Machine Learning no risco de crédito: Capital de Giro e PRONAMPE

Machine Learning no risco de crédito: Capital de Giro e PRONAMPE

• Autor
• ALESSANDRO MOREIRA DOS SANTOS
• Co-autores
• JOÃO LEONOR DO NASCIMENTO SILVA , ROBERTO MIRANDA PIMENTEL FULLY , OCTAVIO LOCATELLI , GABRIEL RODRIGUES BATISTA SANFINS
• Resumo

•  

  Este estudo investiga a aplicação de modelos de Machine Learning à predição do risco de crédito corporativo em carteiras com características distintas, Capital de Giro e PRONAMPE. Utilizando dados históricos de uma instituição financeira brasileira classificada no segmento S1, analisam-se duas carteiras padronizadas em 52 variáveis, com definição de ativo problemático alinhada à Resolução CMN nº 4.966/2021 e validação temporal out-of-time. O desenho empírico envolve três experimentos: (i) Baseline, com treino e teste na mesma carteira; (ii) generalização cruzada entre carteiras; e (iii) modelo combinado (pooled) com variável indicadora de origem. O desempenho é avaliado por métricas adequadas a bases desbalanceadas e explicabilidade via valores SHAP. Os resultados indicam robustez intracarteiras, deterioração sob generalização cruzada e diferenças nos determinantes do risco. O modelo combinado apresenta ganhos de eficiência alocativa na priorização do risco, contribuindo para a literatura de generalização de modelos e para a gestão prudencial do risco de crédito.

• Palavras-chave
• Risco de crédito; Machine Learning; generalização de modelos; crédito corporativo; PRONAMPE.
• Modalidade
• Comunicação oral
• Área Temática
• Econometria Financeira

Voltar Download