Dissertação
{en_GB=Evaluating Classical and Artificial Intelligence Methods for Credit Risk Analysis. An experimental comparison using a database for B2B clients} {} EVALUATED
{pt=O risco na concessão de crédito continua a ser um tópico de suprema importância na área da gestão do risco em finanças. Apesar dos métodos utilizados nesta área se terem tornado gradualmente mais sofisticados, existe ainda algum espaço para melhorias. Estes avanços podem-se traduzir em enormes ganhos para instituições financeiras e outras organizações que concedam crédito através da redução do potencial para perdas neste processo. Este trabalho de pesquisa procura comparar métodos estatísticos e de inteligência artificial num contexto de análise de risco de crédito. Com este intuito, é realizada uma experiência de credit scoring com recurso a uma amostra de empresas. A amostra obtida contém uma variedade de informação financeira e de outros tipos a respeito destas empresas, possibilitando o desenvolvimento e implementação de diversos modelos. Os procedimentos de pré-processamento dos dados são estabelecidos, nomeadamente na forma de uma técnica de amostragem adequada para a obtenção de uma amostra equilibrada. Adicionalmente, problemas de multicolinearidade são estudados e a presença de valores discrepantes é abordada. Esta fase da pesquisa permite que modelos não-robustos a estas questões tenham desempenhos superiores, nomeadamente os métodos estatísticos que são tendencialmente mais afetados. Diversos modelos alternativos são examinados para cada um dos métodos de credit scoring considerados. Após esta fase de experimentação, os melhores modelos são selecionados para integrarem o estudo comparativo. Esta análise revela que o melhor desempenho é obtido pelos métodos de inteligência artificial, confirmando os resultados de outros estudos comparativos. , en=Credit scoring remains one of the most important subjects in financial risk management. Although the methods in this field have grown in sophistication, further improvements are necessary. These could translate into major gains for financial institutions and other companies that extend credit by diminishing the potential for losses in this process. This research seeks to compare statistical and artificial intelligence predictors in a credit risk analysis setting. In order to perform this comparison, a credit scoring experiment is conducted with a sample of companies. This dataset contains a variety of financial information and other relevant data regarding these companies, which allows for the development of several distinct credit scoring models. Pre-processing procedures are established, namely in the form of a proper sampling technique to assure the balance of the sample. Additionally, multicollinearity in the dataset is assessed via an analysis of the variance inflation factors and the presence of outliers is addressed with a detection technique based on robust Mahalanobis distances. This phase of the research allows for non-robust models to perform better, namely the statistical models that would be particularly affected by these issues. Several alternative architectures and/or settings are examined for each category of predictors considered. Following these experimentations, the best performing models are selected to be included in the benchmarking study. The results obtained reveal that the best predictive performance was obtained by artificial intelligence methods, confirming previous findings in the academic literature. }
novembro 28, 2019, 18:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
António Manuel da Nave Quintino
Departamento de Engenharia e Gestão (DEG)
Professor Auxiliar Convidado