Classificação de Portfólio de Créditos Não-Performados utilizando Redes Neurais Artificiais Multilayer Perceptron

Autores

  • Flavio Clesio UNINOVE
  • Renato José Sassi UNINOVE

DOI:

https://doi.org/10.15675/gepros.v0i1.1120

Resumo

O objetivo da presente pesquisa é realizar a aplicação da técnica de redes neurais do tipo Multilayer Perceptron (MLP) na criação dos modelos classificação de um portfólio de créditos inadimplidos não-performados (NPLs – Non-Performing Loans) para classificação destes derivativos de crédito. Os créditos NPL são caracterizados como o montante relativo a empréstimos que não foram pagos e que já estão vencidos por mais de 90 dias. Uma vez que esses títulos por força de legislação são movidos para perdas, Fundos de Investimento em Direitos Creditórios (FIDC) realizam a compra dessas dívidas junto a essas instituições e realizam o processo de recuperação desse crédito. Com a utilização de redes neurais foram criados modelos de classificação relativos à posterior recuperação dessas dívidas. Para a avaliação de desempenho dos modelos foram apresentadas métricas de avaliação da classificação relativas às redes neurais com diferentes arquiteturas. Os resultados com a classificação foram satisfatórios tendo em vista que os modelos de classificação tiveram sucesso conforme a estrutura de custos econômicos apresentada.

Palavras-chave: Créditos Não-Performados. Redes Neurais Artificiais. Multilayer Perceptron. Non-Performing Loans. Créditos Inadimplidos.

 

Biografia do Autor

Flavio Clesio, UNINOVE

Flavio Clesio é Bacharel em Sistemas de Informação pelas Faculdades Integradas Rio Branco, e acadêmico do curso de Especialização em Engenharia de Banco de Dados pela UNICAMP e mestrando do curso de Engenharia de Produção na linha de pesquisa em Métodos Quantitativos e Inteligência Computacional na UNINOVE.

Atualmente é desenvolvedor em Business Intelligence no setor financeiro (Fundos de Investimento em Direitos Creditórios), onde atua nas áreas de construção de Cubos OLAP, Data Gathering, Data Integration, Data Cleasing; além de projetos de modelagem de esquemas de ETL (Extract, Transform, and Load).

Tem atuado no campo acadêmico em mineração de Dados na construção de um framework de ensino básico em mineração de dados, estudos e aplicações do paradigma CRISP-DM, e aplicações práticas (Pesquisa Operacional) como no Mercado Financeiro, Saúde, e Criminalidade.

Renato José Sassi, UNINOVE

Bacharel em Ciências Econômicas pela Faculdade de Economia Finanças e Administração de São Paulo (1987), especialista (pós-graduação Lato Sensu) em Administração de Empresas (área de concentração Análise de Sistemas) pela Fundação Escola de Comércio Álvares Penteado (1988), especialista (pós-graduação Lato Sensu) em Didática do Ensino Superior pelo Centro Universitário Sant' anna (1996), mestre em Administração de Empresas (Gestão de Negócios - Área de Concentração em Marketing) pelo Centro Universitário Sant'Anna (1999) e doutor em Engenharia Elétrica pela Escola Politécnica da Universidade de São Paulo (EPUSP - 2006). Atualmente é pesquisador e docente permanente do Programa de Mestrado em Engenharia de Produção da Universidade Nove de Julho (UNINOVE) e docente de graduação dos cursos de Ciência da Computação e de Sistemas de Informação da mesma universidade ministrando a disciplina Inteligência Artificial. Também é pesquisador associado do Grupo de Inteligência Computacional, Modelagem e Neurocomputação (ICONE) do Laboratório de Sistemas Integráveis (LSI) da Escola Politécnica da Universidade de São Paulo (USP), Possui experiência na área da Ciência da Computação, da Engenharia de Produção e da Administração de Empresas, atuando principalmente nos seguintes temas: Inteligência Computacional, Mineração de Dados, Business Intelligence, Business Analytics, Intelligent Optimization e Gestão da Tecnologia da Informação. (Texto informado pelo autor)

Downloads

Publicado

2014-06-02

Como Citar

Clesio, F., & Sassi, R. J. (2014). Classificação de Portfólio de Créditos Não-Performados utilizando Redes Neurais Artificiais Multilayer Perceptron. Revista Gestão Da Produção Operações E Sistemas, 9(1), 27. https://doi.org/10.15675/gepros.v0i1.1120

Edição

Seção

Artigos