Análise do Crédito Bancário utilizando Sistemas Especialistas Probabilísticos e Redes Neurais

Transcrição

1 Análise do Crédito Bancário utilizando Sistemas Especialistas Probabilísticos e Redes Neurais Bruno Kopittke 1, Maria Teresinha Arns Steiner 2 *, Celso Carnieri 2 e Pedro J. Steiner Neto 3 1 Universidade Federal de Santa Catarina - Departamento de Pós-Graduação em Eng. de Produção Universidade Federal do Paraná - Departamentos: 2 Matemática e 3 Administração Caixa Postal CEP Fax: (041) tere@mat.ufpr.br, carnieri@mat.ufpr.br, steiner@avalon.sul.com.br Curitiba - Paraná - Brasil *A autora foi apoiada pelo CNPq. Resumo A tarefa de reconhecer e prever quais clientes serão bons ou maus pagadores de crédito é importante e difícil para as instituições bancárias e serviços de proteção ao crédito. Com registros históricos de aproximadamente clientes de um banco alemão, foram abordadas, neste trabalho, as técnicas de Sistemas Especialistas Probabilísticos e Redes Neurais, ambas da área de Inteligência Artificial, comparativamente, utilizando a shell SPIRIT e o MatLab-Neural Networks Toolbox. Estas técnicas permitem fazer o reconhecimento dos referidos padrões, e também permitem a sua utilização em diagnósticos posteriores. Feito o reconhecimento de determinado cliente e obtida a sua conseqüente probabilidade de retorno do crédito, este trabalho estuda, ainda, com base nas taxas de juros adotadas, valor do crédito a ser concedido, prazo para pagamento e demais taxas bancárias, a relação risco/retorno para o banco, apontando em quais casos o crédito deve ser concedido. Palavras-Chave: Reconhecimento de Padrões, Sistemas Especialistas Probabilísticos, Redes Neurais. Abstract Recognising and foreseeing which credit custumers will be good or bad payers is an important and difficult task to bank institutions and to credit protection services. With about historical registrations of a german bank, we studied, in this work, the Probabilistic Expert Systems and Neural Networks techniques, both in the Artificial Intelligence area, comparatively, using the shell SPIRIT and MatLab-Neural Networks Toolbox. These techniques allow us to recognise patterns, and their further use in later evaluations as well. The evaluation of a customer and the probability of the payment of a loan, leads to a risk/payment rate for the bank, through of interest rates, loan amount, payment period and other fees, establishing a safe criteria to do credit concession.. Key-Words: Pattern Recognition, Probabilistic Expert Systems, Neural Networks.

2 1. Introdução As operações de crédito, como concessão de empréstimos, financiamentos, fianças, cartões de crédito ou cheques especiais, compõem uma parte substancial das receitas de um banco comercial. Qualquer erro na decisão de concessão pode significar que em uma única operação haja a perda do ganho obtido em dezenas de outras bem sucedidas. A correta decisão de crédito é essencial para a sobrevivência das empresas bancárias. O que é desejável e necessário é, portanto, analisar uma proposta de negócio e comparar o custo de conceder com o custo de negar a operação. A relação risco/retorno está implícita na concessão de crédito. O volume de incobráveis assim como a rentabilidade, são efeitos da política adotada pela organização e de seus critérios de concessão de crédito. A otimização dos resultados, portanto, é decorrência de uma eficiente política de crédito, associada, evidentemente, à política de cobrança e às demais políticas da empresa [Pereira da Silva, 1993]. A política de crédito de um banco comercial compreende o estabelecimento de taxas de juros, prazos, garantias e nível de risco relacionados a cada tipo de operação. A análise do processo decisório é bastante complexa, envolvendo além da experiência anterior do analista do banco, instrumentos e técnicas que possam auxiliá-lo nesta tarefa. Os métodos quantitativos, bastante utilizados neste tipo de análise, consideram registros históricos para decidir a concessão de crédito. Estas técnicas, entre as quais podese citar Árvores de Decisão, Sistemas Especialistas e Redes Neurais, se empregadas corretamente, constituem-se em eficientes ferramentas auxiliares dos gestores de crédito. Decidida a concessão de crédito ao cliente, as três questões básicas que servem para orientar a definição do limite de crédito são [Rosenberg e Gleit, 1992], [Curnow et al., 1997]: - quanto o cliente merece de crédito (qualidade de risco apresentado e do porte do cliente); - quanto pode ser oferecido de crédito ao cliente (capacidade de quem vai conceder o crédito) e - quanto se deve, de fato, conceder de crédito ao cliente (política de crédito adotada). As vantagens da utilização de técnicas quantitativas na administração de crédito, entre outras, são [Rosenberg e Gleit, 1992], [Curnow et al., 1997]: - mais merecedores de crédito receberão crédito (ou crédito adicional), aumentando os lucros; - mais não merecedores de crédito terão seus créditos negados (ou reduzidos), diminuindo as perdas; - os pedidos de crédito podem ser processados rapidamente; - as decisões são objetivas e não passam por critérios subjetivos; - menos pessoas são necessárias para administrar o crédito e mais pessoas com experiência podem se concentrar nos casos mais difíceis. O objetivo do presente trabalho é abordar duas técnicas da Pesquisa Operacional enquadradas na área da Inteligência Artificial: Sistemas Especialistas Probabilísticos e

