Gerenciamento de risco de crédito por meio da utilização de aprendizado de máquina
o caso do Banco BS2
DOI:
https://doi.org/10.16930/2237-766220253526Palavras-chave:
Gestão de Risco de Crédito, Inadimplência, Modelo Preditivo, Aprendizado de Máquina, IAResumo
O risco de crédito tem desempenhado um papel central em várias crises financeiras globais nas últimas três décadas. O cenário financeiro, cada vez mais complexo e interconectado, faz com que o gerenciamento de risco se torne fundamental para a estabilidade e o crescimento das instituições financeiras. Este estudo de caso tem como objetivo analisar a utilização de aprendizado de máquina, especificamente o algoritmo Gradient Boosting Decision Tree (GBDT), em um modelo preditivo, que combina variáveis financeiras e não financeiras significantes e utiliza as consultas aos bureaus de crédito na gestão de risco de crédito pelo Banco BS2, com o intuito de adquirir maior acurácia na tomada de decisões e melhorias na mitigação de riscos. A métrica F1, utilizada como parâmetro para demonstrar a precisão do modelo, comparada com o modelo da Serasa, apresenta um índice superior, de 0,77. A capacidade de monitoramento contínuo oferecida por esse modelo preditivo tem proporcionado ao BS2, desde 2022, uma visão em tempo real da saúde financeira de sua base de clientes, ajudando na implementação de políticas mais assertivas. A taxa de inadimplência da Pessoa Jurídica do Banco BS2, registrada pelo BCB-CADOC (2024), tem se mostrado decrescente após a implementação do novo modelo, baseado no algoritmo GBDT. Este estudo contribui para a promoção da inovação e competitividade nas instituições financeiras, incentivando a transparência e fortalecendo a confiança de investidores, stakeholders e reguladores, como o Banco Central, ao adotar ferramentas de Inteligência Artificial (IA) que detectam precocemente riscos de crédito e previnem crises sistêmicas.
Referências
Agarwal, M., & Vandana, T.R. (2022). Exchange rate crises in Latin America, East Asia and Russia. Brazilian Journal of Political Economy, 42(2), 263-282, http://dx.doi.org/10.1590/0101-31572022-3299 DOI: https://doi.org/10.1590/0101-31572022-3299
Altman, E.I., Sabato, G., & Wilson, N. (2010). The value of non-financial information in small and medium-sized enterprise risk management. The Journal of Credit Risk, 6(2), 95-127. DOI: https://doi.org/10.21314/JCR.2010.110
Ambavat, P. P. (2021). Credit Bureaus Must Adopt AI-ML, Data Analytics for Holistic Credit Scores. CRIF Highmark. https://www.crifhighmark.com
Avelar, E. A., Leocádio, V. A., Campos, O. V., Ferreira, P. O. & Orefici, J. B. P. (2022). Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos. Revista FSA, 19(10). http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592 DOI: https://doi.org/10.12819/2022.19.10.3
Banco BS2 (2024). Somos o BS2. https://www.bancobs2.com.br/somos-o-bs2/
Banco Central do Brasil (1999). Resolução CMN n° 2.682 de 21/12/1999. https://www.bcb.gov.br/estabilidadefinanceira/exibenormativo?tipo=Resolu%C3%A7%C3%A3o&numero=2682
Banco Central do Brasil (2022). Resolução CMN n° 5.037 de 29/9/2022. https://www.bcb.gov.br/estabilidadefinanceira/exibenormativo?tipo=Resolu%C3%A7%C3%A3o%20CMN&numero=5037
Banco Central do Brasil (2023). BC e bureaus de crédito assinam acordo para compartilhamento de informações. https://www.bcb.gov.br/detalhenoticia/668/notici
Banco Central do Brasil (BCB-CADOC) (2024). Estatísticas monetárias e de crédito.
