Aplicação de redes neurais na análise e na concessão de crédito ao consumidor

Transcrição

1 Aplicaçã de redes neurais na análise e na cncessã de crédit a cnsumidr Fabian Guasti Lima Luiz Carls Jacb Perera Herbert Kimura Antôni Carls da Silva Fil RESUMO Neste artig, tem-se pr bjetiv apresentar uma aplicaçã de redes neurais para a identificaçã de bns e maus pagadres em perações de crédit a cnsumidr. Pr mei d us de redes neurais baseadas n Multilayer Perceptrn (MLP), aplicu-se um algritm de bacprpagatin em uma amstra aleatória de clientes de uma imprtante rede varejista brasileira. Dividind a amstra para prcessament e prediçã, a melr rede prpiciu 79%, 71% e 85% de acerts sbre perfil de pagament em cada uma das fases de treinament, validaçã e teste, respectivamente. Tend em vista que fi levad em cnsideraçã na pesquisa apenas númer reduzid de variáveis de cadastr, s resultads sugerem que as redes neurais pdem representar uma prmissra técnica para a análise de cncessã de crédit a cnsumidr. Em especial, se as parcelas sã suficientemente pequenas, uma avaliaçã mais rigrsa d ptencial de pagament d cliente pde deixar de ser razável. Em tais situações, as redes neurais pdem reduzir custs de análise e diminuir perdas cm inadimplência. Palavras-cave: redes neurais, crédit, inadimplência. 1. INTRODUÇÃO O crédit usad adequadamente, tant pr gverns quant pr empresas, cm instrument de gerenciament d cnsum, cntinua a mstrar vigr ntável, graças a papel sumamente imprtante que vem desempenand n ctidian da umanidade pr facilitar as transações de bens e serviçs. A despeit das elevadas taxas de jurs básicas n Brasil, que se refletem em taxas ainda mais altas para perações de empréstims a cnsumidr, um vlume cnsiderável de perações a praz é realizad pr empresas varejistas. Dada a baixa renda média d brasileir, as empresas, para viabilizarem suas vendas, têm recrrid a financiament de seus clientes. Se pr um lad a cncessã de crédit permite gir ds ativs das empresas, pr utr induz à assunçã de riscs financeirs que, eventualmente, pdem transfrmar-se em perdas advindas da inadimplência. Para administrar risc de crédit, diversas metdlgias de mensuraçã de expsiçã e mecanisms de gestã existem. Dentre as metdlgias tradi- Recebid em 28/nvembr/2007 Aprvad em 06/fevereir/2009 Sistema de Avaliaçã: Duble Blind Review Editr Científic: Niclau Reinard Fabian Guasti Lima, Graduad em Matemática pela Universidade Federal de Sã Carls, Mestre em Ciências pela Faculdade de Filsfia, Ciências e Letras de Ribeirã Pret da Universidade de Sã Paul (USP), Dutr em Administraçã pela Faculdade de Ecnmia, Administraçã e Cntabilidade da USP, é Prfessr d Prgrama de Pós-Graduaçã em Cntrladria e Cntabilidade d Departament de Cntabilidade da Faculdade de Ecnmia, Administraçã e Cntabilidade de Ribeirã Pret da USP (CEP Ribeirã Pret/SP, Brasil) e Pesquisadr da Área de Métds Quantitativs em Finanças. fabian@francanet.cm.br Endereç: Universidade de Sã Paul FEA Ribeirã Pret Departament de Cntabilidade Avenida ds Bandeirantes, Ribeirã Pret SP Luiz Carls Jacb Perera, Oficial d Exércit, Cntadr, Pós-Graduad em Scilgia, Mestre em Aplicações Militares, Mestre e Dutr em Administraçã pela Faculdade de Ecnmia, Administraçã e Cntabilidade da Universidade de Sã Paul, cm especializaçã em Finanças, é Prfessr da Universidade Presbiteriana Macenzie (CEP Sã Paul/SP, Brasil) e ds Curss de MBA da Fundaçã Institut de Administraçã, Fundaçã Institut de Pesquisas Ecnômicas e Fundaçã Institut de Pesquisas Cntábeis, Atuariais e Financeiras. jperera@terra.cm.br Herbert Kimura, Engeneir de Eletrônica pel Institut Tecnlógic de Aernáutica, Mestre em Estatística pel Institut de Matemática e Estatística da Universidade de Sã Paul, Dutr em Administraçã pela Faculdade de Ecnmia, Administraçã e Cntabilidade de Universidade de Sã Paul, é Prfessr da Universidade Presbiteriana Macenzie (CEP Sã Paul/SP, Brasil). erbert@terra.cm.br Antôni Carls da Silva Fil, Físic, Mestre e Dutr em Física pel Institut de Física da Universidade de Sã Paul é Pós-Dutr pel Imperial Cllege f Science, Tecnlgy and Medicine da Lndn University, é Prfessr d Centr Universitári de Franca (CEP Franca/SP, Brasil). acdasf@bl.cm.br 34 R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar. 2009