3 Redes Neurais, que têm se mostrado bastante promissoras na análise do crédito bancário, visando discriminar (reconhecer, separar) os clientes adimplentes dos inadimplentes. Feito o reconhecimento destes padrões (fase da aprendizagem), estas técnicas podem ser utilizadas no diagnóstico de novos clientes. As duas técnicas são apresentadas nas seções 3 e 5 deste trabalho. A aplicação destas técnicas ao problema abordado e detalhado na seção 2, é feita nas seções 4 e 6. Na seção 7, é feita a análise dos resultados obtidos e, finalmente, na seção 8, são apresentadas as conclusões. 2. Descrição do problema do Crédito Bancário Os dados apresentados nesta seção e que serão utilizados no decorrer do presente trabalho são reais, e se referem à concessão de empréstimos entre e DM por um banco alemão [Rödder et al., 1996]. Os critérios de avaliação do crédito se baseiam em dados históricos, obtidos através de 7 informações de clientes, com respeito ao seu desenrolar comportamental bancário, com respostas sim (1) ou não (0), e a informação fornecida pelo banco com relação ao seu cumprimento ou não do crédito, pagou (sim) ou não pagou (não). Estas 8 informações (A a K) constituirão o banco de dados que será utilizado pelas técnicas aqui abordadas. Estas informações ou variáveis do problema analisado, são apresentadas a seguir. A. Existência de rendimentos compatíveis? (sim/não) (AREND) Existem rendimentos compatíveis quando: 0,95Y max {F, C} R 0, onde: Y = rendimento mensal líquido; C = gastos fixos (aluguéis, manutenção e outros); F = limite de liberação de garantia; R = prestações mensais referentes ao crédito. B. Existência de patrimônio? (sim/não) (BPATR) É considerado o patrimônio compatível com a operação. C. Estabilidade empregatícia há mais de 3 anos? (sim/não) (CEMPR) D. O solicitante é cliente? (sim/não) (DCLIEN) Este critério é preenchido quando o candidato apresenta uma conta corrente sem problemas há 6 meses ou mais. E. Inexistência de crédito insolvente pendente? (sim/não) (EINSOL) F. Inexistência de problemas no SPC? (sim/não) (FSPC) Qualquer tipo de problema conduz a uma resposta não. G. Existência de fiador? (sim/não) (GFIAD)

4 K. Crédito honrado? (sim/não) (KPAGOU) Foram considerados insolventes aqueles casos que podem assim serem lançados contabilmente. Não foram considerados atrasos de até um mês ou prorrogações de até três meses. O Quadro 2.1, a seguir, mostra as respostas para os casos pesquisados. Das 2 7 possíveis combinações para as respostas às perguntas de A a G, só foram consideradas aquelas que efetivamente ocorreram, ou seja, 48 combinações ou situações. Na 3 a. linha do Quadro 2.1, por exemplo, lê-se o seguinte: dos 10 clientes (KPAGOUtotal), com: AREND=0, BPATR=0, CEMP=1, DCLIEN=0, EINSOL=0, FSPC=0, GFIAD=0, 8 casos tiveram um desenrolar positivo (KPAGOU=sim), enquanto que em 2 casos não foram honrados os pagamentos (KPAGOU=não). Como se pode observar no Quadro 2.1, as combinações de observações foram preenchidas em ordem crescente de ocorrência; primeiro os casos raros e depois os casos mais frequentes. Mesmo havendo a tendência do número de observações positivas de clientes (respostas para as perguntas de A a G serem iguais a 1 ) se correlacionar com um desenrolar positivo (KPAGOU=sim), este fato não foi considerado no presente trabalho.

5 Número A REND B PATR C EMP D CLIEN E INSOL F SPC G FIAD K PAGOU=sim K PAGOU=não KPAGOU total Quadro 2.1. Respostas para as 48 situações obtidas para os casos de concessão de crédito [Rödder et al., 1996]

