Made available in DSpace on 2016-03-15T19:25:42Z (GMT). No. of bitstreams: 1 Vania Rosatti de Siqueira.pdf: 636275 bytes, checksum: a16be8a6db840089b4bb3645148a7376 (MD5) Previous issue date: 2011-02-10 / The Grameen Bank experiences with microcredit operations have been imitated in various countries, mainly the ones related to the two great innovations in this market: the credit agent s role and the solidary group mechanism. The massification of the operations and the reduction in their costs become vital for economies of scale to be achieved, as well as a greater appetite for the MFIs to expand their activity in the microcredit market. In this context, the next great innovation in the microcredit market will be the introduction of credit scoring models in such operations. This will speed up the process, reduce the risks and consequently the costs. Historical information about microcredit operations was taken into account for the creation of a credit model. It was then possible to identify key variables that help to distinguish between the good and the bad borrowers. The results show that as machine learning techniques bagging and boosting are added to the traditional methods of credit analysis discriminant analysis and logistic regression , an improvement in the performance of the credit scoring models for microcredit can be achieved. / As experiências do Grameen Bank com operações de microcrédito têm sido reproduzidas em vários países, principalmente as relacionadas com as duas grandes inovações neste mercado: o papel do agente de crédito e o mecanismo de grupo solidário. A massificação das operações e a redução de custos tornam-se imprescindíveis para que haja economia de escala e maior apetite para as IMFs ampliarem sua atuação neste mercado. Neste cenário, a implantação de modelos de credit scoring será a próxima inovação do microcrédito e proporcionará agilidade, redução de riscos e, conseqüentemente, redução dos custos. Com base em informações históricas de operações de microcrédito foi elaborado um modelo de crédito. Foram identificadas variáveis chave que permitem distinguir os bons e maus pagadores. Os resultados mostram que, acoplando-se técnicas de linguagem de máquina bagging e boosting aos métodos tradicionais de análise de crédito análise discriminante e regressão logística , obtém-se melhora na performance dos modelos de credit scoring para microcrédito.

Zugl.: Hannover, Univ., Diss., 2006

Praticamente todas as grandes instituições brasileiras que trabalham com concessão de crédito utilizam-se de modelos para avaliar o risco de inadimplência dos potenciais contratantes de produtos de crédito. Qualquer avanço nas técnicas, que resulte no aumento da precisão de um modelo de previsão, acarreta ganhos financeiros para a instituição. Neste trabalho são apresentados, em um primeiro momento, conceitos de crédito e risco. Posteriormente, a partir de uma amostra de dados, fornecida por uma grande instituição financeira brasileira, estão desenvolvidos três modelos, aplicando-se três técnicas para a classificação de clientes: Regressão Logística, Redes Neurais e Algoritmos Genéticos. Em uma etapa final, são avaliadas e comparadas a qualidade e performance dos modelos desenvolvidos, onde é apontado qual o modelo que melhor se ajusta aos dados. Os resultados obtidos pelos modelos de regressão logística e rede neural são satisfatórios e bastante próximos, sendo o primeiro ligeiramente superior. O modelo embasado por algoritmos genéticos apresenta também bons resultados embora num patamar inferior aos dois já citados. Este trabalho ilustra os procedimentos a serem adotados por uma empresa para identificar o melhor modelo de concessão de crédito que tenha boa aderência aos seus dados. A adoção do melhor modelo detectado permite o direcionamento da estratégia da instituição, podendo aumentar a eficiência do seu negócio. / Most of the large Brazilian institutions which work with credit concession use credit models to evaluate the risk of consumer loans. Any improvement in techniques that results in the precision increase of a prediction model, will provide financial gains to the institution. The first phase of this study introduces concepts of credit and risk. Subsequently, with a sample set of applicants from a large Brazilian financial institution, three credit scoring models are built applying three different techniques: Logistic Regression, Neural Networks and Genetic Algorithms. Finally, the quality and the performance of these models are evaluated and compared, and the best one is identified. The results obtained by the logistic regression model and neural network model are good and very similar, but the first one is slightly better. The results obtained with the genetic algorithm model are also good, but a little bit inferior. This study shows proceedings to be adopted by a financial institution in order to identify the best credit model to evaluate the risk of consumer loans. The use of the proper model will help the definition of an adequate business strategy and increase profits.

