Predição da recuperação da inadimplência em operações de crédito

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLadeira, Marcelo-
Autor(es): dc.creatorLopes, Rogério Gomes-
Data de aceite: dc.date.accessioned2024-10-23T15:36:55Z-
Data de disponibilização: dc.date.available2024-10-23T15:36:55Z-
Data de envio: dc.date.issued2018-01-04-
Data de envio: dc.date.issued2018-01-04-
Data de envio: dc.date.issued2018-01-04-
Data de envio: dc.date.issued2017-07-31-
Fonte completa do material: dc.identifierhttp://repositorio.unb.br/handle/10482/30982-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/887516-
Descrição: dc.descriptionDissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2017.-
Descrição: dc.descriptionEste trabalho propôs a indução de classificadores, a partir da aplicação de técnicas de mineração de dados,para identificar clientes inadimplentes com potencial de regularização da dívida visando auxiliar uma instituição financeira a reduzir a Provisão para Créditos de Liquidação Duvidosa (PCLD). Estes modelos poderão contribuir para reversão de despesas da instituição financeira. Foram utilizados as técnicas Generalized Linear Models (GLM), Distributed Random Forest (DRF), Deep Learning (DL) e Gradient Boosting Methods (GBM), implementados na plataforma H2O.ai. Alguns aspectos que afetam o comportamento do cliente inadimplente foram identificados, como o perfil de sua renda e a época do ano. Estratégias de recuperação de crédito foram propostas e simulações identificaram possibilidades de redução de despesas operacionais.-
Descrição: dc.descriptionThis works proposes the induction of classifiers, from the application of data mining techniques, to identify defaulting clients with debt settlement potential to assist a financial institution in reducing its provision for doubtful debits. These models may contribute to the reversal of expenses of the financial institution. The techniques Generalized Linear Models (GLM), Distributed Random Forest (DRF), Deep Learning (DL) and Gradient Boosting Methods (GBM) algorithms implemented in the H2O.ai platform were used. Some aspects that affect the behavior of the defaulting customer, such as the profile of their income and the period of the year, have been identified. Strategies of credit recovery strategies were proposed and simulations identified possibilities of reducing operating expenses.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectInadimplência (Finanças)-
Palavras-chave: dc.subjectAprendizagem de máquina-
Título: dc.titlePredição da recuperação da inadimplência em operações de crédito-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.