Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: http://tede.mackenzie.br/jspui/handle/tede/832
Registro completo de metadados
Campo DCValorIdioma
dc.creatorBarboza, Flavio Luiz de Moraespt_BR
dc.creator.Latteshttp://lattes.cnpq.br/4204955149040832por
dc.contributor.advisor1Basso, Leonardo Fernando Cruzpt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1866154361601651por
dc.contributor.referee1Forte, Denispt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/0075062531510292por
dc.contributor.referee2Sobreiro, Vinicius Amorimpt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/3150339971293179por
dc.contributor.referee3Jucá, Michele Nascimentopt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/6770985264140454por
dc.contributor.referee4Kimura, Herbertpt_BR
dc.contributor.referee4Latteshttp://lattes.cnpq.br/2048706172366367por
dc.date.accessioned2016-03-15T19:31:11Z-
dc.date.available2015-09-21pt_BR
dc.date.issued2015-02-06pt_BR
dc.identifier.citationBARBOZA, Flavio Luiz de Moraes. Modelos computacionais e probabilísticos em riscos de crédito. 2015. 118 f. Tese (Doutorado em Administração) - Universidade Presbiteriana Mackenzie, São Paulo, 2015.por
dc.identifier.urihttp://tede.mackenzie.br/jspui/handle/tede/832-
dc.description.resumoEsta tese estuda risco de crédito com o intuito de promover uma discussão sobre a amplitude da literatura científica e dois destacados temas: capital regulatório e modelagem de previsão de falências. Para tanto divididiu-se o material em três ensaios. O primeiro é, na sua essência, uma revisão de literatura. Os principais estudos sobre risco de crédito foram classificados e codificados, e uma abordagem baseada em citação foi utilizada para determinar a sua relevância e contribuições. Lacunas interessantes do conhecimento são encontradas neste trabalho, o que nos dá motivação para desenvolver dois assuntos. O segundo discute a influência da busca por posições de rating mais elevadas para as estratégias das instituições financeiras quando visam minimizar o capital econômico, considerando rating de crédito do tomador e de seu rating objetivo em si. Usando um modelo de distribuição probabilística para simular a perda dada a inadimplência (mais conhecida por loss given default, LGD), os resultados encontrados mostram que o uso de notações de crédito nas orientações para o cálculo dos requisitos mínimos de capital pode ser uma alternativa para os bancos. No entanto, achou-se possível obter uma melhor classificação dentro de alguns pequenos intervalos de LGD. O terceiro mostra uma análise comparativa do desempenho de modelos computacionais, que são amplamente utilizados para resolver problemas de classificação e métodos tradicionais aplicados para prever falhas um ano antes do evento. Os modelos são formulados por meio de técnicas de aprendizagem de máquinas (máquinas de vetores de suporte, bagging, boosting e random forest). Aplicando dados de empresas norte-americanas 1985-2013, comparamos os resultados destes métodos inovadores com redes neurais, regressão logística e análise discriminante. O principal resultado desta parte do estudo é uma melhoria substancial no poder de previsão usando técnicas de aprendizado de máquina, quando, além das variáveis do Z-Score original de Altman (1968), seis métricas (ou constructos) selecionadas a partir de Carton e Hofer (2006) são incluídas como variáveis explicativas. A análise mostra que os modelos bagging e random forest tem desempenho superior as outras técnicas; todas as previsões são melhoradas quando os constructos sugeridos são incluídos na pesquisa.por
dc.description.abstractThis dissertation studies credit risk to promove a discussion about the breadth of scientific literature and two highlighted topics: regulatory capital and bankruptcy prediction modelling. These issues are divided among three essays. The first one is a review of literature in nature. The main studies on credit risk were classified and coded, and a citation-based approach was used to determine its relevance and contributions. Interesting omissions of knowledge are found in this work, which give us motivation to develop two subjects. The second essay discusses the influence of the desirefor higher rating positions for financial instituitons strategies when aiming to minimize economic capital, considering the borrower s credit rating and target rating itself. Using a probabilistic distribution model to simulate loss-given default (LGD), our results show that the use of credit ratings in the guidance for calculating minimum capital requirements can be an alternative to the banks. Yet, we find it possible to get better rankings to lend to some small intervals of LGD. The third study shows a comparative analysis in the performance of computational models, which are widely used to solve classification problems, and traditional methods applied to predict failures one year before the event. The models are formulated by machine learning techniques (support vector machines, bagging, boosting and random forest). Applying data from U.S. companies from 1985 to 2013, we compare the results of these innovative methods with neural networks, logistic regression, and discriminant analysis. The major result of this part of the study is a substantial improvement in predictive power by using machine learning techniques, when, besides the original variable Z-Score from Altman (1968), six metrics (or constructs) selected from Carton e Hofer (2006) are included as explanatory variables. The analysis shows that the bagging and the random forest models outperform other techniques; all predictions are improved when the suggested constructs are included in the survey.eng
dc.description.provenanceMade available in DSpace on 2016-03-15T19:31:11Z (GMT). No. of bitstreams: 1 Flavio Luiz de Moares Barboza_ Portuguesprot.pdf: 2812858 bytes, checksum: f2dcc3e0b9d4f798fd0a10c4a4b79844 (MD5) Previous issue date: 2015-02-06eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.formatapplication/pdfpor
dc.thumbnail.urlhttp://tede.mackenzie.br/jspui/retrieve/3097/Flavio%20Luiz%20de%20Moares%20Barboza_%20Portuguesprot.pdf.jpg*
dc.languageporpor
dc.publisherUniversidade Presbiteriana Mackenziepor
dc.publisher.departmentAdministraçãopor
dc.publisher.countryBRpor
dc.publisher.initialsUPMpor
dc.publisher.programAdministração de Empresaspor
dc.rightsAcesso Abertopor
dc.subjectrisco de créditopor
dc.subjectcapital econômicopor
dc.subjectratingpor
dc.subjectfalênciapor
dc.subjectaprendizagem de máquinaspor
dc.subjectcredit riskeng
dc.subjecteconomic capitaleng
dc.subjectratingeng
dc.subjectbankruptcyeng
dc.subjectmachine learningeng
dc.subject.cnpqCNPQ::CIENCIAS SOCIAIS APLICADAS::ADMINISTRACAO::ADMINISTRACAO DE EMPRESASpor
dc.titleModelos computacionais e probabilísticos em riscos de créditopor
dc.typeTesepor
Aparece nas coleções:Doutorado - Administração de Empresas

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Flavio Luiz de Moares Barboza_ Portuguesprot.pdf2.75 MBAdobe PDFThumbnail

Baixar/Abrir Pré-Visualizar


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.