Modelagem de risco de crédito via LSTM

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorNakano, Eduardo Yoshio-
Autor(es): dc.contributorgustavoduraes0@gmail.com-
Autor(es): dc.creatorAlmeida, Gustavo Durães-
Data de aceite: dc.date.accessioned2025-03-18T17:39:03Z-
Data de disponibilização: dc.date.available2025-03-18T17:39:03Z-
Data de envio: dc.date.issued2021-12-08-
Data de envio: dc.date.issued2021-12-08-
Data de envio: dc.date.issued2021-12-07-
Data de envio: dc.date.issued2021-09-27-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/42580-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/932818-
Descrição: dc.descriptionDissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2021.-
Descrição: dc.descriptionA modelagem de risco de crédito utiliza frequentemente de variáveis explicativas comportamentais medidas de forma longitudinal afim de estimar a probabilidade de não pagamento de uma operação de crédito. Usualmente, as informações longitudinais são sintetizadas atraváes de estatísticas resumos e em seguida são utilizadas como preditoras em modelos lineares de classificação binária. Este trabalho avalia a utilização e performance de uma rede neural recorrente (Long short-term memory), que é capaz de processar integralmente as vari ́veis explicativas longitudinais, como uma alternativa à regressão logística na modelagem de risco de crédito utilizando dados reais da instituição financeira Sicoob.-
Descrição: dc.descriptionCredit risk modelling usually utilizes longitudinal behavioural data as explanatory variables in default classification tasks. Usually, the aforementioned longitudinal data is summarized using domain appropriate summary statistics in order to transform the longitudinal data in linear data so that the information can be used as input for a logistic regression. This work assess the usability and performance of a recurrent neural network, that is capable of consuming the longitudinal data directly, as and alternative for a logistic regression model in the credit risk context using real data from a financial institution named Sicoob.-
Descrição: dc.descriptionInstituto de Ciências Exatas (IE)-
Descrição: dc.descriptionDepartamento de Estatística (IE EST)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Estatística-
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.subjectRisco de crédito-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectAprendizado profundo-
Palavras-chave: dc.subjectRedes neurais recorrentes-
Palavras-chave: dc.subjectLong Short-term Memory-
Título: dc.titleModelagem de risco de crédito via LSTM-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB - Rep. 1

Não existem arquivos associados a este item.