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

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.