Desempenho financeiro como critério de decisão para seleção modelos de análise e concessão de crédito

Rodrigo Alves Silva, Anderson Ara, Evandro Marcos Saidel Ribeiro
DOI: https://doi.org/10.21529/RECADM.2017004

Resumen

O presente artigo tem por objetivo apresentar a importância do emprego de métricas financeiras na tomada de decisão de seleção de modelos de credit scoring. Para tanto, considerando um sistema de aprovação automática, este artigo empregou métricas de desempenho financeiro sobre as carteiras teóricas geradas por modelos de credit scoring baseados em sete das principais técnicas de aprendizagem estatística utilizadas para tratamento dessa problemática. Os modelos foram ajustados aos dados da base German Credit Data Set e os resultados analisados com base em quatro métricas: acurácia total, custo por erro, retorno ajustado ao risco de capital e índice de Sharpe. Os resultados apontam que a acurácia total, amplamente empregada como critério de seleção de modelos de credit scoring, é incapaz de selecionar o modelo mais rentável para a firma, indicando a necessidade de incorporar métricas financeiras ao processo de seleção de modelos de credit scoring.

 


Palabras clave

Risco de crédito; Seleção de modelos; Aprendizagem estatística

Compartilhe

Referencias


Ala'Raj, M., & Abbod, M. F. (2016). Classifiers consensus system approach for credit scoring. Knowledge-Based Systems, 104(15), 89–105.

Bache, K., & Lichman, M. (2013). UCI Machine Learning Repository. Irvine, CA: University of California, School of Information and Computer Science.

Bluhm, C., Overbeck, L. & Wagner, C. (2010). Introduction to credit risk modeling (2ªed.). London: Chapman & Hall, 386p.

Brown, I., & Mues, C. (2012). An experimental comparison of classification algorithms for imbalanced credit scoring data sets. Expert Systems with Applications, 39, 3446–3453.

Chung, H. Y., Ho, C. H., & Hsu, C. C. (2011). Support vector machines using Bayesian-based approach in the issue of unbalanced classifications. Expert Systems with Applications, 38(9), 11447–11452.

Duan, J. C., & Shrestha, K. (2011). Statistical Credit Rating Metholds. Global Credit Review, 1, 43-64.

Febraban, Relatório Anual. (2013). Recuperado em 05 de dezembro de 2014, de www.febraban.org.br/.

Ferson, W. E. (2013). Investment Performance: A Review and Synthesis. In. Handbook of the Economics of Finance, 2, part B.

García, F., Giménez, V., & Guijarro, F. (2013). Credit risk management: A multicriteria approach to assess creditworthiness. Mathematical and Computer Modelling, (57), 2009-2015.

Glantz, M., & Kissell, R. (2014). Multi-asset risk modeling: techniques for a global economy in an electronic and algorithmic trading era. San Diego: Academic Press.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2014). Multivariate data analysis. (7ª ed.) New Jersey. Pearson Prentice Hall.

Harris, T. (2015). Credit scoring using the clustered support vector machine. Expert Systems with Applications, 42(2), 741–750.

Iscoe, I., Kreinin, A., Mausser, H., & Romanko, O. (2012). Portfolio credit-risk optimization. Journal of Banking & Finance, 36(6), 1604–1615.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: with application in R. New York: Springer.

Louzada, F., & Ara, A. (2012). Bagging k-dependence probabilistic networks: An alternative powerful fraud detection tool. Expert Systems with Applications, 39, 11583–11592.

Louzada, F., Ferreira-Silva, P. H., & Diniz, C. A. R. (2012). On the impact of disproportional samples in credit scoring models: An application to a Brazilian bank data. Expert Systems with Applications, 39(9), 8071–8078.

Louzada, F., Ara, A., & Fernandes, G. B. (In Press). Classification methods applied to credit scoring: Systematic review and overall comparison. Surveys in Operations Research and Management Science, (Previous screen in November/2016).

Lu, F. Q., Huang, M.; Ching, W. K., & Siu, T. K. (2013). Credit portfolio management using two-level particle swarm optimization. Information Sciences, 237(10), 162-175.

Nagarajan, R., Scutari, M., & Lèbre, S. (2013). Bayesian Networks in R: with Applications in Systems Biology. Nova York: Springer.

Pascual, M. B., Martínez, A. M., & Alamillos, A. M. (2014). Redes bayesianas aplicadas a problemas de credit scoring. Una aplicación práctica. Cuadernos de Economía, 104(37), 73-86.

Xiao, H., Xiao, Z., & Wang, Y. (2016). Ensemble classification based on supervised clustering for credit scoring. Applied Soft Computing, 43, 73–86.

Zhou, L., Lai, K. K., & Yu, L. (2010). Least squares support vector machines ensemble models for credit scoring. Expert Systems with Applications, 37(1), 127-133.




Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.