Use este identificador para citar ou linkar para este item: http://dspace.mackenzie.br/handle/10899/12182
Tipo do documento: Tese
Título: Modelos computacionais e probabilísticos em riscos de crédito
Autor: Barboza, Flavio Luiz de Moraes
Primeiro orientador: Basso, Leonardo Fernando Cruz
Primeiro membro da banca: Forte, Denis
Segundo membro da banca: Sobreiro, Vinicius Amorim
Terceiro membro da banca: Jucá, Michele Nascimento
Quarto membro da banca: Kimura, Herbert
Resumo: Esta tese estuda risco de crédito com o intuito de promover uma discussão sobre a amplitude da literatura científica e dois destacados temas: capital regulatório e modelagem de previsão de falências. Para tanto divididiu-se o material em três ensaios. O primeiro é, na sua essência, uma revisão de literatura. Os principais estudos sobre risco de crédito foram classificados e codificados, e uma abordagem baseada em citação foi utilizada para determinar a sua relevância e contribuições. Lacunas interessantes do conhecimento são encontradas neste trabalho, o que nos dá motivação para desenvolver dois assuntos. O segundo discute a influência da busca por posições de rating mais elevadas para as estratégias das instituições financeiras quando visam minimizar o capital econômico, considerando rating de crédito do tomador e de seu rating objetivo em si. Usando um modelo de distribuição probabilística para simular a perda dada a inadimplência (mais conhecida por loss given default, LGD), os resultados encontrados mostram que o uso de notações de crédito nas orientações para o cálculo dos requisitos mínimos de capital pode ser uma alternativa para os bancos. No entanto, achou-se possível obter uma melhor classificação dentro de alguns pequenos intervalos de LGD. O terceiro mostra uma análise comparativa do desempenho de modelos computacionais, que são amplamente utilizados para resolver problemas de classificação e métodos tradicionais aplicados para prever falhas um ano antes do evento. Os modelos são formulados por meio de técnicas de aprendizagem de máquinas (máquinas de vetores de suporte, bagging, boosting e random forest). Aplicando dados de empresas norte-americanas 1985-2013, comparamos os resultados destes métodos inovadores com redes neurais, regressão logística e análise discriminante. O principal resultado desta parte do estudo é uma melhoria substancial no poder de previsão usando técnicas de aprendizado de máquina, quando, além das variáveis do Z-Score original de Altman (1968), seis métricas (ou constructos) selecionadas a partir de Carton e Hofer (2006) são incluídas como variáveis explicativas. A análise mostra que os modelos bagging e random forest tem desempenho superior as outras técnicas; todas as previsões são melhoradas quando os constructos sugeridos são incluídos na pesquisa.
Abstract: This dissertation studies credit risk to promove a discussion about the breadth of scientific literature and two highlighted topics: regulatory capital and bankruptcy prediction modelling. These issues are divided among three essays. The first one is a review of literature in nature. The main studies on credit risk were classified and coded, and a citation-based approach was used to determine its relevance and contributions. Interesting omissions of knowledge are found in this work, which give us motivation to develop two subjects. The second essay discusses the influence of the desirefor higher rating positions for financial instituitons strategies when aiming to minimize economic capital, considering the borrower s credit rating and target rating itself. Using a probabilistic distribution model to simulate loss-given default (LGD), our results show that the use of credit ratings in the guidance for calculating minimum capital requirements can be an alternative to the banks. Yet, we find it possible to get better rankings to lend to some small intervals of LGD. The third study shows a comparative analysis in the performance of computational models, which are widely used to solve classification problems, and traditional methods applied to predict failures one year before the event. The models are formulated by machine learning techniques (support vector machines, bagging, boosting and random forest). Applying data from U.S. companies from 1985 to 2013, we compare the results of these innovative methods with neural networks, logistic regression, and discriminant analysis. The major result of this part of the study is a substantial improvement in predictive power by using machine learning techniques, when, besides the original variable Z-Score from Altman (1968), six metrics (or constructs) selected from Carton e Hofer (2006) are included as explanatory variables. The analysis shows that the bagging and the random forest models outperform other techniques; all predictions are improved when the suggested constructs are included in the survey.
Palavras-chave: risco de crédito;  capital econômico;  rating;  falência;  aprendizagem de máquinas;  credit risk;  economic capital;  rating;  bankruptcy;  machine learning
Área(s) do CNPq: CNPQ::CIENCIAS SOCIAIS APLICADAS::ADMINISTRACAO::ADMINISTRACAO DE EMPRESAS
Idioma: por
País: BR
Instituição: Universidade Presbiteriana Mackenzie
Sigla da instituição: UPM
Departamento: Administração
Programa: Administração de Empresas
Citação: BARBOZA, Flavio Luiz de Moraes. Modelos computacionais e probabilísticos em riscos de crédito. 2015. 118 f. Tese (Doutorado em Administração) - Universidade Presbiteriana Mackenzie, São Paulo, 2015.
Tipo de acesso: Acesso Aberto
URI: http://tede.mackenzie.br/jspui/handle/tede/832
http://dspace.mackenzie.br/handle/10899/12182
Data de defesa: 6-Fev-2015
metadata.dc.bitstream.url: http://tede.mackenzie.br/jspui/bitstream/tede/832/1/Flavio%20Luiz%20de%20Moares%20Barboza_%20Portuguesprot.pdf
Aparece nas coleções:Administração de Empresas - Teses - CCSA Higienópolis

Arquivos associados a este item:
Não existem arquivos associados a este item.


Este arquivo é protegido por direitos autorais



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.