Estudo comparativo entre técnicas de aprendizado de máquina para estimação de risco de crédito

Abstract

A 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.