Submitted by Melissa Forti (melissaforti@gmail.com) on 2018-09-03T12:07:02Z No. of bitstreams: 1 Melissa_Forti_dissertacao.pdf: 2661806 bytes, checksum: a588904f04c4b3d523f82e716231ffd6 (MD5) / Approved for entry into archive by Joana Martorini (joana.martorini@fgv.br) on 2018-09-03T17:14:01Z (GMT) No. of bitstreams: 1 Melissa_Forti_dissertacao.pdf: 2661806 bytes, checksum: a588904f04c4b3d523f82e716231ffd6 (MD5) / Approved for entry into archive by Suzane Guimarães (suzane.guimaraes@fgv.br) on 2018-09-04T13:30:27Z (GMT) No. of bitstreams: 1 Melissa_Forti_dissertacao.pdf: 2661806 bytes, checksum: a588904f04c4b3d523f82e716231ffd6 (MD5) / Made available in DSpace on 2018-09-04T13:30:28Z (GMT). No. of bitstreams: 1 Melissa_Forti_dissertacao.pdf: 2661806 bytes, checksum: a588904f04c4b3d523f82e716231ffd6 (MD5) Previous issue date: 2018-08-08 / A necessidade de conhecer o cliente sempre foi um diferencial para o mercado e nestes últimos anos vivenciamos um crescimento exponencial de informações e técnicas que promovem a avaliação para todas as fases do ciclo de crédito, desde a prospecção até a recuperação de dívidas. Nesse contexto, as empresas estão investindo cada vez mais em métodos de Machine Learning para que possam extrair o máximo de informações e assim terem processos mais assertivos e rentáveis. No entanto, essas técnicas possuem ainda alguma desconfiança no ambiente financeiro. Diante desse contexto, o objetivo desse trabalho foi aplicar as técnicas de Machine Learning: Random Forest, Support Vector Machine e Gradient Boosting para um banco de dados real de cobrança, a fim de identificar os clientes mais propensos a quitar suas dívidas (Collection Score) e comparar a acurácia e interpretação desses modelos com a metodologia tradicional de Regressão Logística. A principal contribuição desse trabalho está relacionada com a comparação das técnicas em um cenário de recuperação de crédito considerando as principais características, vantagens e desvantagens. / The need to know the customer has always been a differential for the market, and in currently years we have experienced an exponential growth of information and techniques that promote this evaluation for all phases of the credit cycle, from prospecting to debt recovery. In this context, companies are increasingly investing in Machine Learning methods, so that they can extract the maximum information and thus have more assertive and profitable processes. However, these models still have a lot of distrust in the financial environment. Given this need and uncertainty, the objective of this work was to apply the Machine Learning techniques: Random Forest, Support Vector Machine and Gradient Boosting to a real collection database in order to identify the recover clients (Collection Score) and to compare the accuracy and interpretation of these models with the classical logistic regression methodology. The main contribution of this work is related to the comparison of the techniques and if they are suitable for this application, considering its main characteristics, pros and cons.

Made available in DSpace on 2010-04-20T20:48:08Z (GMT). No. of bitstreams: 3 68479.pdf.jpg: 16047 bytes, checksum: e55a63085f1340eeed16cabe46f731aa (MD5) 68479.pdf: 840158 bytes, checksum: d13c12beedbf2f62a71d5574af83dfad (MD5) 68479.pdf.txt: 270876 bytes, checksum: 0af13fce10af7db2c36dcb34a90e0b79 (MD5) Previous issue date: 2004-04-07T00:00:00Z / Credit risk comes from the possibility of the debtor not paying its debt at the maturity date, and the promised amount. When the debtor doesn’t pay in full its debt, we say he or she is in default. In this case, the creditor gets a loss. However, the loss could be reduced if the debtor pays part of his or her debt. The measurement of a debtor’s probability of default has been the subject of studies for decades. However, the measurement of how much one can receive from a defaulted credit – the recovery rate – has been given attention only recently. And, most of the time, this measure has been calculated for huge companies in United States financial markets, only. We have defined recovery rate based on financial reports of Brazilian commercial banks, and tracked the path of this variable pari passu to default rate, defined from the same reports also. We established a theoretical framework, and made hypothesis on how such variables as default rates and other credit quality indicators, economic level indicators, nominal and real interest rates, and capital markets indicators could explain variations on the recovery rates we have defined. We gathered information from 46 Brazilian private commercial banks, semiannually, bracing the period between June of 1994 and December 2002. These institutions were segmented by their share on the amount of credit of the private banking industry in Brazil and by the origin of its capital. Statistical models were run on explanatory variables based on original data and on variables obtained from principal components analysis. The models were able to explain most of the variation observed on the recovery rate we have defined, for the segments we have studied. The best models have shown that variations on the recovery rate could be explained by default rates and other indicators of credit quality, economic activity indicators and capital markets indicators. / O risco de crédito decorre da possibilidade de o devedor não honrar sua dívida no montante e na data aprazada. Quando o devedor não liquida sua dívida nas condições contratadas, diz-se que se torna inadimplente. Neste caso, o credor incorre em prejuízo. A perda, entretanto, pode ser reduzida se o cliente pagar parcialmente o que deve. A mensuração da probabilidade de um devedor inadimplir tem sido objeto de estudos há décadas. Entretanto, a quantificação do quanto o credor recebe em caso de inadimplência – a taxa de recuperação –só recentemente tem recebido atenção da academia. E, na maioria das vezes, esta quantificação tem-se limitado aos títulos de grandes empresas, negociados no mercado de capitais dos Estados Unidos da América. Neste trabalho, definiu-se uma taxa de recuperação baseada em informações contábeis de instituições bancárias brasileiras e analisou-se o comportamento desta variável pari passu à taxa de inadimplência, também definida a partir de dados contábeis. Estabeleceu-se um arcabouço teórico capaz de explicar de que forma variáveis como a taxa de inadimplência e outros indicadores de qualidade das carteiras de crédito, indicadores da atividade econômica, níveis de juros nominais e reais e indicadores do mercado de capitais, poderiam explicar as variações na taxa de recuperação das carteiras de crédito. Foram obtidas informações de um conjunto de 46 instituições bancárias privadas brasileiras, semestralmente, para o período compreendido entre junho de 1994 e dezembro de 2002. Essas instituições foram segmentadas pela representatividade de suas carteiras de crédito no volume total de créditos das instituições comerciais brasileiras e por origem de seu capital acionário. Elaboraram-se modelos estatísticos baseados em regressões multivariadas tanto de variáveis originais como de variáveis obtidas através de análise de componentes principais, que se mostraram capazes de explicar parte considerável das variações observadas na taxa de recuperação no conceito contábil, para os vários segmentos de instituições estudados. Mostraram-se como variáveis explicativas relevantes, nos melhores modelos, indicadores de inadimplência, indicadores da atividade econômica e indicadores do mercado de capitais.