Made available in DSpace on 2015-03-05T19:13:44Z (GMT). No. of bitstreams: 0 Previous issue date: 26 / Nenhuma / As facilidades na concessão de crédito a pessoas físicas têm aumentado no decorrer dos últimos três anos. Variáveis como redução das taxas de juros, aumento de prazos de pagamentos e empréstimos consignados à folha de pagamento possibilitaram à população em geral acesso a aquisição de bens móveis, imóveis entre outros. Neste contexto, a procura por mecanismos mais robustos de análise de risco de crédito, no sentido de evitar ou reduzir os níveis de inadimplência do setor se tornaram necessários. Este estudo objetiva construir um modelo econométrico para estimar a probabilidade do risco de inadimplência em uma Instituição Privada de Ensino Superior. Utilizando a técnica estatística de regressão logística, o modelo de risco de crédito foi construído com base em uma amostra de alunos (pessoas físicas) matriculados na Universidade Católica de Pelotas, situada em Pelotas/RS. As variáveis explicativas do modelo foram obtidas a partir da aplicação de um questionário socioeconômico, que gerou um rol de 59 variáveis d / The facilitation in the credit concession to individuals has increased over the last three years. Variables such as the reduction in the interest taxes, increase in maturity, payroll-attached loans, have provided the population in general, with access to consumption property, buildings among others. In this scenario, the search for stronger tools of credit risk analysis, trying to avoid or at least reduce the default rates in the field, has become necessary. This study aims at elaborating an econometric model to predict the probability of default risk in a Private University. By using the statistical technique of logistical regression, the credit risk model has been built based on a sample of students (individuals) enrolled at “Universidade Católica de Pelotas”, located in Pelotas/RS. The explaining variables of the model have been obtained from a socio-economical questionnaire, which has generated 59 variables from which, only 3 were really relevant: existence of previously negotiated debts, possession of a

The growth of micro-credit along with the excellent conditions to carry out microfinance activity in the economy and financial system of the Republic of Peru are pushing for Microfinance Institutions (IMF) increased competition with banks in this segment business. Like in commercial banks, in microfinance questions such as: is this customer profitable?, What is the credit limit that I must accept to his/her application?, What interest rate should I charge to him/ her?, How I can reduce the risk default?, etc., are matters to be assessed properly. We propose a method that could facilitate improvement in customer qualification between failed and not failed. To this end, we propose a methodology that analyzes credit risk in the provision of microcredit through the design of a credit scoring model that we apply to a Development Agency for Small and Micro Enterprise (EDPYME), which is an IMF under the supervision by the Banking and Insurance Superintendency (SBS). / El crecimiento del número de microcréditos junto con las excelentes condiciones para llevar a cabo la actividad microfinanciera en la economía y sistema financiero de la República de Perú están impulsando a las instituciones de microfinanzas (IMF) a una mayor competencia con las entidades bancarias por este segmento de negocio. Al igual que en la banca comercial, en microfinanzas preguntas tales como: ¿conviene este cliente?, ¿cuál es el límite de crédito que debo aceptar a su solicitud?, ¿qué tasa de interés debo cobrar?, ¿cómo puedo reducir el riesgo de impago?, etc., son cuestiones que deben valorarse de forma adecuada. Este trabajo plantea un método que podría facilitar una mejora en la calificación de los clientes fallidos y no fallidos. Para ello, se propone una metodología que analiza el riesgo de crédito en la concesión de microcréditos mediante el diseño de un modelo de credit scoring aplicado a una entidad de desarrollo de la pequeña y micro empresa (EDPYME), IMF sometida a supervisión por la Superintendencia en Bancay Seguros (SBS).

