Orientadora: Profa. Dra. Patricia Belfiore Fávero / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, 2016. / Este trabalho tem o objetivo de analisar as conjunturas do mercado financeiro, no tocante ao assunto de avaliação de risco de crédito. Esta atividade é primordial em toda e qualquer instituição que trabalhe com a concessão de ativos de crédito a credores, assumindo com isso todos os riscos de perda financeira envolvidos em uma operação de confiança. Com isso, este trabalho apresenta diferentes métodos de avaliação de risco de crédito utilizados por instituições ao redor do mundo, destacando melhores práticas de avaliação dos riscos na concessão de crédito, e características locais especificas que muitas vezes são similares em muitos países como regulamentações dos órgãos reguladores do governo local, e até mesmo acordos internacionais de melhores práticas de gestão de carteira de crédito como a Basileia. Dentre os métodos mais comumente utilizados nas instituições, este trabalho presta uma avaliação mais próxima sobre os métodos estatísticos aplicados para avaliação de risco de crédito, e os avanços conquistados com o apoio de técnicas sofisticadas de inteligência artificial no auxílio a resolução de problemas de análise de crédito, como redes neurais artificiais, algoritmos genéticos, e aprendizado conjunto de máquina. A união entre os conhecimentos clássicos de gestão de crédito e as técnicas de inteligência artificial permitem uma melhor assertividade na predição de bons e maus clientes, garantindo um menor risco financeiro e uma economia considerável devido à redução de processos operacionais. Com base nas análises literárias analisadas, será apresentado um estudo experimental, com o objetivo de apresentar na pratica o uso de técnicas de inteligência artificial para simular a resolução de problemas simples de análise de crédito. / This work has been developed with the objective of analyzing different situations in the financial Market, as regards the issue of credit risk evaluation. This activity is paramount in any institution that works with the granting of credit assets to creditors, taking with it all the risks of financial loss involved in a reliable operation. Thus, this paper presents various credit risk assessment methods used by institutions around the world, highlighting best risk assessment practices in lending, and specific local characteristics that are often similar in many countries such regulations organs regulators of local government, and even international agreements to better credit portfolio management practices such as Basel. Among the methods most commonly used in institutions, this paper provides a closer assessment of the statistical methods used to evaluate credit risk, and the advances made with the support of sophisticated artificial intelligence techniques to aid solving analysis problems credit, such as artificial neural networks, genetic algorithms, and joint learning machine. The union between the classical knowledge credit management and artificial intelligence techniques, provide better assertiveness in the prediction of good and bad clients, ensuring a lower financial risk and considerable savings due to reduced operational processes. Based on the literary analysis analyzed, an experimental study will be presented, with the aim of presenting in practice the use of artificial intelligence techniques to simulate the resolution of simple credit analysis problems.