Fronteira entre risco operacional e risco de crédito : classificação de eventos de perdas operacionais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorKimura, Herbert-
Autor(es): dc.creatorBarros, Sheilla Pereira de-
Data de aceite: dc.date.accessioned2024-10-23T16:08:41Z-
Data de disponibilização: dc.date.available2024-10-23T16:08:41Z-
Data de envio: dc.date.issued2022-09-05-
Data de envio: dc.date.issued2022-09-05-
Data de envio: dc.date.issued2022-09-05-
Data de envio: dc.date.issued2022-06-15-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/44699-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/900887-
Descrição: dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Ciências Econômicas, 2022.-
Descrição: dc.descriptionNeste estudo avaliamos a aplicação de técnicas de aprendizagem de máquina para classificação de eventos de perda operacional com provável impacto no risco de crédito. Para tanto, utilizamos base de dados de perdas de uma instituição financeira brasileira. Na sequência selecionamos uma combinação de modelos probabilísticos (näive bayes e regressão logística) e de aprendizagem de máquina (árvore de decisão e random forest) para avaliar a precisão da classificação. Os resultados se mostraram satisfatórios para a maior parte dos algoritmos testados em especial àqueles com métrica em Árvore de Decisão. O presente estudo pretende contribuir não só academicamente (frente à escassez de referencial bibliográfico diretamente relacionado a Risco de Fronteira entre o Risco Operacional e o Risco de Crédito), mas também corporativamente mediante a otimização de classificação de informações pelas instituições financeiras, o que pode acarretar no aprimoramento da eficiência operacional, melhoria no gerenciamento de riscos (de forma integrada) e qualificação dos dados de perdas operacionais.-
Descrição: dc.descriptionIn this study, we evaluated the application of machine learning techniques to classify operational loss events with a probable impact on credit risk. For this, we used a database of losses from a Brazilian financial institution. Next, we selected a combination of probabilistic models (näive bayes and logistic regression) and machine learning (decision tree and random forest) to evaluate the classification accuracy. The results were satisfactory for most of the algorithms tested, especially those with Decision Tree metrics. The present study intends to contribute not only academically (in view of the scarcity of bibliographic reference directly related to Border Risk between Operational Risk and Credit Risk), but also corporately by optimizing the classification of information by financial institutions, which can lead to in improving operational efficiency, improving risk management (in an integrated manner) and qualifying operational loss data.-
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.subjectAprendizagem de máquina-
Palavras-chave: dc.subjectClassificação supervisionada-
Palavras-chave: dc.subjectPerda operacional-
Título: dc.titleFronteira entre risco operacional e risco de crédito : classificação de eventos de perdas operacionais-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.