6 3. Sistemas Especialistas Probabilísticos Sistemas Especialistas são programas que têm a capacidade de adquirir e processar conhecimentos a partir das informações obtidas de um especialista, ou mesmo através de dados históricos, em uma determinada área. Quando consultados, estes programas fornecem apoio ao usuário disponibilizando os conhecimentos e as informações correspondentes [Rödder et al., 1996]. Já existem vários programas de Sistemas Especialistas desenvolvidos e que vêm sendo bastante utilizados, como, por exemplo, o MYCIN, desenvolvido na Universidade de Stanford, EUA, que faz o diagnóstico médico para infecções bacterianas e meningíticas. Os estudos nesta área iniciaram na década de 70, mas apenas a partir dos anos 90 é que houve um destacado desenvolvimento, especialmente na área de sistemas especialistas probabilísticos. Um Sistema Especialista é denominado probabilístico (SEP), quando a base de conhecimento pode ser representada por uma distribuição de probabilidades, normalmente hiperdimensional [Kopittke et al., 1996]. O SPIRIT, desenvolvido na Universidade de FernUniversität, Alemanha, é uma interface de desenvolvimento de SEP para construção e aplicação de uma base de conhecimento sobre conjuntos de variáveis discretas (com seus atributos), cuja sigla incorpora suas principais características: Symmetrical (a inferência pode ser realizada nos dois sentidos: da premissa para a conclusão e vice-versa), Probabilistic (os prognósticos tomam como base a distribuição marginal de probabilidades), Intentional (a probabilidade dos fatos e regras que formam a estrutura de dependências entre as variáveis podem ser modificadas através de observações no mundo real), Reasoning (envolve raciocínio lógico), Inference Networks (a inferência é efetivada a partir da transformação de um grafo numa árvore de decisão) e Transition (as variáveis e suas relações podem estar em contínua mudança) [Kopittke et al., 1996]. Conforme apresentado em Meyer e Rödder, 1996, a base de conhecimento consiste de um conjunto finito de variáveis V = {V 1,..., V n } com domínio finito e uma distribuição de probabilidade P sobre o campo de todos os eventos em V. Os eventos são identificados com sentenças proposicionais V i = v i (onde v i é uma realização de V i ) construída por negação, conjunção e disjunção. Se S é uma sentença deste tipo, então sua probabilidade é: (3.1) P(S) = Σ v S P(v), onde v varia através de todas as conjunções completas de S na forma normal disjuntiva canônica de S. Para gerar uma distribuição P que represente o conhecimento, primeiro estabelecem-se as probabilidades x f e x r aos fatos e regras, respectivamente. Um fato F é uma sentença proposicional como definida anteriormente e uma regra é uma expressão F 2 F 1 com F 1 e F 2 sendo fatos. As designações são entendidas como imperativas: ache uma

7 (3. 1 ) P(S) = P(v), P para a qual P(F)=x f ou P(F 2 F 1 )=x r cujas probabilidades são não condicionadas e condicionadas, respectivamente. Deste modo, para aquisição de conhecimento no SPIRIT deve-se formular um conjunto de m fatos e regras, assim como estabeler probabilidades consistentes: (3.2) P(F 2i F 1i ) = x i, i = 1,..., m. Em geral (3.2) não determina uma única P, mas um conjunto de distribuições. O conceito de entropia relativa auxilia a remover este problema. Para duas distribuições P e P 0 sobre V, a entropia relativa de P com respeito a P 0 é definida como: (3.3) R(P, P 0 ) = v P(v) ld [P(v) / P 0 (v)] com ld denotando o logaritmo na base 2. Então o problema consiste em resolver, utilizando os fatos e regras definidos, o seguinte problema para a aquisição do conhecimento: Min v P(v) ld [P(v) / P 0 (v)] (3.4) sujeito a : P(F 2i F 1i ) = x i, i = 1,..., m No SPIRIT, resolve-se o problema (3.4), iterativamente, aplicando apenas uma restrição a cada iteração e, consequentemente, vai-se gerando uma sequência de distribuições P 0, P 1,..., P k-1, P k,... para as quais cada P k tem uma entropia relativa mínima com respeito a P k-1. Este procedimento converge para uma distribuição ótima P* [Rödder et al., 1996]. Cada regra ou fato envolve um certo grupo de variáveis, estabelecendo as relações de dependência entre elas. Então cada conjunto de variáveis forma de uma maneira natural um cluster para o qual a distribuição de probabilidade deve ser satisfeita. O conjunto de todos os clusters constitui um hiper-grafo em V, em geral cíclico. O SPIRIT, portanto, procura por um hiper-grafo uma hiper-árvore de tal forma que cada um dos referidos clusters, como um todo, esteja contido em um hiper-arco. Para estes hiper-arcos as distribuições marginais são satisfeitas. Desta forma, cálculos globais são reduzidos a cálculos locais: modificações em um hiper-arco podem ser propagadas através de toda hiper-árvore. O SPIRIT permite ainda que o aprendizado das regras seja do tipo alfa. O aprendizado-alfa usa a aprendizagem a partir de uma amostra, de tamanho qualquer em conjunto com as probabilidades. Em cada hiper-arco toda célula é atualizada pela fórmula: p novo = (1 - α)p velho + αf,