2 APLICAÇÃO DE REDES NEURAIS NA ANÁLISE E NA CONCESSÃO DE CRÉDITO AO CONSUMIDOR cinais usadas para cnstruçã de mdels de risc de crédit, destacam-se a análise discriminante, a regressã lgística, as árvres de decisã e a prgramaçã linear e suas variações (SAMEJIMA, DOYA e KAWATO, 2003). Recentemente, mdels baseads em técnicas de redes neurais vêm send utilizads e aplicads em prblemas de análise de crédit cm, pr exempl, em Crrêa e Macad (2004). As redes neurais têm sid aplicadas, em especial, em diverss cntexts em Administraçã. N cas de pesquisas em Administraçã n Brasil, Almeida (1995) faz um detalament didátic de várias ptenciais aplicações de redes neurais em prblemas administrativs, enquant Fnsêca e Omai (2004) utilizam a ferramenta em mareting, para segmentaçã de clientes. Dada sua aplicabilidade na prediçã de variáveis u cmprtaments, as redes neurais também têm sid explradas em finanças e cntrle. Na área financeira, Cartac e Suza (2002) utilizam redes neurais para seleçã de carteiras e Freitas e Suza (2002), para precificaçã de pções. Cm relaçã à previsã de preçs, Bressan (2004), pr exempl, aplica redes neurais para análise de preçs de futurs agrpecuáris e Lima e Almeida (2004), para preçs de ações. Na área de planejament e cntrle, Almeida et al. (2004) usam algritms genétics e redes neurais para a realizaçã de rçament de vendas. Para tema específic de us de redes neurais aplicadas à análise de crédit, enquant Lactermacer e Espencitt (2001) estudam a previsã de falências, Crrêa e Macad (2004) cnstrem um mdel de credit scring para micrcrédit cm dads de ceques especiais. Seguind na lina de pesquisa vltada a crédit, neste trabal tem-se pr bjetiv ampliar a gama de aplicações, apresentand a utilizaçã de redes neurais para a identificaçã de bns e maus pagadres em perações de crédit a cnsumidr. Neste artig sã discutids, brevemente, aspects istórics e mecanisms de gestã referentes a crédit e à teria que fundamenta as redes neurais. A seguir, sã apresentads s prcediments da pesquisa, bem cm s resultads da avaliaçã empírica. Cm cnclusã, algumas cnsiderações finais sã realizadas, destacand-se a aplicabilidade e as limitações d mdel de redes neurais btid empiricamente na amstra levantada. 2. A RELEVÂNCIA DO CRÉDITO As referências mais antigas citam que Kammu-rabi, rei da Babilônia n 18º sécul a.c., gvernu uma cnfederaçã de cidades-estad e, n final de seu reinad, registru as 282 cláusulas que ficaram cnecidas cm Códig de Hamurábi. Nesse códig, na parte que se refere as cntrats e brigações mútuas, á claras referências a prcess de negciaçã e às respnsabilidades das partes cntratantes, inclusive de brigações creditícias (HUBERMAN, 1986). Prvavelmente crédit indiret a cnsumidr sempre tena existid pr mei ds intermediáris: a particular necessidade de bter algum artig e a impssibilidade de adquiri- -l diretamente a crédit d cmerciante fizeram surgir a figura d prestamista, alguém que facilitava a efetivaçã da peraçã, em trca de algum bjet que servisse cm garantia de pagament da dívida cntraída. Inicialmente, as perações de vendas a praz circunscreveram-se a artigs de grande valr e que, mesm passad cert temp depis de efetuada a venda, ainda apresentavam um valr que pdia ser recuperad mediante a revenda d bem negciad. Dessa frma, realizaram-se vendas de móveis, máquinas de cstura, pians e livrs. Cm prcess natural de vendas a praz, surgiram as empresas de crédit. Send especializadas em descnt ds títuls de crédit, essas empresas vltaram-se psterirmente para a cncessã de crédits direts individuais que, em grande parte, fram utilizads para a cmpra de mercadrias. Segund Medina (1967), esse sistema de crédit ns Estads Unids fi iniciad pr