https://www.bcb.gov.br/estatisticas/estatisticasmonetariascredito
Bank for International Settlements (BIS) (2024, julho). Basel Committee on Bank Supervision: International Convergence of Capital Measurement and Capital Standards. https://www.bis.org/publ/bcbs238.htm
Berrar, D. (2019). Cross-Validation, Bootstrap, and ROC Analysis. Encyclopedia of Bioinformatics and Computational Biology, 542-560. https://doi.org/10.1016/B978-0-12-809633-8.20349-X DOI: https://doi.org/10.1016/B978-0-12-809633-8.20349-X
Botelho, D. ,& Tostes, F. D. (2011). Modelagem de probabilidade de churn. Revista de Administraçäo de Empresas, 4(396). DOI: https://doi.org/10.1590/S0034-75902010000400005
Calvo, G. A. (2008). Crises in Emerging Markets Economies: A Global Perspective," Central Banking, Analysis, and Economic Policies Book Series. In Kevin Cowan & Sebastián Edwards & Rodrigo O. Valdés & Norman Loayza (Series Editor) & Klaus Schmidt- (ed.), Current Account and External Financing (ed. 1, 12, chapter 3, 085-115), Central Bank of Chile.
Castro, C. L. de & Braga, A, P. (2011), Aprendizado supervisionado com conjunto de dados desbalanceados. Revista Controle & Automação, 22(5),441-466. DOI: https://doi.org/10.1590/S0103-17592011000500002
Creswell, J. W. & Poth, C. N. (2016), Qualitative inquiry and research design: choosing among five approaches. Sage.
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. https://doi.org/10.1145/2939672.2939785 DOI: https://doi.org/10.1145/2939672.2939785
Dabrowski, M. (2023). Thirty years of economic transition in the former Soviet Union: Microeconomic and institutional dimensions. Russian Journal of Economics, 9,1-32. https://doi.org/10.32609/j.ruje.9.104761 DOI: https://doi.org/10.32609/j.ruje.9.104761
Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business Press.
Denzin, N. (1978) The research act: a theoretical introduction to sociological methods. (2a ed). Mc Graw-Hill.
Demirgüç-Kunt, A., & Singer, D. (2017). Financial inclusion and inclusive growth: A review of recent empirical evidence. World bank policy research working paper, (8040). http://documents.worldbank.org/curated/en/403611493134249446/pdf/WPS8040.pdf
Dewasiri, N. J., Dharmarathna, D. G; Choudhary,M.,( 2024). Leveraging Artificial Intelligence for Enhanced Risk Management in Banking: A Systematic Literature Review. In Singh et al (Eds). Artificial Intelligence Enabled Management: An Emerging Economy Perspective, Chapter 13, 197-213. https://doi.org/10.1515/9783111172408013 DOI: https://doi.org/10.1515/9783111172408-013
Dumitrescu, E., Hué, S., Hurlin, C., & Tokpavi, S. (2022). Machine learning for credit scoring: Improving logistic regression with non-linear decision-tree effects. European Journal of Operational Research, 297(3), 1178-1192. DOI: https://doi.org/10.1016/j.ejor.2021.06.053
Flick, U. (2004). Introdução à pesquisa qualitativa. Bookman.
Fosu, S., Boapeah, H. A. & Ciftci, N. (2023). Credit information sharing and cost of debt: Evidence from the introduction of credit bureaus in developing countries. Financial Review, 58(4), 653-930. DOI: https://doi.org/10.1111/fire.12361
Freeman, R. E., & Dmytriyev, S. D. (2017). Corporate social responsibility and stakeholder theory: Learning from each other. Symphonya. Emerging Issues in Management, (1), 7-15. https://symphonya.unicusano.it/index.php/symphonya/article/view/2017.1.02freeman.dmytriyev DOI: https://doi.org/10.4468/2017.1.02freeman.dmytriyev
Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189-1232. https://doi.org/10.1214/aos/1013203451 DOI: https://doi.org/10.1214/aos/1013203451
Gil, A. C. (2009). Estudo de Caso. Editora Atlas.
Godoy, A. S. (2006). Estudo de caso qualitativo. In C. K. Godoi, R. Bandeira-de-Mello, & A. B. Silva. Pesquisa qualitativa em estudos organizacionais: paradigmas, estratégias e métodos. Saraiva.