8 onde p velho é a probabilidade antes da aprendizagem alfa e f é a frequência na amostra. O valor de alfa, 0 α 1, é um peso que deve ser adequadamente escolhido pelo usuário. A base de conhecimento então, aplica p novo ao conjunto de regras que estejam previamente definidas e utiliza o processo de aprendizagem novamente. A idéia do aprendizado-alfa é ajustar probabilidades subjetivas por meio de probabilidades objetivas. 4. Aplicação dos SEP ao problema do Crédito Bancário Conforme apresentado na seção 3 anterior, o processamento do conhecimento consiste da construção da hiper-árvore, assim como o cálculo iterativo da distribuição conjunta para o problema. Para construir a hiper-árvore, SPIRIT oferece algoritmos ótimos [Meyer e Rödder, 1991], cuja eficiência pode variar para diferentes bases de conhecimento. Assim que a hiperárvore fica determinada, SPIRIT começa um processo iterativo aplicando todos os fatos e regras à regra aplicada no momento. SPIRIT detecta se a base de conhecimento está pronta ou se regras inconsistentes foram aplicadas pelo usuário. Considerando as 8 variáveis obtidas para cada um dos clientes, apresentadas na seção 2, e definindo as 7 primeiras como booleanas (com os atributos implícitos verdadeiro/falso, caso a resposta tenha sido sim ou não, respectivamente) e a última, como nominal (com os atributos sim/não, caso o crédito tenha sido honrado ou não, respectivamente), foi proposta uma estrutura preliminar do espaço de observações. A decisão, para o problema abordado neste trabalho, foi a seguinte estrutura de interdependências, definida juntamente com especialistas da área bancária: -os dados sociais das observações AREND, BPATR e CEMP, de cada cliente, influenciam KPAGOU; -as informações bancárias DCLIEN, EINSOL e FSPC, de cada cliente, atuam sobre KPAGOU; -a existência de um fiador GFIAD sustenta KPAGOU, obtendo-se desta forma 3 clusters. Para que SPIRIT reconheça padrões de interrelações em {AREND, BPATR, CEMP, KPAGOU}, {DCLIEN, EINSOL, FSPC, KPAGOU}, {GFIAD, KPAGOU} foram criadas 18 regras e 1 fato, já que é este o número de combinações possíveis para a estrutura de interdependências definida anteriormente, conforme Quadro 4.1 a seguir, para as quais não foram atribuídos valores de probabilidade, sendo que estes serão definidas a seguir, através do aprendizado-alfa. Assim, com as variáveis e as regras definidas anteriormente, fez-se o processamento do conhecimento no SPIRIT por meio da Aprendizagem-Alfa, com α=1 (valor selecionado). O SPIRIT efetuou cerca de iterações no modelo 3.4 apresentado, sendo que a partir da a. iteração, o valor da entropia relativa sofreu pouca alteração após cada alteração da distribuição de probabilidade, ou seja, foi atingido o ponto de equilíbrio, próximo de zero, para a entropia.

9 A representação da aquisição de informação foi feita, no presente trabalho, através de um grafo de dependências não direcionado: para cada variável gera-se um vértice e, além disso, dois vértices estão ligados por um arco, se as variáveis aparecem na mesma regra. Nestes vértices estão dispostos rolamentos de barras que indicam a distribuição marginal atual da variável. Feita a aprendizagem, o grafo de dependências, pode ser usado para consultas. As perguntas ocorrem fixando-se o valor de uma ou mais variáveis aos valores desejados, e através da propagação desta modificação temporária através de toda a base de conhecimento, obtém-se o valor da resposta (valor de KPAGOU) correspondente. O resultado do diagnóstico para os clientes enquadrados na situação 3 é 71,35%. Analogamente, tem-se os resultados do diagnóstico para todos os clientes, cujas características se enquadram nas 48 situações apresentadas no Quadro 2.1. Os resultados do diagnóstico são apresentados na seção de resultados, no Quadro 7.1. AREND Λ BPATR Λ CEMP KPAGOU=sim Regra AREND Λ BPATR Λ CEMP KPAGOU=sim Regra AREND Λ BPATR Λ CEMP KPAGOU=sim Regra AREND Λ BPATR Λ CEMP KPAGOU=sim Regra AREND Λ BPATR Λ CEMP KPAGOU=sim Regra AREND Λ BPATR Λ CEMP KPAGOU=sim Regra AREND Λ BPATR Λ CEMP KPAGOU=sim Regra AREND Λ BPATR Λ CEMP KPAGOU=sim Regra DCLIEN Λ EINSOL Λ FSPC KPAGOU=sim Regra DCLIEN Λ EINSOL Λ FSPC KPAGOU=sim Regra DCLIEN Λ EINSOL Λ FSPC KPAGOU=sim Regra DCLIEN Λ EINSOL Λ FSPC KPAGOU=sim Regra DCLIEN Λ EINSOL Λ FSPC KPAGOU=sim Regra DCLIEN Λ EINSOL Λ FSPC KPAGOU=sim Regra DCLIEN Λ EINSOL Λ FSPC KPAGOU=sim Regra DCLIEN Λ EINSOL Λ FSPC KPAGOU=sim Regra GFIAD KPAGOU=sim Regra GFIAD KPAGOU=sim Regra KPAGOU=sim Fato Quadro 4.1. Fatos e Regras para o problema, onde os símbolos Λ tem o significado aditivo e e tem o significado de negação não. 5. Redes Neurais

