Previsão da taxa de ativos problemáticos do crédito imobiliário pessoa físicauma abordagem através do aprendizado de máquina

Resumo

Esta dissertação tem como objetivo prever a taxa de ativos problemáticos (apr) do crédito habitacional para pessoa física no Sistema Financeiro Nacional do Brasil (SFN), utilizando, de forma comparativa, técnicas de aprendizado de máquina e de regressão linear. A pesquisa parte de uma base de dados mensal entre 2014 e 2024, composta por variáveis macroeconômicas como o componente habitação do Índice Nacional de Preços ao Consumidor Amplo (IPCA-Hab), além do próprio IPCA, taxa de desocupação (PNADC), Índice de Confiança do Consumidor (ICC), massa salarial (massa), Índice Nacional de Preços ao Consumidor (INPC) o Índice de Atividade Econômica do Banco Central (IBC-Br) que atua como uma antecipação ou indicativo do PIB. A metodologia utilizada envolveu a aplicação de modelos de aprendizado supervisionado, mediante a comparação de duas abordagens: (i) regressão linear tradicional (OLS); (ii) algoritmos de aprendizado de máquina, com destaque para os modelos Light Gradient Boosting Machine (LightGBM) e K-Vizinhos mais próximos (KNN). A regressão linear apresentou, no comparativo com os resultados gerados a partir da aplicação de algoritmo de aprendizado de máquina, desempenho inferior com métricas de erro elevadas e R2 baixo, além de indícios de autocorrelação nos resíduos. Por outro lado, os modelos LightGBM e o modelo KNN, após refinamento (tuning) de hiperparâmetros, obteveram melhores resultados na base de teste em função da melhor capacidade preditiva, robustez à multicolinearidade e flexibilidade com dados heterogêneos. Os resultados indicam que, para o problema específico de previsão da ativos problemáticos para o crédito habitacional pessoa física, modelos não paramétricos como os LightGBM e KNN oferecem maior precisão e robustez frente às limitações da regressão linear, especialmente em contextos com relações não lineares entre variáveis. A pesquisa contribui ao setor bancário ao demonstrar o potencial do aprendizado de máquina na gestão de risco de crédito, sugerindo caminhos para futuras investigações com modelos mais avançados, inclusão de novas variáveis exógenas e técnicas que contribuam para explicabilidade e transparência do modelo.

Ficha do documento

Tipo

Dissertação

Ano

2025

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso restrito

Identificador

oai:repositorio.fgv.br:10438/38120

Temas

EconomiaModelagem EconômicaPlanejamento UrbanoDadosGovernança

Palavras-chave

Ativos problemáticosCrédito habitacionalAprendizado de máquinaRegressão linearLightGBMKNNRisco de créditoModelagem preditivaInstituições financeirasProblematic assetsResidential mortgage creditMachine learningLinear regressionCredit riskPredictive modelingFinancial institutionsEconomiaAdministração financeiraHabitaçãoCréditosPolítica financeira