Mostrar registro simples

dc.contributor.advisorSteiner, Maria Teresinha Arns, 1957-pt_BR
dc.contributor.otherScarpin, Cassius Tadeu, 1980-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Produçãopt_BR
dc.creatorAssef, Fernanda Medeirospt_BR
dc.date.accessioned2024-04-16T17:19:27Z
dc.date.available2024-04-16T17:19:27Z
dc.date.issued2018pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/55079
dc.descriptionOrientadora: Profª Drª Maria Teresinha Arns Steinerpt_BR
dc.descriptionCoorientador: Prof. Dr. Cassius Tadeu Scarpinpt_BR
dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia de Produção. Defesa : Curitiba, 20/02/2018pt_BR
dc.descriptionInclui referênciaspt_BR
dc.description.abstractResumo: A avaliação de risco de credito propõe um problema clássico de tomada de decisão, onde o mérito de determinado individuo receber (ou não) o credito e baseado em estimativas do potencial de devolução deste credito acrescido pelas taxas bancarias. Desde que foi introduzida na década de 1950, a avaliação de risco tem sido amplamente utilizada. A avaliação do risco pode estar associada ao empréstimo por uma instituição financeira a uma determinada empresa (pessoa jurídica) ou a um individuo (pessoa física). A presente pesquisa visa analisar o primeiro caso: credito bancário concedido a entidades jurídicas (empresas), cujas respostas, já conhecidas por meio de registros históricos, estão divididas em classes, sendo estas: clientes adimplentes (pagam seus empréstimos em dia), inadimplentes (aqueles que não pagam) e temporariamente inadimplentes (clientes que pagam, mas com atraso), com o objetivo de auxiliar a decisão a ser tomada pela analista de determinada instituição financeira quanto a conceder (ou não) o credito a novas empresas solicitantes. Para melhor ilustrar a metodologia aqui utilizada fez-se uso de 5.432 dados (instancias; 2.600 Adimplentes, 1.281 Inadimplentes e 1.551 Temporariamente Inadimplentes), cada um dos quais com 15 atributos, de uma grande instituição bancaria brasileira. A metodologia fez uso dos seguintes métodos: Redes Neurais Artificiais (RNAs), mais especificamente, o modelo o Perceptron de Camada Múltipla (MLP) e as Funções de Base Radial (RBF) e, também, o modelo estatístico de Regressão Logística (RL). Para a implementação das RNAs, o software MATLAB foi utilizado e, para o modelo estatístico, foi utilizado o SPSS. O melhor desempenho foi apresentado o apresentado pelas MLP, cujas melhores acurácias foram de 74,70%; 91,4% e 74,6% para as classes "Adimplentes ou Outra", "Inadimplentes ou Outra" e Temporariamente Inadimplentes ou Outra", respectivamente. Desta forma, para a classificação de um novo cliente, teríamos que aplicar o modelo MLP para as três classes, verificando qual delas fornece o maior valor para a acurácia.pt_BR
dc.description.abstractAbstract: The credit risk assessment proposes a classic problem of decision making, where the merit of a given individual receives (or not) the credit is based on approximations of the potential for repayment of this credit plus bank fees. Since its introduction in the 1950s, risk assessment has been widely used. The risk assessment may be linked to the lending by a financial institution to a particular company (legal entity) or to an individual (individual). The present study aims at analyzing the first case: bank credit granted to legal entities (enterprises), whose answers, already known through historical records, are divided into classes, which are: clients default (pay their loans on time), defaulters (those who do not pay) and temporarily defaulters (customers who pay but are late), in order to assist the decision to be taken by the analyst of a particular financial institution to grant (or not) the credit to new applicant companies. In order to better illustrate the methodology used, 5,432 data were used (instances: 2,600 Default, 1,281 Defaulters and 1,551 Temporarily Defaulters), each one with 15 attributes, of a large Brazilian banking institution. The methodology used the following methods: Artificial Neural Networks (ANNs), more specifically, the Multiple Layer Perceptron (MLP) and the Radial Base Functions (RBF) model, as well as the Logistic Regression (RL). For the implementation of ANNs, MATLAB software was used and, for the statistical model, SPSS was used. The best performance was presented by the MLP, whose best accuracy was 74.70%; 91.4% and 74.6% for the "Default and Others", "Defaulters and Other" and "Temporarily Defaulters and Other" classes, respectively. Thus, for the classification of a new customer, we would have to apply the MLP model to the three classes, verifying which one provides the highest value for the accuracy.pt_BR
dc.format.extent1 recurso online : PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectEngenharia de Produçãopt_BR
dc.subjectAvaliação de riscospt_BR
dc.subjectProcesso decisóriopt_BR
dc.titleAlgoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídicapt_BR
dc.typeDissertação Digitalpt_BR


Arquivos deste item

Thumbnail

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples