Gerenciamento de risco de crédito por meio da utilização de aprendizado de máquina
O risco de crédito tem desempenhado um papel central em várias crises financeiras globais nas últimas três décadas. O cenário financeiro, cada vez mais complexo e interconectado, faz com que o gerenciamento de risco se torne fundamental para a estabilidade e o crescimento das instituições financeir...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Conselho Regional de Contabilidade de Santa Catarina
2025-02-01
|
| Series: | Revista Catarinense da Ciência Contábil |
| Subjects: | |
| Online Access: | https://revista.crcsc.org.br/index.php/CRCSC/article/view/3526 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850196598318956544 |
|---|---|
| author | Alex Giovani de Assis Sonia Rosa Arbues Decoster |
| author_facet | Alex Giovani de Assis Sonia Rosa Arbues Decoster |
| author_sort | Alex Giovani de Assis |
| collection | DOAJ |
| description |
O risco de crédito tem desempenhado um papel central em várias crises financeiras globais nas últimas três décadas. O cenário financeiro, cada vez mais complexo e interconectado, faz com que o gerenciamento de risco se torne fundamental para a estabilidade e o crescimento das instituições financeiras. Este estudo de caso tem como objetivo analisar a utilização de aprendizado de máquina, especificamente o algoritmo Gradient Boosting Decision Tree (GBDT), em um modelo preditivo, que combina variáveis financeiras e não financeiras significantes e utiliza as consultas aos bureaus de crédito na gestão de risco de crédito pelo Banco BS2, com o intuito de adquirir maior acurácia na tomada de decisões e melhorias na mitigação de riscos. A métrica F1, utilizada como parâmetro para demonstrar a precisão do modelo, comparada com o modelo da Serasa, apresenta um índice superior, de 0,77. A capacidade de monitoramento contínuo oferecida por esse modelo preditivo tem proporcionado ao BS2, desde 2022, uma visão em tempo real da saúde financeira de sua base de clientes, ajudando na implementação de políticas mais assertivas. A taxa de inadimplência da Pessoa Jurídica do Banco BS2, registrada pelo BCB-CADOC (2024), tem se mostrado decrescente após a implementação do novo modelo, baseado no algoritmo GBDT. Este estudo contribui para a promoção da inovação e competitividade nas instituições financeiras, incentivando a transparência e fortalecendo a confiança de investidores, stakeholders e reguladores, como o Banco Central, ao adotar ferramentas de Inteligência Artificial (IA) que detectam precocemente riscos de crédito e previnem crises sistêmicas.
|
| format | Article |
| id | doaj-art-6290b285dabb4d8f98acdad0ce07f237 |
| institution | OA Journals |
| issn | 1808-3781 2237-7662 |
| language | English |
| publishDate | 2025-02-01 |
| publisher | Conselho Regional de Contabilidade de Santa Catarina |
| record_format | Article |
| series | Revista Catarinense da Ciência Contábil |
| spelling | doaj-art-6290b285dabb4d8f98acdad0ce07f2372025-08-20T02:13:24ZengConselho Regional de Contabilidade de Santa CatarinaRevista Catarinense da Ciência Contábil1808-37812237-76622025-02-012410.16930/2237-766220253526Gerenciamento de risco de crédito por meio da utilização de aprendizado de máquinaAlex Giovani de Assis0Sonia Rosa Arbues Decoster1Faculdade FipecafiFaculdade Fipecafi O risco de crédito tem desempenhado um papel central em várias crises financeiras globais nas últimas três décadas. O cenário financeiro, cada vez mais complexo e interconectado, faz com que o gerenciamento de risco se torne fundamental para a estabilidade e o crescimento das instituições financeiras. Este estudo de caso tem como objetivo analisar a utilização de aprendizado de máquina, especificamente o algoritmo Gradient Boosting Decision Tree (GBDT), em um modelo preditivo, que combina variáveis financeiras e não financeiras significantes e utiliza as consultas aos bureaus de crédito na gestão de risco de crédito pelo Banco BS2, com o intuito de adquirir maior acurácia na tomada de decisões e melhorias na mitigação de riscos. A métrica F1, utilizada como parâmetro para demonstrar a precisão do modelo, comparada com o modelo da Serasa, apresenta um índice superior, de 0,77. A capacidade de monitoramento contínuo oferecida por esse modelo preditivo tem proporcionado ao BS2, desde 2022, uma visão em tempo real da saúde financeira de sua base de clientes, ajudando na implementação de políticas mais assertivas. A taxa de inadimplência da Pessoa Jurídica do Banco BS2, registrada pelo BCB-CADOC (2024), tem se mostrado decrescente após a implementação do novo modelo, baseado no algoritmo GBDT. Este estudo contribui para a promoção da inovação e competitividade nas instituições financeiras, incentivando a transparência e fortalecendo a confiança de investidores, stakeholders e reguladores, como o Banco Central, ao adotar ferramentas de Inteligência Artificial (IA) que detectam precocemente riscos de crédito e previnem crises sistêmicas. https://revista.crcsc.org.br/index.php/CRCSC/article/view/3526Gestão de Risco de CréditoInadimplênciaModelo PreditivoAprendizado de MáquinaIA |
| spellingShingle | Alex Giovani de Assis Sonia Rosa Arbues Decoster Gerenciamento de risco de crédito por meio da utilização de aprendizado de máquina Revista Catarinense da Ciência Contábil Gestão de Risco de Crédito Inadimplência Modelo Preditivo Aprendizado de Máquina IA |
| title | Gerenciamento de risco de crédito por meio da utilização de aprendizado de máquina |
| title_full | Gerenciamento de risco de crédito por meio da utilização de aprendizado de máquina |
| title_fullStr | Gerenciamento de risco de crédito por meio da utilização de aprendizado de máquina |
| title_full_unstemmed | Gerenciamento de risco de crédito por meio da utilização de aprendizado de máquina |
| title_short | Gerenciamento de risco de crédito por meio da utilização de aprendizado de máquina |
| title_sort | gerenciamento de risco de credito por meio da utilizacao de aprendizado de maquina |
| topic | Gestão de Risco de Crédito Inadimplência Modelo Preditivo Aprendizado de Máquina IA |
| url | https://revista.crcsc.org.br/index.php/CRCSC/article/view/3526 |
| work_keys_str_mv | AT alexgiovanideassis gerenciamentoderiscodecreditopormeiodautilizacaodeaprendizadodemaquina AT soniarosaarbuesdecoster gerenciamentoderiscodecreditopormeiodautilizacaodeaprendizadodemaquina |