10 Uma rede neural consiste de um número de unidades de processamento interconectadas. Em uma rede do tipo feedforward, existem três tipos de unidades de processamento: de entrada, de saída e escondidas. As unidades de entrada recebem sinais do meio ambiente, as unidades de saída enviam sinais para o meio ambiente e as unidades escondidas são unidades que não interagem diretamente com o ambiente, daí sua denominação, mas auxiliam no ajuste dos pesos da rede [Kröse, 1993], [Tam,1992]. O comportamento de cada unidade da rede pode ser modelado por funções matemáticas simples, conforme as equações apresentadas a seguir, sendo que a topologia da rede neural para o problema em questão, de classificação dicotômica, apenas uma unidade de saída é necessária. Uma unidade i recebe os sinais de entrada e os agrega baseado em uma função de entrada : (5.1) i p,i = j w ij x p,j + θ i, p = 1,..., (m+k) i = 1,..., k* j = 1,..., n onde i p,i = entrada da unidade i para o padrão p (sendo que o número total de padrões é igual a m+k); i=número de unidades na camada escondida; w ij =conexão peso entre as unidades i e j ; x p,j = entradas (coordenadas) do padrão p ; θ i = bias da unidade i. Esta função de entrada gera um sinal de saída a i para o padrão p, chamada função de transferência : (5.2) a p,i = 1 / (1 + e -ip,i ) Estes sinais de saída são então enviados para a única unidade da camada h, que os agrega em : (5.3) i p,h = i w hi a p,i +θ h, h=1 gerando a saída : (5.4) a p,h = 1 / (1 + e -ip,h ) As funções utilizadas, de (5.1) a (5.4) anteriores, e de (5.6) a (5.9), a seguir, contínuas e diferenciáveis, são sugeridas por Rumelhart, É o vetor peso W que constitui o que a rede neural "sabe" e determina como ela responderá a qualquer entrada arbitrária do meio ambiente. Em geral, é muito difícil designar um W apropriado para a tarefa de classificação. Uma solução geral é fazer com que a rede aprenda treinando-a com padrões. Um algoritmo de aprendizagem procurará através do espaço de W por um conjunto de pesos oferecendo o melhor ajuste para os pesos apresentados no início do processo. Um algoritmo de aprendizagem bastante conhecido é o algoritmo back-propagation, designado

11 para treinar uma rede feedforward. Este algoritmo consiste de duas fases: propagação forward e propagação backward. Na propagação forward os p=(m + k) padrões descritos por suas coordenadas x p,j, alimentam a rede conforme as equações de (5.1) a (5.4) anteriormente descritas. O valor de saída obtido para o padrão p, a p,h, é comparado com o valor de saída desejado para o padrão p, d p, calculando-se o erro quadrático: (5.5) E = p=1,(m+k) (d p,h a p,h ) 2 / 2 O objetivo é minimizar E ajustando W de tal modo que todos os vetores de entrada sejam corretamente mapeados em suas correspondentes saídas. Então, o processo de aprendizagem pode ser visto como um problema de minimização com função objetivo E definida no espaço de W. A segunda fase, a propagação backward, que envolve as equações (5.6) a (5.9), a seguir, executa um gradiente descendente em W para localizar a solução ótima. A direção e magnitude w ij pode ser calculada da seguinte forma: a. Variação em w hi 's : p w hi = - γ E p / w hi onde γ = taxa de aprendizagem, 0 < γ < 1. Desenvolvendo as derivadas, chega-se em : p w hi = γ a p,h (1 a p,h ) a p,i (d p a p,h ) Considerando na situação atual t, para o padrão p, a troca de pesos ocorrida na situação (t-1), para o padrão (p-1), a fim de alcançar o mínimo mais rapidamente, tem-se : (5.6) p w hi (t) = γ a p,h (1 a p,h ) a p,i (d p a p,h ) + α p w hi (t-1) onde α =constante que determina o efeito na troca de pesos da iteração (t-1). Então : (5.7) w hi (t) = w hi (t-1) + p w hi (t) b. Variação em w ij 's : p w ij = - γ E p / w ij Desenvolvendo as derivadas, chega-se em : p w ij = γ (d p a p,h ) a p,h (1 a p,h ) w hi a p,i (1 a p,i ) x p,j e, ainda, (5.8) p w ij (t) = γ (d p a p,h ) a p,h (1 a p,h ) w hi a p,i (1 a p,i ) x p,j + α p w ij (t-1) Então: (5.9) w ij (t) = w ij (t-1) + p w ij (t)

