Orientador: Gladys Dorotea Cacsire Barriga / Banca: Manoel Henrique Salgado / Banca: Silvia Inês Dallavalle de Pádua / Resumo: Modelos estatísticos de risco têm sido amplamente utilizados nas últimas décadas pelos bancos e outras instituições financeiras devido à forte concorrência por clientes no mercado de crédito e tendo em vista a regulação bancária quanto a risco de crédito, determinado no Acordo de Basiléia II. O objetivo deste trabalho foi usar modelos estatísticos em dados de escore de crédito de uma instituição financeira com o intuito de analisar a ocorrência de inadimplência. Foram utilizadas duas metodologias estatísticas: análise discriminante e análise de sobrevivência com fração de cura. Com a análise discriminante obteve-se um modelo de escore de crédito em (24) para classificar os clientes em grupos (de adimplentes e inadimplentes), resultando que 72,4% dos clientes foram corretamente classificados pelo modelo de escore de crédito obtido, e novos clientes solicitantes de crédito foram classificados em um dos grupos a partir do modelo obtido. Além disso, os resultados apontam que taxas de juros mais elevados influenciam na classificação do cliente como inadimplente, enquanto que idades mais elevadas influenciam na classificação de clientes como adimplentes. A segunda metodologia, a análise de sobrevivência com fração de cura (clientes adimplentes) foi utilizadas para modelar os dados dos tempos de inadimplência, considerando-se que uma proporção substancial de clientes não apresentou inadimplência durante o período do empréstimo. Os resultados obtidos demonstraram que o sexo e a renda dos clientes influenciam na proporção de inadimplência dos empréstimos e no risco dos clientes tornarem-se inadimplente. Para aplicação das metodologias estatíticas foi utilizada uma amostra de dados reais selecionados da base de dados de empréstimos da modalidade de Crédito Direito ao Consumidor (CDC) de uma... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Statistical risk models has been widely used in recent decades by banks and other financial institutions owing to high competition for customers in the credit market and in order to bank regulation regarding credit risk, in particular the Basel Accord II. The objective of this paper was to use statistical methods in data credit scoring financial institution in order to analyze the occurrence of default. In this work were used two statistical methods: discriminant analysis and survival analysis with cure fraction. With discriminant analysis obtained a credit score model in (24) to classify customers into groups (non-defaulting and defaulting), resulting that 72,4% of customers were correctly classified by the credit scoring model obtained, and new customers requesting credit were classified into one of the groups from the model obtained. Furthermore, the results indicate that higher interest rates influence the classification of the customers as nondefaulting customers) was used to model the data from the time of default, given that a substantial proportion of customers showed no default during the loan period. The result shows that gender and income influence the proportion of customers timely payment of loans and the risk of customers becoming default. In the application of statistical methods was used a sample of real data selected from the database of the type of Loans Consumer Credit (LCC) of financial institution with operations in Brazil. The models... (Complete abstract click electronic access below) / Mestre
| Identifer | oai:union.ndltd.org:UNESP/oai:www.athena.biblioteca.unesp.br:UEP01-000733753 |
| Date | January 2013 |
| Creators | Miola, Rodrigo Fernando. |
| Contributors | Universidade Estadual Paulista "Júlio de Mesquita Filho" Faculdade de Engenharia (Campus de Bauru). |
| Publisher | Bauru, |
| Source Sets | Universidade Estadual Paulista |
| Language | Multiple languages, Portuguese, Texto em português; resumo em inglês |
| Detected Language | Portuguese |
| Type | text |
| Format | 90 f. : |
| Relation | Sistema requerido: Adobe Acrobat Reader |
Page generated in 0.0024 seconds