O uso de Machine Learning (ML) difundido em diversas áreas ainda encontra barreiras no mercado financeiro devido à complexidade de seus algoritmos, interpretabilidade de seus resultados e por limitações regulatórios, por isso são chamados de modelos “caixa-preta”. Esse artigo explora um algoritmo de Auto Machine Learning (AutoML), uma evolução dos modelos de ML, na estimação de Loss Given Default (LGD) de uma carteira de crédito. Os resultados mostraram que: o AutoML é muito superior às metodologias tradicionais (regressão linear e árvore de decisão) tanto em termos acurácia quanto ordenação; o tamanho da amostra é muito importante para a performance do modelo; o tempo de execução do algoritmo não apresentou diferença relevante nos cenários avaliados; as variáveis relevantes foram em sua maioria as mesmas selecionadas pela metodologia tradicional. A recente evolução das ferramentas de AutoML e a consistência dos resultados indica que essa metodologia pode ser aplicada nos demais parâmetros de perda e nos mais diversos produtos de crédito, reduzindo o tempo de desenvolvimento, aumentando a qualidade dos resultados e atendendo os requisitos do novo Acordo de Basiléia.
Complete tool for submission, evaluation and publication of proceedings for scientific events.
