Publicação

Gestão do risco de crédito de clientes particulares: antecipar o incumprimento

Detalhes bibliográficos
Resumo:	O presente trabalho aborda a gestão do risco de crédito para clientes particulares, com o objetivo principal de prever o incumprimento. Utiliza uma variedade de metodologias estatísticas e técnicas de analise de dados, incluindo modelos de regressão logística, árvores de decisão e analise de clusters, para identificar variáveis sociodemográficas e comportamentais que influenciam o risco de incumprimento. Inicialmente, a regressão logística mostrou que as variáveis comportamentais, especialmente Comportamental1 e Comportamental5, ambas quantitativas e relativas a comportamentos financeiros dos clientes, são significativamente impactantes na probabilidade de incumprimento. A variável Comportamental1 apresentou um coeficiente negativo de −5, 94, indicando uma redução no risco de incumprimento com o aumento do desvio padrão da mesma. Por outro lado, Comportamental5 teve um coeficiente positivo associado a um odds ratio de 1, 29, sugerindo um aumento de 29% no risco de incumprimento com um aumento do desvio padrão da variável. Na análise com árvores de decisão, verificou-se que a variável Comportamental1 era suficiente para classificar os clientes. Após a exclusão desta variável, a nova árvore revelou outros padrões importantes, indicando a complexidade do comportamento de crédito dos clientes, englobando variáveis financeiras e especificações dos tipos de créditos contratados. A análise de clusters, utilizando o método não hierárquico k-means, foi aplicada para agrupar clientes com características e comportamentos semelhantes. Foram testados agrupamentos de dois e três clusters, concluindo-se que o melhor agrupamento foi obtido com três clusters, com a identificação clara do grupo de risco. Após a análise dos resultados, conclui-se que o melhor modelo de previsão foi o modelo de regressão logística, apresentando valores superiores nas métricas de desempenho. As variáveis relacionadas com a capacidade financeira, comportamentos financeiros e especificações de crédito mostraram-se cruciais para identificar o risco de incumprimento. A aplicação combinada das metodologias estatísticas proporcionou uma análise robusta e abrangente, melhorando a precisão e a confiabilidade dos resultados obtidos. As técnicas utilizadas mostraram-se eficazes na previsão do incumprimento, contribuindo para uma melhor gestão do risco e para a tomada de decisões mais informadas pelas instituições de crédito.
Autores principais:	Silva, Ana Rita Pimenta da
Assunto:	Crédito Risco Incumprimento Previsão Antecipação Credit Risk Default Forecasting Anticipation
Ano:	2024
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade do Minho
Idioma:	português
Origem:	RepositóriUM - Universidade do Minho

Descrição
Resumo:	O presente trabalho aborda a gestão do risco de crédito para clientes particulares, com o objetivo principal de prever o incumprimento. Utiliza uma variedade de metodologias estatísticas e técnicas de analise de dados, incluindo modelos de regressão logística, árvores de decisão e analise de clusters, para identificar variáveis sociodemográficas e comportamentais que influenciam o risco de incumprimento. Inicialmente, a regressão logística mostrou que as variáveis comportamentais, especialmente Comportamental1 e Comportamental5, ambas quantitativas e relativas a comportamentos financeiros dos clientes, são significativamente impactantes na probabilidade de incumprimento. A variável Comportamental1 apresentou um coeficiente negativo de −5, 94, indicando uma redução no risco de incumprimento com o aumento do desvio padrão da mesma. Por outro lado, Comportamental5 teve um coeficiente positivo associado a um odds ratio de 1, 29, sugerindo um aumento de 29% no risco de incumprimento com um aumento do desvio padrão da variável. Na análise com árvores de decisão, verificou-se que a variável Comportamental1 era suficiente para classificar os clientes. Após a exclusão desta variável, a nova árvore revelou outros padrões importantes, indicando a complexidade do comportamento de crédito dos clientes, englobando variáveis financeiras e especificações dos tipos de créditos contratados. A análise de clusters, utilizando o método não hierárquico k-means, foi aplicada para agrupar clientes com características e comportamentos semelhantes. Foram testados agrupamentos de dois e três clusters, concluindo-se que o melhor agrupamento foi obtido com três clusters, com a identificação clara do grupo de risco. Após a análise dos resultados, conclui-se que o melhor modelo de previsão foi o modelo de regressão logística, apresentando valores superiores nas métricas de desempenho. As variáveis relacionadas com a capacidade financeira, comportamentos financeiros e especificações de crédito mostraram-se cruciais para identificar o risco de incumprimento. A aplicação combinada das metodologias estatísticas proporcionou uma análise robusta e abrangente, melhorando a precisão e a confiabilidade dos resultados obtidos. As técnicas utilizadas mostraram-se eficazes na previsão do incumprimento, contribuindo para uma melhor gestão do risco e para a tomada de decisões mais informadas pelas instituições de crédito.