A.J. Mrris, que fundu em 1907 s bancs que levaram seu nme. Os resultads nã se fizeram esperar e em breve s bancs estendiam-se pr td país, frçand a criaçã da Industrial Finance Crpratin, que funcinu cm um braç financeir das rganizações Mrris. A rápida expansã industrial e cmercial criu a necessidade de especializaçã e de aument das facilidades de crédit. Bancs cmerciais, bancs de investiments, sistemas de pupança, cmpanias seguradras, factrings, cmpanias financeiras e utras truxeram imprtantes cntribuições, encrajand us prdutiv da acumulaçã de capital. O crédit a cnsumidr assumiu um papel imprtante pr estimular a prduçã em massa e a distribuiçã de bens de elevad valr, cm autmóveis, casas, equipaments dméstics, barcs e uma incntável série de utras cmdidades. Cm a tendência de expandir pagaments a baixas taxas de jurs, muits prduts trnaram-se dispníveis para a classe média nrte-americana, enquant cntinuam a ser sns de cnsum em muitas utras partes d mund. Cm passar d temp, sistema bancári regularizu suas funções e criu mecanisms própris de financiament as cnsumidres. Hje, sistema vigente permite que muitas empresas tenam registrs própris adequads e até mesm pssuam as próprias financeiras. O advent ds cartões de crédit ns ans 1960 cntribuiu para que s cnsumidres pudessem financiar tdas as suas cmpras, desde gramps de cabel, cmputadres, até viagens de fim de semana pr mei d maravils pder de persuasã e facilitaçã d crédit. O cresciment das vendas estimulad pels cartões de crédit incitu desenvlviment d crédit para utrs prduts cm empréstims pessais, empréstims para aquisiçã de autmóveis, crédit cmercial e até mesm empréstims para aquisiçã de utrs bens, cuja expansã estava deprimida pel cresciment d crédit a cnsumidr, via empréstims iptecáris (THOMAS, 2003). R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar

3 Fabian Guasti Lima, Luiz Carls Jacb Perera, Herbert Kimura e Antôni Carls da Silva Fil Cada prdut de crédit tem as próprias especificidades, de tal frma que s mercads incluem um mix de sistemas de crédit, taxas de jurs e garantias que frmam um cmplex ambiente ecnômic-financeir. O crédit a cnsumidr impressina nã apenas pels númers financeirs e de participantes, mas também pr aqueles que, embra nã atuantes, sã influenciads pel sistema. O crédit e s cartões de crédit, a serem usads cm mei de pagament, têm grande influência nas cntas nacinais a intervirem diretamente na relaçã ds meis de trca. A mairia das pessas pssui algum instrument financeir de crédit e algumas pssuem até mesm mais d que um instrument, cm crédit pré-aprvad, cnta garantida, cartã de crédit u débit, etc. As diversas transações realizadas pr an pdem ser avaliadas pel fat de um dólar de renda dispnível ser, em média, cmplementad cm mais um dólar de alguma frma de empréstim (THOMAS, 2003). N cas brasileir, dads d Banc Central d Brasil mstram a evluçã d crédit a partir de 1988, evidenciand que vlume geral de crédit nã acmpanu a evluçã d Prdut Intern Brut (PIB) a lng d temp, clcand mais uma vez em destaque a falta de pupança interna e a dependência de capitais externs para desenvlviment ecnômic d país. N entant, também se evidencia, a partir de 1994, um significativ e cntínu cresciment d crédit a cnsumidr, mstrand que Plan Real, além de resgatar s instruments que têm permitid cntrle da inflaçã, também alcançu sucess na distribuiçã de renda, fat evidenciad pel expressiv aument n crédit a cnsumidr quand cnsiderad cm percentual d PIB. Em paralel a cresciment da relevância d crédit para a viabilizaçã de cmpras e aqueciment da ecnmia, s órgãs reguladres cmeçaram a advertir sbre aument da expsiçã a risc de crédit. Em particular, advent d Basileia II camu a atençã para a necessidade de ser feita uma ba mdelagem de risc ds prtflis de crédit a cnsumidr, em vez de simplesmente se avaliar risc de crédit de frma individual e independente. A crise recente, que se iniciu cm um deterirament ds empréstims imbiliáris cncendids n mercad nrte-american