR
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.