Praticamente todas as grandes instituições brasileiras que trabalham com concessão de crédito utilizam-se de modelos para avaliar o risco de inadimplência dos potenciais contratantes de produtos de crédito. Qualquer avanço nas técnicas, que resulte no aumento da precisão de um modelo de previsão, acarreta ganhos financeiros para a instituição. Neste trabalho são apresentados, em um primeiro momento, conceitos de crédito e risco. Posteriormente, a partir de uma amostra de dados, fornecida por uma grande instituição financeira brasileira, estão desenvolvidos três modelos, aplicando-se três técnicas para a classificação de clientes: Regressão Logística, Redes Neurais e Algoritmos Genéticos. Em uma etapa final, são avaliadas e comparadas a qualidade e performance dos modelos desenvolvidos, onde é apontado qual o modelo que melhor se ajusta aos dados. Os resultados obtidos pelos modelos de regressão logística e rede neural são satisfatórios e bastante próximos, sendo o primeiro ligeiramente superior. O modelo embasado por algoritmos genéticos apresenta também bons resultados embora num patamar inferior aos dois já citados. Este trabalho ilustra os procedimentos a serem adotados por uma empresa para identificar o melhor modelo de concessão de crédito que tenha boa aderência aos seus dados. A adoção do melhor modelo detectado permite o direcionamento da estratégia da instituição, podendo aumentar a eficiência do seu negócio. / Most of the large Brazilian institutions which work with credit concession use credit models to evaluate the risk of consumer loans. Any improvement in techniques that results in the precision increase of a prediction model, will provide financial gains to the institution. The first phase of this study introduces concepts of credit and risk. Subsequently, with a sample set of applicants from a large Brazilian financial institution, three credit scoring models are built applying three different techniques: Logistic Regression, Neural Networks and Genetic Algorithms. Finally, the quality and the performance of these models are evaluated and compared, and the best one is identified. The results obtained by the logistic regression model and neural network model are good and very similar, but the first one is slightly better. The results obtained with the genetic algorithm model are also good, but a little bit inferior. This study shows proceedings to be adopted by a financial institution in order to identify the best credit model to evaluate the risk of consumer loans. The use of the proper model will help the definition of an adequate business strategy and increase profits.

[pt] Tão expressiva quanto a curva de crescimento do número de matrículas nas instituições de ensino superior (IES) privadas nos últimos anos é a respectiva curva da inadimplência, cujo aumento pode ser explicado, principalmente, pelo aprofundamento da crise econômica no país e pela redução do número de vagas ofertadas pelo FIES. A inadimplência apresenta-se como um desafio à gestão financeira das instituições de ensino, uma vez que impacta os seus custos operacionais e acaba sendo repassada aos alunos sob forma de aumento de mensalidade. Além disso, a evasão estudantil é também uma das principais consequências da inadimplência, à medida que alunos com dificuldades financeiras acabam por abandonar seus cursos, representando para as instituições de ensino não só uma perda econômica, como também acadêmica e social. As IES, em sua maioria, não utilizam qualquer tipo de técnica de credit scoring para prever o risco de seus alunos se tornarem inadimplentes. Nesse sentido, este trabalho apresenta uma metodologia quantitativa para previsão de risco de inadimplência de alunos ativos. Baseado em dados históricos de alunos que estavam inadimplentes ou adimplentes, modelos gerados por algoritmos de machine learning foram estimados e comparados. Por fim, os resultados obtidos evidenciaram a relação entre a inadimplência e a variação do valor pago ao longo dos semestres analisados, quantidade média de disciplinas cursadas, natureza empregatícia ao aluno e existência de débitos em semestres anteriores. Com a aplicação dos modelos propostos, as IES seriam capazes de identificar alunos com maior risco de inadimplência e planejar ações preventivas específicas para este grupo. / [en] As impressive as the growth rate in the number of enrollments in private higher education institutions in recent years is the increase in the related default rate, driven by the deepening economic crisis in Brazil and by the reduction of the number of vacancies offered by the FIES. Default presents itself as a challenge to the financial management of educational institutions, since it impacts their operational costs and ends up being passed on to students in the form of an increase in tuition. In addition, student dropout is also one of the main consequences of default, since students with economic difficulties end up abandoning their courses. Most higher education institutions do not use any type of credit scoring analysis to predict the risk of their students becoming defaulters, failing to understand which factors cause it, and, therefore, refraining from planning preventive actions. Therefore, this study presents a quantitative methodology to predict the default risk of active students. Models generated by machine learning algorithms were analyzed based on a historical database of students who were in or not in default. The results showed a relationship between default and economic, academic and social characteristics of students. Thus, by employing models such as the ones proposed, higher education institutions should be able to identify those students who are at higher risk of defaulting and take specific preventive actions to prevent such an outcome.

A Research Report Submitted to the Faculty of Engineering and the Built Environment in partial fulfilment of the Requirements for the degree of Master of Science in Engineering / The research centred on improving the current software systems development life cycle (SDLC) of the credit scoring process at a financial institution based on systems engineering principles. The research sought ways to improve the current software SDLC in terms of cost, schedule and performance. This paper proposes an improved software SDLC that conforms to the principles of systems engineering. As decisioning has been automated in financial institutions, various processes are developed according to a software SDLC in order to ensure accuracy and validity thereof. This research can be applied to various processes within financial institutions where software development is conducted, verified and tested. A comparative analysis between the current software SDLC and a recommended SDLC was performed. Areas within the current SDLC that did not comply with systems engineering principles were identified. These inefficiencies were found during unit testing, functional testing and regression testing. An SDLC is proposed that conforms to systems engineering principles and is expected to reduce the current SDLC schedule by 20 per cent. Proposed changes include the sequence of processes within the SDLC, increasing test coverage by extracting data from the production environment, filtering and sampling data from the production environment, automating functional testing using mathematical algorithms, and creating a test pack for regression testing which adequately covers the software change. / MT2016

