Credit scoring em instituição financeira digital
O setor bancário tem função peculiar para a economia, principalmente pelo seu papel de instituição depositária e de fomento, e pela concessão de crédito. Os bancos digitais oferecem um relacionamento diferenciado e remoto, com custos mais baixos de serviços e concessões de crédito via internet e mob...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | Brasil |
| Recursos: | Universidade Federal do Rio Grande do Sul (UFRGS) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da UFRGS |
| Idioma: | portugués |
| OAI Identifier: | oai:www.lume.ufrgs.br:10183/238868 |
| Acesso em linha: | http://hdl.handle.net/10183/238868 |
| Access Level: | acceso abierto |
| Palavra-chave: | Gestão de portfólio Crédito Instituições financeiras Credit Risk Credit scoring Model Portfolio theory Digital financial institution |
| Resumo: | O setor bancário tem função peculiar para a economia, principalmente pelo seu papel de instituição depositária e de fomento, e pela concessão de crédito. Os bancos digitais oferecem um relacionamento diferenciado e remoto, com custos mais baixos de serviços e concessões de crédito via internet e mobile banking. Assim, os bancos precisam gerenciar o risco de crédito inerente às suas operações. Para isto, o modelo de credit scoring é uma das ferramentas mais importantes para a sustentabilidade dos sistemas bancários. Considerando o exposto e a velocidade com que o crédito ao consumidor pode se deteriorar, o presente estudo analisa a aplicação de um modelo de credit scoring de um banco tradicional no banco digital X. Por meio de uma pesquisa documental, qualitativa e quantitativa em relação ao problema, e descritiva quanto aos objetivos, foram descritas as características de banco digital e risco de crédito, foram apresentadas as normas regulatórias e revisados os principais modelos de risco de crédito. Também, foi estimado um modelo de credit scoring para previsão de inadimplência do banco digital X. Os resultados demonstram que a regressão logística binária sobre a base de dados mais atual apresentou o maior acerto de classificação de adimplentes e inadimplentes, classificando corretamente 81,5% dos casos. As variáveis com maior poder preditivo foram Sexo, saldo em Operações não Consignadas, soma das parcelas das Operações não Consignadas e soma do Valor Bruto das Operações Consignadas e não Consignadas. Portanto, é necessário um acompanhamento contínuo das variáveis previsoras da inadimplência, pois a carteira de crédito passa por diversas alterações de perfil ao longo do tempo. Este estudo contribuiu trazendo dados atualizados sobre os temas estudados e demonstrou a importância da gestão contínua do risco de crédito para a liberação de capital, por meio de um provisionamento menor. Para pesquisas futuras, sugere-se a utilização de novas variáveis e datas base e a aplicação do modelo em outras carteiras da própria instituição e de outros bancos digitais. Como limitação, a dificuldade de acesso aos modelos de risco de crédito dos bancos digitais, por tratar-se de informação estratégica e sigilosa. |
|---|