ANÁLISE DE CRÉDITO EM INSTITUIÇÕES FINANCEIRAS: UMA ABORDAGEM ATRAVÉS DO MÉTODO ADAPTIVE BOOSTING

Em sistemas financeiros, a análise de crédito é uma etapa crucial para avaliar a capacidade de um cliente em cumprir suas obrigações financeiras. A utilização de técnicas de Machine Learning para essa análise pode aumentar a precisão das decisões de crédito, garantindo que os empréstimos sejam concedidos a clientes com alta probabilidade de adimplência, ao mesmo tempo em que se minimiza o risco para as instituições financeiras. Baseado nisto, neste trabalho o objetivo principal é construir um modelo preditivo que possa classificar os clientes como aptos ou não aptos para receberem empréstimos, com base em suas características financeiras e pessoais. Dentre as várias técnicas de Machine Learning, neste trabalho, foi utilizado o método Adaptive Boosting (AdaBoost), que utiliza boosting como método de aprendizagem e, a partir da combinação de vários classificadores com acurácia baixa (hipóteses fracas), uma regra de predição para um classificador com acurácia mais alta (hipótese forte) é produzida, utilizando a mesma base de aprendizagem diversas vezes, motivo pelo qual o conjunto de dados não precisa ser muito grande. Primeiramente, foi gerado um conjunto de dados fictícios com mil pessoas contendo “nome”, “idade”, “histórico de crédito”, “renda mensal”, “relação dívida renda”, “profissão”, “garantias”, “score de crédito" e “estado civil”. A metodologia de solução foi desenvolvida no Google Colab, uma plataforma gratuita que permite a criação e execução de códigos Python (e também outras linguagens de programação) diretamente no navegador. Essa linguagem de programação é altamente eficaz no aprendizado de máquina e desenvolvimento de software. Para compor a metodologia, foram adotadas três etapas: 1. Preparação e transformação dos dados; 2. Treinamento e avaliação do modelo, considerando 20% dos dados para treinamento do modelo e 80% dos dados para validação; 3. Geração de uma planilha que lista os clientes aptos a receberem empréstimos com base nas previsões do modelo. Ao final do processo, obtemos um modelo capaz de prever com quais são os clientes elegíveis a receberem empréstimos. Os resultados são documentados em uma planilha, facilitando a análise e a tomada de decisões pela instituição financeira. Esta abordagem não só melhora a eficiência na concessão de crédito, mas também ajuda a minimizar riscos, assegurando que os recursos sejam alocados de forma mais segura e eficaz.  Para fins de comparação, outras técnicas serão testadas, tais como: Gradient Boosting e Extreme Gradient Boosting (XGBoost).  Além disso, testes com conjunto de dados maiores estão sendo realizados, visto que, as instituições financeiras lidam com conjunto de dados volumosos, e como trabalhos futuros pretende-se testar o modelo com dados reais.