a clientes de baixa renda, evidenciu a necessidade de melres mdels de análise e mecanisms de cntrle. As rientações ds órgãs reguladres, desenvlvidas principalmente pel Ban fr Internatinal Settlements, têm cm princípi a agregaçã de capital própri prprcinal a risc que s bancs e utras instituições financeiras que atuam cm emprestadres estã dispsts a assumir. Iss implica administrar risc de crédit ds prtflis cnsiderand s váris aspects de risc que as crrelações pdem acarretar. Em utras palavras, as instituições de crédit devem analisar riscs pr mei de alg semelante e cmplementar as mdels de value-at-ris, sbejamente assimilads pelas instituições financeiras para a gestã d risc de mercad. Rsenberg e Gleit (1994) destacam que a primeira categria nas decisões de crédit refere-se à decisã de cnceder u nã e a quant cnceder de crédit. À segunda categria pertencem aquelas decisões que dizem respeit as clientes ativs, pdend incluir: aument u diminuiçã d limite de crédit; autrizaçã de uma determinada despesa (n cartã de crédit); definiçã da validade d cartã e limite; prmções e utras decisões de mareting que impliquem assumir ampliaçã de limites; e aspects tais cm quand e que tip de decisã deve ser tmada cm relaçã as clientes inadimplentes. Esses mesms autres recnecem que as decisões da primeira categria, vltadas à aceitaçã u rejeiçã de um nv cliente, sã bastante estudadas pel mercad. Análises que utilizam técnicas quantitativas pdem ser efetuadas, btend- -se um razável nível de segurança. As decisões pertencentes à segunda categria nã sã tã fáceis de serem tmadas, pis sã mens estudadas e julgament subjetiv parece prevalecer sbre s mdels empírics. Apesar d avanç da tecnlgia de infrmaçã e da dispnibilidade cada vez mair da capacidade cmputacinal, essa clcaçã ainda pde ser cnsiderada atualizada, pis cntinua ser bem mais fácil decidir a cncessã inicial de crédit d que decidir sbre a manutençã u a interrupçã de um relacinament cm um determinad devedr. Cmplementand e atualizand imprtante trabal de Rsenberg e Gleit (1994), pde-se acrescentar uma terceira categria de decisões que je fazem parte d ctidian d administradr financeir: as decisões relativas à estrutura ds prtflis de crédit em tda a sua amplitude, desde as cmplexas estruturas de prject finance, passand pelas simples securitizações, até as mdernas e sfisticadas perações cm derivativs de crédit, envlvend s credit default swaps e s ttal return swaps. Mais recentemente, surgiram até mesm as negciações sbre índices de crédit, que permitem nã só edge das perações creditícias, cm também a ampliaçã de transaçã de pções e de futurs de índices de crédit. Dessa frma, trna-se dispnível uma nva, mderna e ampla família de instruments de gerenciament de risc de crédit. Na última década, s mviments relativs às diversas atividades creditícias têm crrid de várias frmas: desenvlviment de mdels de credit scring para tentar interpretar as atitudes ds cnsumidres, inclusive em relaçã à prbabilidade de default a tmar crédit; frte mviment em que s investidres prcuram cncentrar-se mais na rentabilidade das perações d que na prbabilidade de default, tentand estimar a rentabilidade ttal d tmadr relativamente a emprestadr; cnstruçã de mdels que buscam identificar as características d cnsumidr e relacinar indiretamente sua rentabilidade para a instituiçã, cm redes neurais, análise de sbrevivência etc.; definiçã de abrdagens matemáticas que têm-se precupad cm s mdels de prbabilidade de retrns baseads 36 R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar. 2009