12 6. Aplicação de RN ao problema do Crédito Bancário Para fazer uso da técnica de Redes Neurais ao problema abordado, utilizou-se o pacote computacional MatLab-Neural Network Toolbox [Demuth, 1994], onde m=2.726 (KPAGOU=sim), k=129 (KPAGOU=não) e o número de características n é igual a 8 (AREND, BPATR, CEMP, DCLIEN, EINSOL, FSPC, GFIAD e KPAGOU). Para a topologia da Rede Neural optou-se por, no máximo, uma camada escondida com i unidades, onde 0 i k*. A função de ativação utilizada na camada escondida e de saída foi a função sigmoidal. Testes foram feitos para se determinar o "melhor" número de neurônios na camada escondida, ou seja, que fornecesse o menor erro. O número de neurônios i para esta camada escondida é determinado durante a execução do programa da seguinte forma: começa-se com i=0 e verifica-se o número de padrões classificados corretamente quando o processo de aprendizagem converge e assim prossegue-se até i=k*. Destas k* tentativas escolhe-se para i, aquela que classificou o maior número de padrões corretamente, denotada por i*. Os pesos W, e as bias θ, para cada uma destas topologias 0 i k*, são arbitrários. Todo o processo pode ser repetido para r conjuntos de pesos diferentes. Destas r tentativas, registra-se a aquela que para a topologia com i* unidades e com um conjunto de pesos W apresentar melhor performance, ou seja, maior número de padrões classificados corretamente. Vale salientar que a cada iteração na aplicação do algoritmo back-propagation é feito um sortimento nos (m + k) padrões, ou seja, a cada iteração o sequenciamento com que os (m + k) padrões são apresentados para a rede neural é modificado. Como regra de parada para cada uma das situações, em que o número de neurônios na camada escondida é 0 i k*, e conjunto de pesos W, adotou-se a seguinte alternativa [Steiner, 1995]: para cada uma das topologias pesquisadas em que a RN apresentar uma variação de erro entre 2 iterações consecutivas menor do que um valor ε, finaliza-se o processo de aprendizagem e então toma-se W, da topologia com i neurônios, que tiver apresentado maior percentagem de acerto, i*. Repete-se este processo para os r conjuntos de pesos, obtendo-se r valores para i*. Entre os r conjuntos de pesos, escolhe-se o conjunto de pesos W, correspondente a i*, que classifique o maior número de padrões corretamente, finalizando assim todo o processo. Pelo procedimento acima descrito, para o problema abordado foi escolhida uma topologia consistindo de 8 neurônios na camada escondida, que apresentou a menor percentagem de erros na classificação dos padrões. Para esta técnica, também foram efetuadas iterações (uma iteração corresponde a passagem dos (m+k) padrões através da rede) utilizando o MatLab, sendo que o valor do erro no início da aprendizagem sofreu alterações consideráveis, mas a partir da 500 a., aproximadamente, este valor pouco se modificou.

13 Encerrada a aprendizagem pode-se obter os resultados dos diagnósticos para todos os clientes, enquadrados nos 48 situações do Quadro 2.1. Estes resultados estão colocados no Quadro 7.1 da seção a seguir, permitindo comparar-se os resultados aqui obtidos, através de Redes Neurais, com os já alcançados por meio do Sistema Especialista Probabilístico. 7. Análise dos Resultados Através do Quadro 7.1 pode-se observar e comparar os diagnósticos fornecidos pelas técnicas pesquisadas, Sistemas Especialistas Probabilísticos e Redes Neurais. Neste quadro tem-se, por exemplo, que para os 10 clientes da linha 3, do Quadro 2.1, o Sistema Especialista diagnostica que o cliente pagará o seu crédito com uma probabilidade de 71,35%, sendo que a Rede Neural fornece uma probabilidade de 78,93% para este caso. Com exceção das situações contidas nas linhas 4 e 8 do referido quadro, as demais probabilidades são bastante próximas para as duas técnicas. No Quadro 7.2 estão os resultados dos diagnósticos para alguns casos não enquadrados nos apresentados no Quadro 2.1, evidenciando com isto que, tanto o Sistema Especialista, através do SPIRIT, assim como a Rede Neural, através do MatLab, conseguem diagnosticar também estes casos, através do aprendizado efetuado com os 48 situações do Quadro 2.1. Através do Quadro 7.2, observa-se que as técnicas abordadas apresentaram também, como era de se esperar, diferenças nos diagnósticos para clientes que não participaram do treinamento. Esta diferença se apresenta bem acentuada para o 9 º e 10 º casos. Nota-se também, que os diagnósticos, de forma geral, são mais baixos para a RN do que para o SEP. Obtidos os diagnósticos, deve-se, agora, tomar a decisão sobre a concessão ou não do crédito a cada um dos diversos casos de clientes. Os administradores bancários [Souza, e Clemente, 1997] sabem que esta decisão ainda depende, para um determinado cliente, de outros fatores, ente os quais pode-se citar: - Valor do Crédito Solicitado (VCS); - taxa de juros de empréstimos; - prazo ou número de prestações; - taxa bancária de abertura de crédito; - custo do capital. Para um melhor entendimento, far-se-á o estudo considerando o seguinte exemplo numérico: para um valor de crédito de R$ 1.000,00, a uma taxa de empréstimos (taxa cobrada do cliente) de 5% ao mês, um custo de capital (taxa paga pelo banco) de 2% ao mês, e considerando ainda uma TAC (taxa de abertura de crédito) de 3%, durante um prazo de 12 meses, tem-se: - o retorno bancário para um desenrolar positivo será de : * é dado ao cliente no início da operação: %(1000,00) = 970,00, resultando num ganho bancário inicial de R$ 30,00;

