Modelos de classificação de risco de crédito para financiamentos imobiliários: regressão logística, análise discriminante, árvores de decisão, bagging e boosting

Página do item simplificado
dc.contributor.advisorKimura, Herbertpt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2048706172366367por
dc.contributor.authorLopes, Neilson Soarespt_BR
dc.creator.Latteshttp://lattes.cnpq.br/0974082011403816por
dc.date.accessioned2016-03-15T19:25:35Z
dc.date.accessioned2020-05-28T18:03:45Z
dc.date.available2011-11-12pt_BR
dc.date.available2020-05-28T18:03:45Z
dc.date.issued2011-08-08pt_BR
dc.description.abstractNeste estudo foram aplicadas as técnicas paramétricas tradicionais de análise discriminante e regressão logística para análise de crédito de operações de financiamento imobiliário. Foi comparada a taxa de acertos destes métodos com as técnicas não-paramétricas baseadas em árvores de classificação, além dos métodos de meta-aprendizagem BAGGING e BOOSTING, que combinam classificadores para obter uma melhor precisão nos algoritmos.Em um contexto de alto déficit de moradias, em especial no caso brasileiro, o financiamento de imóveis ainda pode ser bastante fomentado. Os impactos de um crescimento sustentável no crédito imobiliário trazem benefícios não só econômicos como sociais. A moradia é, para grande parte dos indivíduos, a maior fonte de despesas e o ativo mais valioso que terão durante sua vida. Ao final do estudo, concluiu-se que as técnicas computacionais de árvores de decisão se mostram mais efetivas para a predição de maus pagadores (94,2% de acerto), seguida do BAGGING (80,7%) e do BOOSTING (ou ARCING, 75,2%). Para a predição de maus pagadores em financiamentos imobiliários, as técnicas de regressão logística e análise discriminante apresentaram os piores resultados (74,6% e 70,7%, respectivamente). Para os bons pagadores, a árvore de decisão também apresentou o melhor poder preditivo (75,8%), seguida da análise discriminante (75,3%) e do BOOSTING (72,9%). Para os bons pagadores de financiamentos imobiliários, BAGGING e regressão logística apresentaram os piores resultados (72,1% e 71,7%, respectivamente).A regressão logística mostra que, para um tomador com crédito consignado, a chance se ser um mau pagador é 2,19 maior do que se este tomador não tivesse tal modalidade de empréstimo. A presença de crédito consignado entre as operações dos tomadores de financiamento imobiliário também apresenta relevância na análise discriminante.por
dc.description.sponsorshipFundo Mackenzie de Pesquisapt_BR
dc.formatapplication/pdfpor
dc.identifier.urihttp://dspace.mackenzie.br/handle/10899/23357
dc.languageporpor
dc.publisherUniversidade Presbiteriana Mackenziepor
dc.rightsAcesso Abertopor
dc.subjectrisco de créditopor
dc.subjectanálise discriminantepor
dc.subjectregressão logísticapor
dc.subjectbaggingpor
dc.subjectboostingpor
dc.subjectarcingpor
dc.subjectfinanciamento imobiliáriopor
dc.subjectcredit riskeng
dc.subjectdiscriminant analisyseng
dc.subjectlogistic regressioneng
dc.subjectbaggingeng
dc.subjectboostingeng
dc.subjectarcingeng
dc.subjectreal estate financingeng
dc.subject.cnpqCNPQ::CIENCIAS SOCIAIS APLICADAS::ADMINISTRACAOpor
dc.thumbnail.urlhttp://tede.mackenzie.br/jspui/retrieve/2924/Neilson%20Soares%20Lopes.pdf.jpg*
dc.titleModelos de classificação de risco de crédito para financiamentos imobiliários: regressão logística, análise discriminante, árvores de decisão, bagging e boostingpor
dc.typeDissertaçãopor
local.contributor.board1Basso, Leonardo Fernando Cruzpt_BR
local.contributor.board1Latteshttp://lattes.cnpq.br/1866154361601651por
local.contributor.board2Kayo, Eduardo Kazuopt_BR
local.contributor.board2Latteshttp://lattes.cnpq.br/6629229841222438por
local.publisher.countryBRpor
local.publisher.departmentAdministraçãopor
local.publisher.initialsUPMpor
local.publisher.programAdministração de Empresaspor
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Neilson Soares Lopes.pdf
Tamanho:
960.46 KB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Administração de Empresas - Dissertações - CCSA Higienópolis