4 APLICAÇÃO DE REDES NEURAIS NA ANÁLISE E NA CONCESSÃO DE CRÉDITO AO CONSUMIDOR em cadeias de Marv, assim cm us de prgramaçã dinâmica, para identificar plíticas que maximizem s resultads (THOMAS, 2003). Deve-se destacar que cessinári d crédit tem a cnvicçã de que, inicialmente, pde escler tmadr, definir as taxas de jurs e estabelecer as regras para maximizar sua rentabilidade. N entant, a dificuldade está em ajustar essas variáveis a lng da vida d empréstim, quand diversas situações pdem evluir favrável u desfavravelmente. Cnsequentemente, as decisões a serem tmadas pdem exigir a cnstruçã de diferentes mdels cm diferentes bjetivs. Neste trabal, ênfase fi dada a estabeleciment de um mecanism de previsã, vltad para auxiliar n prcess de tmada de decisã, classificad na primeira categria de Rsenberg e Gleit (1994). Assim, cnstruiu-se um mdel de redes neurais que permite identificar, pr mei de númer limitad de dads cadastrais, ptenciais pagadres u inadimplentes em perações de crédit a cnsumidr. Os fundaments das redes neurais sã discutids a seguir. 3. FUNDAMENTAÇÃO DAS REDES NEURAIS Redes neurais artificiais sã sistemas de prcessament de infrmações distribuídas, cmpstas pr váris elements cmputacinais simples que interagem pr mei de cnexões cm pess distints. Inspiradas na arquitetura d cérebr uman, as redes neurais exibem características cm a abilidade de aprender padrões cmplexs de dads e generalizar a infrmaçã aprendida (ZHANG, PATUWO e HU, 1998). Cada element cmputacinal nã linear na rede neural é camad de nó e é densamente intercnectad pr mei de cnexões diretas. Os nós peram em passs discrets, de frma análga a uma funçã de dis estágis: n primeir, calcula-se a sma ds sinais de entrada, atribuind pess as sinais; n segund estági, aplica-se, à sma ds sinais, uma funçã de saída, camada de funçã de ativaçã (HILL, O CONNOR e REMUS, 1996). Segund Hayin (2001), as unidades básicas da rede sã s neurônis artificiais que, pr sua vez, se agrupam em camadas. Existem três categrias de camadas: a camada de entrada, a camada intermediária, que pde também cnter utras subcamadas, e a camada de saída. Os neurônis entre as camadas sã cnectads pr sinapses u pess, s quais refletem a relativa imprtância de cada entrada n neurôni. A camada de entrada é respnsável pelas variáveis de entrada d mdel, enquant a camada de saída cntém um u mais nós e representa s resultads finais d prcessament. Nas camadas intermediárias u camadas cultas, prcessament é refinad, pssibilitand a frmaçã de relações nã lineares. Na figura 1, apresenta-se mdel de um neurôni que frma a base para prjet de redes neurais artificiais. N mdel neural dessa figura, pdem ser destacads s seguintes cmpnentes: um cnjunt de sinapses u els de cnexã, e cada sinapse é caracterizada pr um pes u frça própria. Especificamente, um sinal x j, na entrada da sinapse j cnectada a neurôni, é multiplicad pel pes sináptic w j. É imprtante ntar cm sã escrits s índices d pes sináptic w j. O primeir índice refere-se a neurôni em questã e segund, a terminal de entrada da sinapse à qual pes se articula; um smadr u integradr para smar s sinais de entrada, pnderads pelas respectivas sinapses d neurôni. As perações cnstituem, neste cas específic, um cmbinadr. Deve-se destacar que, nas redes neurais, cmbinadr nã precisa necessariamente bedecer a uma funçã linear; uma funçã de ativaçã para restringir a amplitude da saída de um neurôni. A funçã de ativaçã é também referida cm funçã restritiva, uma vez que restringe u limita interval permitid de amplitude d sinal de saída a um valr finit. Tipicamente, interval nrmalizad da amplitude da saída de um neurôni é escrit cm um interval unitári fecad [0,1] u, alternativamente, cm interval [-1,1]. Figura 1: Mdel de Um Neurôni Artificial Fnte: Adaptada de Hayin (2001). O mdel neural da figura 1 inclui também um viés aplicad externamente, representad pr b. Esse viés tem efeit de aumentar u diminuir a entrada líquida da funçã de ativaçã, dependend se ele é psitiv u negativ, respectivamente. Em terms matemátics, pde-se descrever um neurôni a partir das seguintes equações: u = m j= 1 e w j x j [1] R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar

5 Fabian Guasti Lima, Luiz Carls Jacb Perera, Herbert Kimura e Antôni Carls da Silva Fil ( u b ) y = ϕ + [2] send x 1, x 2,..., x m s sinais de entrada; w 1, w 2,..., w m s pess sináptics d neurôni ; u a saída d cmbinadr devid as sinais de entrada; b viés; ϕ(.) a funçã de ativaçã; e y sinal de saída d neurôni. O us d viés b tem efeit de aplicar uma transfrmaçã afim à saída u d cmbinadr n mdel da figura 1, cm mstrad a seguir: v = u + b [3] Mdels lineares têm a prpriedade útil de implicar uma sluçã fecada para a resluçã d prblema de uma regressã, u seja, de minimizar a diferença quadrática entre i e valr previst e valr previst p i. Para a previsã em um períd curt, mdel linear é um pnt de partida razável, u um padrã recnecid, vist que, em muits mercads, se bservam apenas pequenas mudanças simétricas na variável a ser predita, a lng de uma tendência de lng praz. N entant, mdel linear pde nã ser precis bastante para aplicaçã em mercads financeirs vláteis, ns quais pdem crrer prcesss nã lineares na evluçã de dads. Mviments lents cm aument cnsistente ds preçs ds ativs, seguids pr clapss repentins cnecids cm blas especulativas sã cmuns de acntecer. Dessa frma, mdel linear pde falar em capturar u prever pnts de mudança acentuada ns dads. Pr essa razã, sã utilizadas técnicas nã lineares de previsã, que pdem cnduzir a mdels mais realistas. Nesse cntext, a rede neural é uma alternativa as mdels de previsã tipicamente lineares e a algumas abrdagens nã paramétricas para a aprximaçã de sistemas nã lineares. A razã para us de uma rede neural é simples e direta: encntrar uma abrdagem u métd que realize bem previsões para dads gerads em prcesss que, frequentemente, sã descnecids e altamente nã lineares, cm uma quantidade pequena de parâmetrs, e qual seja mais fácil de estimar que s mdels nã lineares paramétrics (OLIVEIRA, 2003). Tend em vista a aplicaçã d mdel idealizad, será discutid em mais detales algritm de retrprpagaçã u bacprpagatin. Nesse algritm, supõe-se uma rede cm N neurônis na camada de entrada (n = 1, 2,..., N), J neurônis na camada intermediária (j = 1, 2,..., J) e K neurônis na camada de saída ( = 1, 2,..., K). Cnsidera-se W1 jn pes entre j-ésim neurôni na camada intermediária e n-ésim neurôni da camada de entrada, e W2 jn pes entre -ésim neurôni na camada de saída e j-ésim neurôni da camada intermediária, cnfrme ilustra a figura 2. A camada de entrada mstra que s nós recebem s valres ds dads de entrada. As linas de intercnexã indicam que Figura 2: Estrutura da Rede Neural Fnte: Adaptada de Ta (1995). valr de saída de um neurôni é passad a lng da lina até próxim neurôni. Quand tds s dads da camada de entrada tiverem passad através da última camada, cnecida cm camada de saída, um cicl u épca terá sid realizad. Cada lina de intercnexã tem um valr, camad de pes, que cnstitui parâmetr que pera sbre s dads assciads a cada lina, pela multiplicaçã d valr d dad pel pes. Esses pess sã ajustads de frma incremental durante a fase de treinament, de tal frma a alcançar resultad de saída desejad para um determinad dad de entrada. Inicializações típicas para esses pess encntram-se n interval de [-1;1]. A segunda camada e tdas as camadas subsequentes cntêm nós de prcessament, cnecids cm neurônis artificiais, e sã camadas de intermediárias (u cultas). O prcessament realizad em um neurôni artificial pde ser dividid em três passs: s dads que passam, a lng das linas de entrada para s neurônis, sã multiplicads pels pess; tds esses dads que fram multiplicads pels pess sã smads dentr d neurôni; valr ttal dessa sma é passad através de uma funçã de transferência, cuja saída representa valr de saída d neurôni. A funçã de transferência mais simples é a funçã linear, adequada para um espaç linearmente separável, a qual iguala a saída à entrada. A utilizaçã de funções de transferência nã lineares, aprpriadas para um espaç nã linearmente separável, é uma das características principais da rede neural. Usand I para indicar a camada de entrada (input) e O para saída (utput), e ainda s sbrescrits i para camada de entrada, (idden) para a camada intermediária e para camada de saída, pde-se indicar I cm a entrada d neurôni da camada intermediária e O i a saída d neurôni da camada de entrada. A seguir sã apresentadas tdas as etapas d algritm de retrprpagaçã, de acrd cm Azff (1994). Definir a funçã de pess da rede, E(w), cnecida cm a energia u funçã de cust, a qual se deseja minimizar. Cn- 38 R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar. 2009