Godoi, C. K., Bandeira-De-Melo, R., & Silva, A. B. (Orgs.). (2010). Pesquisa qualitativa em estudos organizacionais: paradigmas, estratégias e métodos (2a ed.). Saraiva.
Grunert, J., Norden, L., & Weber, M. (2005). The role of non-financial factors in internal credit ratings. Journal of banking & finance, 29(2), 509-531. DOI: https://doi.org/10.1016/j.jbankfin.2004.05.017
Hand, D. J., & Henley, W. E. (1997). Statistical classification methods in consumer credit scoring: a review. Journal of the Royal Statistical Society: Series A (Statistics in Society), 160(3), 523-541. DOI: https://doi.org/10.1111/j.1467-985X.1997.00078.x
Jordan, M. I., & Mitchell, T. M. (2015). Machine Learning: Trends, Perspectives, and Prospects. Science, 349(6245). https://www.cs.cmu.edu/~tom/pubs/Science-ML-2015.pdf DOI: https://doi.org/10.1126/science.aaa8415
Khandani, A. E., Kim, A. J., & Lo, A. W. (2010). Consumer credit-risk models via machine-learning algorithms. Journal of Banking & Finance, 34(11), 2767-2787. DOI: https://doi.org/10.1016/j.jbankfin.2010.06.001
Khemakhem, S., & Boujelbene, Y. (2018). Predicting credit risk on the basis of financial and non-financial variables and data mining. Review of accounting and finance, 17(3), 316-340. DOI: https://doi.org/10.1108/RAF-07-2017-0143
Lassance, L. C. B. K., & Ternoski, S. (2021). Score ia cresol: Utilizando inteligência artificial para estimar viabilidade de crédito. Revista Aproximação, 3(06). https://revistas.unicentro.br/index.php/aproximacao/article/view/6923
Lee, I., & Shin, Y. J., (2020). Machine learning for enterprises: Applications, algorithm selection, and challenges. Business Horizons, 63, 150-170. https://doi.org/10.1016/j.bushor.2019.10.005 DOI: https://doi.org/10.1016/j.bushor.2019.10.005
Leo, M., Sharma, S., & Maddulety, K. (2019). Machine learning in banking risk management: A literature review. Risks, 7(1), 29. DOI: https://doi.org/10.3390/risks7010029
Lessmann, S., Baesens, B., Seow, H.-V., & Thomas, L. C. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring: A ten-year update. European Journal of Operational Research, 247(1), 124-136. https://www.sciencedirect.com/science/article/pii/S0377221715007692 DOI: https://doi.org/10.1016/j.ejor.2015.05.030
Louzada, F., Ara, A, Fernandes, G. B. (2016), Classification methods applied to credit scoring: Systematic review and overall comparison, Surveys in Operations Research and Management Science, 21, 117-134. http://dx.doi.org/10.1016/j.sorms.2016.10.001 DOI: https://doi.org/10.1016/j.sorms.2016.10.001
Luque, A., Carrasco, A., Martín, A., & de las Heras, A. (2019). The impact of class imbalance in classification performance metrics based on the binary confusion matrix. Pattern Recognition, 91, 216-231. https://doi.org/10.1016/j.patcog.2019.02.023 DOI: https://doi.org/10.1016/j.patcog.2019.02.023
Marini, J. M. & Manfrim, L. F. (2020). Metodologia de análise de crédito aplicada na redução do risco de inadimplência. REGRAD - Revista Eletrônica de Graduação do UNIVEM, 13(1), 76-91. https://revista.univem.edu.br/REGRAD/article/view/3105
Mashrur, A., Luo, W., Zaidi, N. A., & Robles-Kelly, A. (2020). Machine learning for financial risk management: a survey. Ieee Access, 8, 203203-203223. DOI: https://doi.org/10.1109/ACCESS.2020.3036322
Mendonça, A. R. R. D., & Deos, S. (2020). Regulação bancária: uma análise de sua dinâmica por ocasião dos dez anos da crise financeira global. Revista de Economia Contemporânea, 24, e202427. https://doi.org/10.1590/198055272427 DOI: https://doi.org/10.1590/198055272427
Mian, A., & Sufi, A. (2009). The Consequences of Mortgage Credit Expansion: Evidence from the U.S. Mortgage Default Crisis. The Quarterly Journal of Economics, 124(4), 1449-1496. https://doi.org/10.1162/qjec.2009.124.4.1449 DOI: https://doi.org/10.1162/qjec.2009.124.4.1449
Modigliani, F., & Brumberg, R. (1954). Utility analysis and the consumption function: An interpretation of cross-section data. In K. K. Kurihara (Ed.). Post-Keynesian Economics. Rutgers University Press.
