APLICAÇÕES DE MACHINE LEARNING NA ANÁLISE DO RISCO DE CRÉDITO 3j2w4g

Olá, pessoal! 1h4u4r

No de Educação Financeira de hoje vamos tratar de um assunto muito interessante que já faz parte da vida da nossa vida no mercado financeiro. Várias instituições financeiras já estão usando a inteligência artificial no processo de concessão de crédito. Vamos saber mais sobre o assunto?

Você sabe o QUE É RISCO DE CRÉDITO? Em primeiro lugar, a palavra crédito descreve o ato de se emprestar algo a outro com a confiança de sua devolução. Na indústria financeira, em que o empréstimo de dinheiro é a maior atividade comercial, diferentes operações constituem um processo chamado de concessão de crédito.

Mas em razão do enorme volume de operações de crédito, que são realizadas, as instituições financeiras têm que se preocupar com diversos riscos financeiros que são inerentes ao processo de concessão de crédito. Um dos principais riscos é o Risco de Crédito, que corresponde ao risco de um devedor não pagar um empréstimo, conforme foi acordado no contrato.

Esse grande volume de operações de crédito na indústria financeira também pode gerar consequências graves no aumento nas taxas de inadimplência. Como exemplo, vale lembrar que o estopim da crise econômica mundial de 2008 foi justamente um aumento da inadimplência em contratos de hipoteca nos Estados Unidos. No Brasil, de acordo com pesquisa da Confederação Nacional do Comércio (CNC), a inadimplência alcançou em setembro deste ano, o maior percentual de famílias desde o início da série histórica em 2010. Aqui, portanto, a confiança deve dar lugar a metodologias analíticas e quantitativas para medir e istrar o risco de crédito, e por isso existe a istração do risco de crédito.

Outra pergunta interessante para responder é o QUE FAZ A ISTRAÇÃO DO RISCO DE CRÉDITO? O objetivo principal da istração do risco de crédito é mitigar as perdas provindas da inadimplência. Isso é feito principalmente por meio da adequação de capital ou da quantia de capital próprio que é utilizada para financiar os contratos de concessão de crédito e cobrir uma possível perda. 

Antes de 2008, esse processo era feito por meio de um risco fixo por contrato, ou seja, estipulava-se que uma hipoteca, por exemplo, tinha um risco de 50%, independente do devedor. Com o tempo, especialmente após grandes crises, novas normas regulamentadoras e acordos internacionais foram firmados para lidar com a ineficiência desta metodologia. E, especialmente após os acordos de Basiléia, ou-se a se exigir uma avaliação mais rigorosa dos riscos financeiros, buscando modelar a probabilidade de inadimplência de cada pessoa. Estes acordos foram firmados pelo Comitê de Supervisão Bancária de Basiléia, criado pelo BIS (ou o banco central dos bancos centrais), e esta prática de avaliar a potencial inadimplência de um tomador ficou conhecida como Credit Scoring.

Muitos falam sobre o Credit Scoring. Mas você sabe para o que SERVE O CREDIT SCORING? O Credit Scoring é uma forma de se assinalar um tomador a um nível de risco, para que se possa tomar a decisão de conceder ou não o crédito. Desta forma, consegue-se estimar quem é um bom pagador e quem é um mau pagador. É o que faz, por exemplo, o Serasa. Ele comercializa perfis dos consumidores e dá a eles uma pontuação de risco. No começo, isto era feito pela própria experiência dos analistas de crédito, mas com o tempo, surgiram modelos estatísticos e computacionais capazes de fazer essa distinção de forma mais precisa.

É exatamente na automação dos modelos estatísticos e computacionais que ENTRA MACHINE LEARNING EM CREDIT SCORING. Os primeiros modelos que surgiram para isso foram feitos em cima de algoritmos estatísticos de classificação. Assim, se a organização possui uma base de dados com vários atributos sobre os clientes, bem como a informação se eles adimpliram ou não os seus contratos, estes algoritmos relacionam estes atributos (como idade, profissão, renda etc.) para tentar classificar um novo cliente como bom ou mau pagador. Mais recentemente, no entanto, surgiu uma nova categoria de algoritmos, da família da inteligência artificial, conhecida como Machine Learning. A principal diferença é que eles tentam aprender com os dados históricos, reconhecendo padrões, para fazer a classificação em busca da melhor performance possível, independente do entendimento das relações entre as variáveis. Estes algoritmos apresentam resultados promissores na análise do risco de crédito, sendo que uma melhora de um percentual pequeno pode significar grandes economias.

Diante disso, a PROPOSTA DO TRABALHO de dissertação do André Montevechi é modelar diferentes algoritmos de Machine Learning para tentar evidenciar se eles realmente são melhores. Além de tentar estabelecer diretrizes para o processo de modelagem, analisando qual a melhor forma de trabalhar com estes algoritmos para poder auxiliar pesquisadores e analistas no futuro. Uma melhoria na istração do risco de crédito seria importante para saúde das instituições financeiras, bem como a manutenção do equilíbrio do nosso sistema creditício, evitando, consequentemente um aumento na inadimplência. Vale ressaltar que isso não significa menos concessões, mas sim boas concessões. O dinheiro seria colocado nas mãos certas, não só negando crédito para um mau pagador, mas, por exemplo, utilizando a modelagem de risco como ferramenta para ajustar a taxa de juros de forma a viabilizar o contrato.

Esperamos que tenham gostado do nosso de hoje. Nos vemos em breve para falar mais um pouco dos dilemas do nosso dia a dia.

Até lá!

Por

Mestrando André Aoun Montevechi

Prof. Dr. Rafael de Carvalho Miranda

Prof. Dr. André Luiz Medeiros