Com a crescente demanda por crédito é muito importante avaliar o risco de cada operação desse tipo. Portanto, ao fornecer crédito a um cliente é necessário avaliar as chances do cliente não pagar o empréstimo e, para esta tarefa, as técnicas de credit scoring são aplicadas. O presente trabalho apresenta uma revisão da literatura de credit scoring com o objetivo de fornecer uma vis~ao geral das várias técnicas empregadas. Além disso, um estudo de simulação computacional é realizado com o intuito de comparar o comportamento de várias técnicas apresentadas no estudo. / Nowadays the increasing amount of bank transactions and the increasing of data storage created a demand for risk evaluation associated with personal loans. It is very important for a company has a very good tools in credit risk evaluation because theses tools can avoid money losses. In this context, it is interesting estimate the default probability for a customers and, the credit scoring techniques are very useful for this task. This work presents a credit scoring literature review with and aim to give a overview covering many techniques employed in credit scoring and, a computational study is accomplished in order to compare some of the techniques seen in this text.

Modelos de regressão para variáveis resposta binárias são muito comuns em diversas áreas do conhecimento. O modelo mais utilizado nessas situações é o modelo de regressão logística, que assume que o logito da probabilidade de ocorrência de um dos valores da variável resposta é uma função linear das variáveis preditoras. Quando essa suposição não é razoável, algumas possíveis alternativas são: realizar transformação das variáveis preditoras e/ou inserir termos quadráticos ou cúbicos no modelo. O problema dessa abordagem é que ela dificulta bastante a interpretação dos parâmetros do modelo e, em algumas áreas, é fundamental que eles sejam interpretáveis. Assim, uma abordagem muitas vezes utilizada é a categorização das variáveis preditoras quantitativas do modelo. Sendo assim, este trabalho tem como objetivo propor duas novas classes de métodos de categorização de variáveis contínuas em modelos de regressão para variáveis resposta binárias. A primeira classe de métodos é univariada e busca maximizar a associação entre a variável resposta e a covariável categorizada utilizando medidas de associação para variáveis qualitativas. Já a classe de métodos multivariada tenta incorporar a estrutura de dependência entre as covariáveis do modelo através da categorização conjunta de todas as variáveis preditoras. Para avaliar o desempenho, aplicamos as classes de métodos propostas e quatro métodos de categorização existentes em 3 bases de dados relacionadas à área de risco de crédito e a dois cenários de dados simulados. Os resultados nas bases reais sugerem que a classe univariada proposta têm um desempenho superior aos métodos existentes quando comparamos o poder preditivo do modelo de regressão logística. Já os resultados nas bases de dados simuladas sugerem que ambas as classes propostas possuem um desempenho superior aos métodos existentes. Em relação ao desempenho computacional, o método multivariado mostrou-se inferior e o univariado é superior aos métodos existentes. / Regression models for binary response variables are very common in several areas of knowledge. The most used model in these situations is the logistic regression model, which assumes that the logit of the probability of a certain event is a linear function of the predictors variables. When this assumption is not reasonable, it is common to make some changes in the model, such as: transformation of predictor variables and/or add quadratic or cubic terms to the model. The problem with this approach is that it hinders parameter interpretation, and in some areas it is fundamental to interpret the parameters. Thus, a common approach is to categorize the quantitative covariates. This work aims to propose two new classes of categorization methods for continuous variables in binary regression models. The first class of methods is univariate and seeks to maximize the association between the response variable and the categorized covariate using measures of association for qualitative variables. The second class of methods is multivariate and incorporates the predictor variables correlation structure through the joint categorization of all covariates. To evaluate the performance, we applied the proposed methods and four existing categorization methods in 3 credit scoring databases and in two simulated cenarios. The results in the real databases suggest that the proposed univariate class of categorization methods performs better than the existing methods when we compare the predictive power of the logistic regression model. The results in the simulated databases suggest that both proposed classes perform better than the existing methods. Regarding computational performance, the multivariate method is inferior and the univariate method is superior to the existing methods.