Montevechi, A. A., Carvalho Miranda, R., Medeiros, A. L., & Montevechi, J. A. B. (2024). Advancing credit risk modelling with Machine Learning: A comprehensive review of the state-of-the-art. Engineering Applications of Artificial Intelligence, 137, 109082. https://doi.org/10.1016/j.engappai.2024.109082 DOI: https://doi.org/10.1016/j.engappai.2024.109082
Moodys Local (2024). Relatório do Emissor: Banco BS2 S.A. 2024-05-13. https://moodyslocal.com.br/reporte/issuer-report/relatorio-do-emissor-banco-bs2-s-a/
Oliveira, R., & Santos, P. (2022). Avaliação de scores de crédito e práticas de bureau no Brasil. Journal of Credit Analysis, 28(3), 123-138. http://doi.org/10.1000/j.joca.2022.03.014
O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown Books.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. the Journal of machine Learning research, 12, 2825-2830. https://www.researchgate.net/publication/51969319_Scikit-learn_Machine_Learning_in_Python
Provost, F., & Fawcett, T. (2001). Robust classification for imprecise environments. Machine learning, 42, 203-231. https://doi.org/10.1023/A:1007601015854 DOI: https://doi.org/10.1023/A:1007601015854
Rahman, M., Ming, T. H., Baigh, T. A., & Sarker, M. (2021). Adoption of artificial intelligence in banking services: an empirical analysis. International Journal of Emerging Markets, 18(10), 4270-4300. https://doi.org/10.1108/IJOEM-06-2020-0724 DOI: https://doi.org/10.1108/IJOEM-06-2020-0724
Rahmani, A. M., Rezazadeh, B., Haghparast, M., Chang, W. C., & Ting, S. G. (2023). Applications of artificial intelligence in the economy, including applications in stock trading, market analysis, and risk management. IEEE Access. DOI: https://doi.org/10.1109/ACCESS.2023.3300036
Reinhart, C. M., & Rogoff, K. S. (2020). This time is different: A panoramic view of eight centuries of financial crises. Journal of Economic Perspectives, 34(3), 3-24.
https://www.aeaweb.org/articles?id=10.1257/jep.34.3.3
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016, August). " Why should i trust you?" Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 1135-1144). https://doi.org/10.1145/2939672.2939778 DOI: https://doi.org/10.1145/2939672.2939778
Rizvi, S. A. R., Arshad, S., & Alam, N. (2015). Crises and contagion in Asia Pacific—Islamic v/s conventional markets. Pacific-Basin Finance Journal, 34, 315-326. https://doi.org/10.1016/j.pacfin.2015.04.002 DOI: https://doi.org/10.1016/j.pacfin.2015.04.002
Serasa Experian. (2023). Importância do Bureau de crédito para análise de crédito. https://www.serasaexperian.com.br/conteudos/credito/bureau-de-credito-conceito-e-importancia-na-analise-de-credito/
Sfeir, E. (2023). Inovação aplicada ao mercado de crédito e ao setor de birôs. https://anbc.org.br/inovacao-aplicada-ao-mercado-de-credito-e-ao-setor-de-biros/
Stake, R. E. (1995). The art of case study research. Sage Publications.
Stake, R. E. (2000). Case studies. In N. K. Denzin, & Y. S. Lincoln, Y. S. Handbook of qualitative research, (2ª ed.), 435-454, Thousand Oaks.