14 * o valor do pagamento mensal PMT (payment) é de: (7.1) PMT = (VCS) [i cliente (1+i cliente ) n ] / [(1+i cliente ) n 1) PMT = [0,05(1+0,05)] 12 ] / [(1+0,05) 12 1] PMT = 112,83 * o valor presente VP do empréstimo é de: (7.2) VP = 30 + {[(1+i banco ) n 1] / [i banco (1 + i banco ) 12 ]} PMT VP = 30 + {[(1+0,02) 12 1] / 0,02(1+0,02) 12 ]}112, VP = 223,17 * então, o retorno total esperado é de: R$ 223,17 ou seja, de 22,32%,aproximadamente. - o retorno (negativo) bancário para um desenrolar negativo será de: * é dado ao cliente no início da operação: %(1000,00) = 970,00, resultando num ganho bancário inicial de R$ 30,00; * o retorno (negativo) considerando o valor inicial de R$ 1.000,00, e prevendo um ressarcimento de 30% ao final do período, será de: Retorno = Valor Ressarcido / (1 + i banco ) n Retorno = 300,00 / (1+0,02) 12 Retorno = 236,55 * então, o retorno (negativo) total será de: R$ 30,00+R$ 236,55-R$ 1000,00 = - R$ 733,45, ou seja, de 73,35%, aproximadamente. Assim sendo, a concessão de um crédito é interessante quando o resultado de: (7.3) p (VCS) 0,2232 (1 p) (VCS) 0,7335 0, onde p = probabilidade de um desenrolar positivo. Nas condições apresentadas (taxas e prazos), obtém-se através da equação (7.3), p* = 0,7668, ou seja, para clientes cuja probabilidade de adimplência do crédito for igual ou superior a 76,68%, o crédito deve ser concedido, caso contrário, o crédito deve ser negado. Considerando o valor obtido para p*, observa-se que através dos resultados dos diagnósticos obtidos através dos Sistemas Especialistas, contidos no Quadro 7.1, seria negado o crédito para os clientes enquadrados nas situações 1, 3 e 8, e o crédito seria concedido para todos os demais clientes. Já utilizando os resultados dos diagnósticos obtidos através de Redes Neurais, seria negado o crédito apenas para os clientes do caso 4 e concedido para todos os demais. Assim sendo, pode-se calcular os lucros bancários obtidos através de cada uma das duas técnicas abordadas para cada uma das 48 situações. Para a situação 5, por exemplo, 17

15 clientes se mostraram adimplentes e 2, inadimplentes. Como o crédito deve ser concedido (considerando qualquer técnica, já que os diagnósticos forneceram os valores 83,57% e 88,70%, para SEP e RN, respectivamente, e p* = 76,68%), para todos os 19 clientes, o ganho bancário será de: 17. R$ 223, (-R$ 733,45) = R$ 2326,99. Desta forma, apesar de ter-se 2 casos de inadimplência, o lucro para esta situação é positivo. Na verdade, só há prejuízo de fato, para a situação 4, único caso em que a técnica de RN nega a concessão de crédito. Os lucros bancários para todas as 48 situações encontram-se no Quadro 7.1. Como pode-se observar, Redes Neurais fornece um lucro um pouco maior do que Sistemas Especialistas Probabilísticos. Além disso, nota-se através de (7.1) e (7.2) que quanto maior o prazo (n) para pagamento, considerando-se as mesmas taxas, menor é o valor para p*, ou seja, menor são as exigências com relação ao diagnóstico.

