Aprendizado Estatístico e Risco de Crédito: Modelando Probabilidade de Default
Aprendizado de Máquina; Análise de Sobrevivência; Probabilidade de Inadimplência; Risco de crédito; Aprendizagem Estatística
A utilização de modelos de aprendizado de máquina para tomada de decisão é consolidada na indústria. Soluções automatizadas de aprendizado de máquina fazem parte do processo de estimativa de perda de crédito esperada. O presente trabalho investiga aplicações de risco de crédito para estimar o parâmetro de probabilidade de inadimplência. Diferentes desafios, que surgem em diferentes estágios do pipeline de automação, são abordados. O primeiro capítulo investiga o uso de variáveis sensíveis ao estimar a probabilidade de inadimplência. Diferentes estratégias, desde a etapa de pré-processamento até a modelagem de algoritmos de classificação, são combinadas para identificar a queda de desempenho causada pela ausência de recursos que possam trazer informações sensíveis. O segundo capítulo utiliza a Análise de Sobrevivência para estimar a probabilidade de inadimplência. Desde a implementação da International Financial Reporting Standard 9 (IFRS 9), métodos para estimar o parâmetro PD tem sofrido mudanças significativas, exigindo aprimoramento frequente das técnicas para atender a nova norma. O terceiro capítulo propõe um método de aprendizado estatístico que incorpora informações sobre pré-pagamento, como um risco secundário, ao estimar a probabilidade de inadimplência. Desta forma, este trabalho fornece uma visão geral de aplicações em estimativa de PD, usando diferentes conjuntos de dados e diferentes métodos de algoritmos de aprendizado de máquina.