Sun, Y., Kamel, M. S., Wong, A. K., & Wang, Y. (2007). Cost-sensitive boosting for classification of imbalanced data. Pattern recognition, 40(12), 3358-3378. DOI: https://doi.org/10.1016/j.patcog.2007.04.009
Timotio, J. G. M., Vieira, V. E. L., Oliveira, R. A. de, & Silva, R. C. F. e. (2024). Inteligência Artificial no campo de finanças. Revista de Gestão e Secretariado, 15(6), e3935. https://doi.org/10.7769/gesec.v15i6.3935 DOI: https://doi.org/10.7769/gesec.v15i6.3935
Wachter, S., Mittelstadt, B., & Floridi, L. (2017). Why a right to explanation of automated decision-making does not exist in the general data protection regulation. International data privacy law, 7(2), 76-99. https://doi.org/10.1093/idpl/ipx005 DOI: https://doi.org/10.1093/idpl/ipx005
Wanzeller, W. F., Alves, C. M. O., & Cota, M. P. (2023). Sistema de apoio à decisão integrando cadastro negativo, scoring, análise qualitativa de crédito com inteligência artificial e criação de contratos: Protocolo para revisão de escopo. Research, Society and Development, 12(7), e18012742680. https://doi.org/10.33448/rsd-v12i7.42680 DOI: https://doi.org/10.33448/rsd-v12i7.42680
Zhang, T., Zhang, W., Wei, X. U., & Haijing, H. A. O. (2018). Multiple instance learning for credit risk assessment with transaction data. Knowledge-Based Systems, 161, 65-77. http://dx.doi.org/10.1016/j.knosys.2018.07.030 DOI: https://doi.org/10.1016/j.knosys.2018.07.030
Zhang, L., & Song, Q. (2022). Credit Evaluation of SMEs Based on GBDT-CNN-LR Hybrid Integrated Model. Wireless Communications and Mobile Computing, 2022. https://doi.org/10.1155/2022/5251228 DOI: https://doi.org/10.1155/2022/5251228
Zhou, J., Li, W., Wang, J., Ding, S., & Xia, C. (2019). Default prediction in P2P lending from high-dimensional data based on machine learning. Physica A: Statistical Mechanics and its Applications, 534, 122370. https://doi.org/10.1016/j.physa.2019.122370 DOI: https://doi.org/10.1016/j.physa.2019.122370
Zöller, M. A., & Huber, M. F. (2021). Benchmark and survey of automated machine learning frameworks. Journal of artificial intelligence research, 70, 409-472. https://arxiv.org/pdf/1904.12054 DOI: https://doi.org/10.1613/jair.1.11854
Yazan, B. (2016). Três abordagens do método de estudo de caso em educação: Yin, Merriam e Stake. Meta: Avaliação, 8(22), 149-182. http://dx.doi.org/10.22347/2175-2753v8i22.1038 DOI: https://doi.org/10.22347/2175-2753v8i22.1038
Yin, R. K. (2009). Case Study Research: Design and Methods (4a ed.). Sage.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Revista Catarinense da Ciência Contábil
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais para artigos publicados nesta revista pertencem ao(s) respectivo(s) autor(es), com direitos de primeira publicação cedidos para a Revista Catarinense da Ciência Contábil - RCCC. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com obrigatoriedade de reconhecimento da autoria original e da publicação inicial nesta revista. A revista permitirá o uso dos trabalhos publicados, incluindo direito de enviar o trabalho para bases de dados de acesso público. O conteúdo dos artigos publicados são de total e exclusiva responsabilidade dos autores.
- O(s) autor(es) autoriza(m) a publicação do artigo na revista;
- O(s) autor(es) garante(m) que a contribuição é original e inédita e que não está em processo de avaliação em outra(s) revista(s);
- A revista não se responsabiliza pelas opiniões, ideias e conceitos emitidos nos textos, por serem de inteira responsabilidade de seu(s) autor(es);
- É reservado aos editores o direito de proceder ajustes textuais e de adequação do artigo às normas da publicação.
Esta obra está licenciada com uma Licença Creative Commons Atribuição 4.0 Internacional.
