Modelagem estrutural e preditiva da inadimplência em FIDCs

Resumo

Este estudo desenvolve um modelo preditivo para estimar o risco de inadimplência em Fundos de Investimento em Direitos Creditórios (FIDCs) no Brasil, utilizando exclusivamente dados públicos padronizados divulgados pela Comissão de Valores Mobiliários (CVM). A pesquisa cobre o período de novembro de 2020 a março de 2025 e integra três etapas principais: (i) extração de fatores latentes via Análise Fatorial Exploratória (EFA), identificando padrões estruturais comuns de inadimplência; (ii) segmentação dos FIDCs em clusters de risco semelhantes por meio de técnicas de agrupamento; e (iii) modelagem preditiva com econometria em painel e algoritmos de aprendizado de máquina, como Random Forest, XGBoost, Elastic Net e Redes Neurais Profundas. O desempenho dos modelos foi avaliado com rolling forecast multihorizonte e validado estatisticamente pelo Model Confidence Set (MCS), além de combinação por ensemble ponderado por acurácia. Os resultados evidenciam que a integração de fatores latentes, clusterização e previsão supervisionada permite antecipar trajetórias de inadimplência com elevada precisão, inclusive em fundos sem rating formal, promovendo maior transparência, eficiência e acessibilidade no mercado de securitização brasileiro

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:10438/37626

Temas

EconomiaModelagem EconômicaDadosGovernança

Palavras-chave

Fundos de Investimento em Direitos Creditórios (FIDCs)InadimplênciaProvisão para Devedores Duvidosos (PDD)Análise FatorialModelos de PainelPrevisão de Risco de CréditoMachine LearningReceivables Investment Funds (FIDCs)DefaultProvision for Doubtful Debts (PDD)Factor AnalysisPanel ModelsCredit Risk ForecastingEconomiaInadimplência (Finanças)Fundos de Investimento em Direitos CreditóriosAvaliação de riscosCréditosProvisão para devedores duvidosos