Modelagem e previsão da taxa de inadimplênciauma análise comparativa de modelos ARIMA, redes neurais e abordagens híbridas, sem e com variáveis exógenas

Resumo

Esta dissertação tem como objetivo avaliar diferentes abordagens de modelagem para previsão da taxa de inadimplência a partir dos dados observados em uma instituição financeira brasileira de grande porte, considerando modelos lineares (ARIMA e ARIMAX), não lineares (Redes Neurais ANN e NNAR) e híbridos (ARIMA+ANN e ARIMA+NNAR), com e sem variáveis exógenas. A metodologia baseou-se em uma série temporal mensal de inadimplência de 2012 a 2025, complementada por indicadores macroeconômicos como desemprego, massa salarial e atividade econômica. Após a análise exploratória que identificou sazonalidade, tendência e quebras estruturais, a série foi confirmada como estacionária e aditiva. A seleção de variáveis exógenas foi realizada por nove métodos, com destaque para o LASSO, que resultou em 24 variáveis utilizadas nos modelos. Os modelos foram avaliados por métricas como MAE, RMSE e MAPE. O modelo híbrido ARIMA+NNAR com variáveis exógenas apresentou os menores erros na base de teste, destacando-se como o mais preciso. No entanto, os ganhos dos modelos híbridos em relação a modelos mais simples, como o NNAR sem exógenas e o ARIMA(1,0,0), foram modestos, sugerindo que a complexidade adicional da hibridização nem sempre se traduz em melhorias substanciais. As principais limitações do estudo incluem o período influenciado pela pandemia de COVID-19 e a abordagem simplificada das variáveis exógenas. Como contribuição, o trabalho oferece uma análise comparativa rigorosa de técnicas de previsão aplicadas à inadimplência, destacando a eficácia de modelos parcimoniosos bem ajustados e a importância da validação cuidadosa, além de sugerir caminhos para pesquisas futuras com uso de redes neurais mais avançadas e técnicas de interpretabilidade.

Ficha do documento

Tipo

Dissertação

Ano

2025

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/37599

Temas

EconomiaModelagem EconômicaDados

Palavras-chave

Previsão de inadimplênciaSéries temporaisModelos ARIMARedes neuraisModelos híbridosVariáveis macroeconômicaAprendizado de máquinaValidação de modelosRisco de créditoInstituições financeirasDefault forecastingTime seriesARIMA modelsNeural networksHybrid modelsMacroeconomic variablesMachine learningMo-del validationCredit riskFinancial institutionsEconomiaInadimplência (Finanças)Análise de créditoInstituições financeiras - BrasilAvaliação de riscosAnálise de séries temporais