Modelos de Regressão Logística, Redes Neurais e Support Vector Machine (SVMs) na Análise de Crédito a Pessoas Jurídicas

Ano: 2010 | Volume: 12 | Número: 2

Autores: V. G. GEVERT et al

Palavras-chave: análise de crédito, modelos de previsão, regressão logística, redes neurais artificiais, support vector machine

Resumo Português:

Na área de crédito bancário, ao tomar um empréstimo ou realizar qualquer negócio, o passo seguinte ao preenchimento do cadastro na unidade concedente é a análise de crédito. O uso e a posse de instrumentos que auxiliem na tarefa de classificar possíveis solventes ou insolventes podem tornar-se uma vantagem competitiva. O presente trabalho foi desenvolvido para predizer empresas adimplentes e inadimplentes. Para isso, são analisados o registro de 199 clientes (pessoas jurídicas) de uma agência bancária, utilizando três técnicas: Regressão Logística, Redes Neurais de Múltiplas Camadas e Support Vector Machine. O objetivo é a comparação do desempenho das três técnicas escolhidas. Os resultados encontrados demonstram uma superioridade de Support Vector Machine em relação às outras duas técnicas. Alguns dos motivos para esse sucesso estão relacionados ao fato de essa técnica exibir bom desempenho de generalização em muitas bases de dados reais, ter boa fundamentação teórica, a eliminação da possibilidade de mínimos locais pelo processo de treinamento e a existência de poucos parâmetros livres para ajuste.

Resumo Inglês:

In the banking area, in order to grant a loan or do any business, the cadastre is followed by credit analysis. The use of instruments that aid in solvency classification may become a competitive advantage. This paper was developed to predict if companies will pay or not the loan. Therefore, 199 clients (companies) of a bank agency were analyzed using three different techniques: Logistic Regression, Multilayer Perceptron Neural Network and Support Vector Machine. The objective is to compare their performances. The Support Vector Machine presented better results than the other two techniques. Some reasons for this success are related to the fact that this technique exhibits good generalization performance in many real datasets, its good mathematical foundation, eliminating the possibility of local minima for the training process and the low number of free parameters to adjust.