16 Número Diagnóstico Diagnóstico Lucro Bancário Lucro Bancário SEP (%) RN (%) SEP (R$) RN (R$) 1 70,57 82, , ,50 80,93 318,46 318, ,35 78, , ,36 69, , ,57 88, , , ,32 86, , , ,99 84, , , ,11 83, , ,72 78,65 126,64 126,64* 10 92,98 94, , , ,19 95, , , ,44 91, , , ,96 94, , , ,89 90, , , ,69 89, , , ,08 85, , , ,39 96, , , ,41 93, , , ,02 95, , , ,68 93, , , ,42 90, , , ,64 91, , , ,49 87, , , ,51 96, , , ,79 96, , , ,50 93, , , ,13 93, , , ,78 89, , , ,84 86, , , ,38 99, , , ,12 97, , , ,80 94, , , ,28 96, , , ,66 96, , , ,74 95, , , ,00 96, , , ,22 97, , , ,96 96, , , ,11 97, , , ,48 97, , , ,37 98, , , ,86 96, , , ,26 98, , , ,11 98, , , ,75 97, , , ,33 98, , , ,51 98, , , ,18 98, , ,01 Total , ,81 Quadro 7.1. Diagnóstico de crédito para as situações abordadas, utilizando SPIRIT (SEP) e MatLab (RN)

17 Número A REND B PATR C EMP D CLIEN E INSOL F SPC G FIAD Diagnóstico SEP (%) Diagnóstico RN (%) ,64 76, ,57 98, ,80 96, ,41 88, ,41 85, ,32 86, ,01 86, ,53 93, ,22 71, ,25 63,17 Quadro 7.2. Diagnóstico de combinações de observações não aprendidas 8. Conclusões Este trabalho objetiva apresentar duas metodologias para o Reconhecimento de Padrões de comportamento de clientes, com relação à adimplência de crédito. É examinado um caso concreto de um banco alemão, e com base neste reconhecimento prever o comportamento de futuros clientes, minimizando desta forma as perdas bancárias e o esforço gerencial na decisão de concessão de crédito. Com base em dados históricos foram determinadas as probabilidades de adimplência dos clientes pesquisados, usando para isso, as técnicas de Redes Neurais e Sistemas Especialistas Probabilísticos, comparativamente. Feito o treinamento dos programas computacionais envolvendo estas duas técnicas, pode-se obter o diagnóstico para outros clientes além daqueles utilizados para o treinamento. Obtidos os diagnósticos, o presente trabalho faz um estudo mostrando em que situação é interessante para o banco fazer a concessão de crédito, considerando para isto o valor do crédito solicitado, as taxa de juros de empréstimos, o prazo, taxa bancária de abertura de crédito e o custo do capital, de forma a maximizar os lucros e minimizar os riscos bancários. Para o problema abordado, obteve-se um melhor resultado, ou seja, maiores ganhos bancários, através da técnica de Redes Neurais, como pode-se observar no Quadro 7.1.

18 REFERÊNCIAS BIBLIOGRÁFICAS CURNOW, G., KOCHMAN, G., MEESTER, S., SARKAR, D. e WILTON, K. Automating Credit and Collections Decisions at AT&T Capital Corporation, Interfaces, 1997, 27, p DEMUTH, H. & BEALE, M. Neural Network Toolbox for use with MATLAB (User's Guide). The Math Works, inc, FU, K. S. Syntatic Pattern Recognition and Applications. New Jersey, Prentice-Hall, inc., GORNI, A. A. Redes Neurais Artificiais - Uma abordagem revolucionária em Inteligência Artificial. Micro Sistemas, São Paulo, KOPITTKE, B. H., DETTMER, A. L. e GARTNER, I. R. Um Sistema de apoio à Decisão Estratégica baseado em Inferência Probabilística, VII Congresso Nacional de Investigação Operacional, Aveiro, Portugal, MEYER, C.-H. e RÖDDER, W. Probabilistic Knowledge Representation and Reasoning at Maximum Entropy by SPIRIT, 20 th. Annual German Conference on Artificial Intelligence, Dresden, Germany, RÖDDER, W., KOPITTKE, B. e KULMANN, F. Sistemas Especialistas Probabilísticos, Texto para o Ensino à Distância feito em Cooperação com a Fern Universität Hagen, ROSENBERG, E. e GLEIT, A. Quantitative Methods in Credit Management : a Survey, Operations Research, 1994, 42, n.4, p SILVA, J. P. Análise e Decisão de Crédito. São Paulo, Ed. Atlas S. A., SOUZA, A. e CLEMENTE, A. Decisões Financeiras e Análise de Investimentos. São Paulo, Ed. Atlas, STEINER, M. T. A. Uma Metodologia para o Reconhecimento de Padrões Multivariados com Resposta Dicotômica, Tese de Doutorado em Eng. Produção, UFSC, STEINER, M. T. A., CARNIERI, C. e STANGE, P. Construção de um Modelo Matemático para o Controle do Processo de Produção do Papel Industrial, Pesquisa Operacional, 15, n. 1 e 2, 1996, p TAM, K. Y. & KIANG, M. Y. Managerial Applications of Neural Networks : The Case of Bank Failure Predictions, Management Sciences, 38, n. 7, 1992, p