Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/47826
Arquivos associados a este item:
Arquivo TamanhoFormato 
WilliamOliveiraCamelo_DISSERT.pdf19,64 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorSouza, João Gabriel de Moraespt_BR
dc.contributor.authorCamelo, William Oliveirapt_BR
dc.date.accessioned2024-02-21T21:36:22Z-
dc.date.available2024-02-21T21:36:22Z-
dc.date.issued2024-02-21-
dc.date.submitted2023-09-14-
dc.identifier.citationCAMELO, William Oliveira. Ponderação do efeito das externalidades climáticas no risco de crédito. 2023. xiv, 130 f., il. Dissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Brasília, 2023.pt_BR
dc.identifier.urihttp://repositorio2.unb.br/jspui/handle/10482/47826-
dc.descriptionDissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.pt_BR
dc.description.abstractInvestimentos em operações financeiras podem impactar setores sociais, econômicos e ambientais. Estes impactos podem não estar incorporados ao preço final de seus contratos. Tais impactos são chamados de externalidades e podem produzir efeitos positivos ou negativos. A análise do risco de crédito socioambiental reside na possibilidade de atividades econômicas gerarem impactos ou danos socioambientais, capazes de causar perdas financeiras que comprometem o pagamento de financiamentos, bem como corresponsabilizar o agente financeiro a recuperar o dano socioambiental. No caso do risco climático, o empreendimento pode estar excessivamente exposto, diretamente ou indiretamente, a eventos climáticos extremos capazes de comprometer seu fluxo de caixa e capacidade de pagamentos. Por isso, veio a necessidade de instrumentos de medição capazes de avaliar o comportamento das externalidades em relação ao risco de crédito das operações financeiras. O objetivo deste trabalho é fornecer uma avaliação da influência das variáveis que compõem o risco climático ao compor o risco de crédito das instituições financeiras. Para isso, foram inseridos indicadores de externalidades que representassem o risco climático a uma base de 152.936 operações e 24 observações, utilizando as metodologias Taxonomia Verde e Régua de Sensibilidade ao Risco Climático. O comportamento das operações foi analisado de forma detalhada quanto ao risco da operação, risco do cliente, volume de crédito e quantidade de operações em relação aos indicadores de risco climático propostos. Os dados também foram submetidos aos modelos de machine learning: regressão Logística (Logit), Árvore de Decisão, AdaBoost, Random Forast, Gradient Boosting e XGBoost. O modelo Gradient Boosting atingiu melhores resultados em suas métricas e o modelo XGBoost ficou em segundo, porém, com maior área sob a curva ROC. A explicabilidade foi obtida por meio do método Shapley Value. O modelo Gradient Boosting não apresentou explicabilidade satisfatória. O modelo XBoost foi utilizado para explicabilidade do projeto. Como resultado, conclui-se que externalidades climáticas podem impactar significativamente o risco de crédito das operações e devem ser foco de atenção.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).pt_BR
dc.language.isoporpt_BR
dc.rightsAcesso Abertopt_BR
dc.titlePonderação do efeito das externalidades climáticas no risco de créditopt_BR
dc.typeDissertaçãopt_BR
dc.subject.keywordGestão de riscospt_BR
dc.subject.keywordExternalidadespt_BR
dc.subject.keywordInvestimentos - análisept_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.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, 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.abstract1Investments in financial operations can impact social, economic and environmental sectors. These impacts may not be incorporated into the final price of your contracts. Such impacts are called externalities and can produce positive or negative eects. The socioenvironmental credit risk analysis resides in the possibility of economic activities generating socio-environmental impacts or damages, capable of causing financial losses that compromise the payment of financing, as well as making the financial agent co-responsible for recovering the socio-environmental damage. In the case of climate risk, the enterprise may be excessively exposed, directly or indirectly, to extreme weather events capable of compromising its cash flow and payment capacity. Therefore, there was a need for measuring instruments capable of assessing the behavior of externalities in relation to the credit risk of financial operations. The objective of this work is to provide an evaluation of the influence of the variables that compose climate risk when composing the credit risk of financial institutions. For this purpose, indicators of externalities that represent climate risk were inserted into a base of 152,936 operations and 24 observations, using the Green Taxonomy and Climate Risk Sensitivity Ruler methodologies. The behavior of operations was analyzed in detail regarding the risk of the operation, customer risk, volume of credit and number of operations in relation to the proposed climate risk indicators. The data were also submitted to machine learning models: Logistic regression (Logit), Decision Tree, AdaBoost, Random Forst, Gradient Boosting and XGBoost. The Gradient Boosting model achieved better results in its metrics and the XGBoost model was second, however, with a larger area under the ROC curve. Explainability was obtained using the Shapley Value method. The Gradient Boosting model did not show satisfactory explanation. The XBoost model was used to explain the project. As a result, it is concluded that climatic externalities can significantly impact the credit risk of operations and should be the focus of attention.pt_BR
dc.description.unidadeInstituto de Ciências Exatas (IE)pt_BR
dc.description.unidadeDepartamento de Ciência da Computação (IE CIC)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Computação Aplicada, 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.