6 APLICAÇÃO DE REDES NEURAIS NA ANÁLISE E NA CONCESSÃO DE CRÉDITO AO CONSUMIDOR siderand a metade da sma quadrática ds errs, deve-se minimizar err E ttal de tds s prcessadres da camada de saída para tds s padrões que sã apresentads à rede: Ettal = 1 E 2 µ µ ( w) = ( T O) send smatóri realizad sbre s padrões µ e s neurônis de saída, T valr alv e O, a saída bservada da rede, uma funçã ds pess w da rede. Calcular a saída d neurôni da camada intermediária O, multiplicand s pess W1 pelas saídas d neurôni da camada de entrada O i : N i I = W1 n () t O [5] n= 1 Essa entrada é nível de ativaçã que determina se neurôni pde prduzir uma saída. A relaçã entre nível de ativaçã e a saída pde ser linear u nã linear. Cnsiderand uma funçã lgística e, prtant, nã linear, mas facilmente derivável, tem-se que a saída d neurôni da camada intermediária O é dada pr: 1 O = I [6] 1+ e Calcular a saída d neurôni da camada de saída O, multiplicand s pess W2 pela saída d neurôni da camada intermediária O : J J () () 1 I = W 2 = j t. O W 2 j t I [7] j= 1 j= 1 1+ e e O 1 ( I ) = 2 [4] = ϕ I [8] 1+ e Calcular err: n 1 E = T I t= + e [9] 1 1 O mecanism das redes neurais busca minimizar err ttal. Dessa frma, as derivadas parciais d err em relaçã as pess pdem indicar camin que s pess deveriam percrrer para reduzir err ttal. As derivadas parciais pdem ser btidas pel us da regra da cadeia. Para a definiçã de um ajuste n pes W2 n algritm, tem-se: =. W 2 [10] W 2 cm O =. = ( T O ) ϕ '( I ) = ( T O ) O ( 1 O ) =δ [11] O e = O W 2 [12] Assim, uma variaçã ds pess W2, para fins de implementaçã d algritm, pde ser definida cm: W 2 () t = α = αδ O [13] W 2 De md análg, para ajuste n pes W1, tem-se: =. W1 W1 cm ( ) 1 O δ W = δ [14] O = = O O e 2 [15] i = O W1 [16] Cm iss, ajuste n pes pde ser realizad pr mei de: i W1 () t = α = αδ O W1 [17] Ajustar W2 e W1 em relaçã à próxima iteraçã: ( t + 1) = W 2() t = W 2() t + Θ( W 2() t W 2( t 1) ) W 2 [18] ( t + 1) = W1() t = W1() t + Θ( W1() t W1( t 1) ) W 1 [19] em que α é a taxa de aprendizagem e Θ( W 2() t W 2( t 1) ) é term de mment. N mdel, Θ é ceficiente de mment que recebe um valr n interval [0,1], usad para cnferir à atualizaçã ds pess uma memória de sua última atualizaçã, suavizand as frças que afetam as mudanças ns pess. Avaliar a recrrência d algritm. Cas a lista de épcas nã tena sid exaurida, algritm implica a apresentaçã d próxim cnjunt de treinament à camada de entrada e a vlta a pass inicial. Tend sid cmpletada uma épca e acumulads s errs de tds s padrões de entrada, s errs btids sã avaliads e cmparads cm s níveis de tlerância. A característica que cnfere à rede neural um pder de previsã é prcessament paralel. Adicinalmente a prcessament sequencial ds sistemas lineares típics, n qual apenas entradas bservadas sã utilizadas para predizer uma saída bservada, pela pnderaçã ds neurônis de entrada, s neurônis na camada culta prcessam as entradas de frma paralela, de tal frma a melrar as predições. Essa rede de camada simples alimentada adiante, também camada de multi perceptrn, cm uma camada escndida, é a rede neural mais R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar

7 Fabian Guasti Lima, Luiz Carls Jacb Perera, Herbert Kimura e Antôni Carls da Silva Fil básica e cmumente utilizada em aplicações ecnômicas e financeiras. Mais genericamente, a rede representa md cm cérebr uman prcessa s dads sensriais de entrada, recebids cm neurônis de entrada, e internamente recnecids cm um neurôni de saída. Cm desenvlviment d cérebr, mais e mais neurônis sã intercnectads e mais sinapses sã frmadas. Os sinais de diferentes neurônis trabalam de frma paralela, em númer cada vez mair de camadas escndidas, e sã cmbinads pelas sinapses para prduzir insigts e reações. 4. APLICAÇÃO DE REDES NEURAIS NA AVALIAÇÃO DE CRÉDITO AO CONSUMIDOR Neste trabal, fi utilizada uma rede d tip multilayer perceptrn (MLP), já que suas camadas intermediárias pssibilitam a aprximaçã de funções cntínuas lineares e nã lineares das entradas. O algritm de treinament implementad fi bacprpagatin, mais ppular aplicad às redes MLP. Esse métd cnsiste em um aprendizad supervisinad, em que sã frnecids s valres de entrada e saída. Ele é realizad em duas etapas: a frward e a bacward. Na etapa frward, a rede calcula s valres da saída a partir ds dads de entrada. Na fase seguinte, a bacward, sã utilizads s pess assciads a cada cnexã de acrd cm as diferenças entre as saídas btidas e as saídas desejadas, cnfrme discutid anterirmente. Para a cnstruçã d mdel fram selecinads, de maneira aleatória, clientes que realizaram cmpras a praz da base de dads de uma empresa d setr varejista. A amstra fi cedida pela empresa para que fssem realizadas simulações de redes neurais na tentativa de btençã de alguns insigts sbre inadimplência. Em particular, a investigaçã fcu-se n estud da efetivaçã d pagament da primeira prestaçã, pis representa imprtante aspect de gestã d risc de crédit. Em utras palavras, buscu-se identificar um mdel que permitisse uma análise de clientes que nã cegam a efetuar nem a primeira prestaçã, ist é, critéri de inadimplência adtad fi nã pagament da primeira prestaçã até a data da cbrança. Pde-se especular que esses indivídus se trnem inadimplentes pr razões diferentes daquelas que fazem cm que s clientes deixem de efetuar pagaments subsequentes de prestaçã, cm perda de renda u utrs prblemas de flux de caixa. Nesse cntext, a amstra fi dividida em dis grups: s clientes que pagam e s clientes que nã pagam. Cnsideraram-se clientes pagantes aqueles que pagaram em dia a primeira prestaçã d financiament e nã pagantes aqueles que nã efetuaram pagament da primeira prestaçã até a data da cbrança, cnfrme rientaçã da empresa. A base final apresentu clientes que pagam (94,9%) e 126 clientes que nã pagam (5,1%). Fram selecinads, cm variáveis de entrada, dez indicadres ligads às cntas e as clientes que pderiam de alguma frma ajudar a identificar cmprtament ds clientes dessa empresa. As variáveis fram selecinadas em funçã da presença na base de dads da empresa e de eventuais critéris de cnfidencialidade que pdem restringir a dispnibilizaçã de infrmaçã. A seguir, sã elencadas as variáveis levantadas: data da venda riginal data da efetivaçã da cmpra d bem; valr da prestaçã valr da parcela de pagament cbrada pela lja, já embutidas tdas as custas da empresa; dia d venciment da prestaçã data prgramada para quitaçã de cada parcela d financiament; valr ttal financiad valr presente d bem cmprad pel cliente, negciad na lja; sex se masculin u feminin; salári valr d salári base mensal d cmpradr cadastrad na rede da empresa que assume financiament; idade idade em ans calculada a partir da data de nasciment e a data da cmpra, sem arredndaments; estad civil estad atual de registr civil de cada cliente; CEP da residência códig pstal da mradia atual d cliente; prfissã prfissã atual exercida pel cliente n mment da cmpra. Após a extraçã ds dads, fi realizad seu prcess de preparaçã. A primeira variável analisada fi a prfissã. Verificu-se que avia inúmeras prfissões distintas elencadas, inclusive cm camp vazi u indicaçã de utrs, a mesma prfissã declarada às vezes cm atividade que exercia, pr exempl dméstica, empregada, diarista, nã send pssível estabelecer um padrã de respstas cnfiáveis. Prtant, a variável fi excluída d trabal, pr nã apresentar cnsistência e, assim, númer de variáveis n mdel fi reduzid a nve, ficand a prtunidade de um trabal futur cm a caracterizaçã dessa variável. A variável CEP fi tratada sem mdificações, pis a base cntina clientes de tdas as regiões ecnômicas. Ressalta-se que mdel nã fi gerad pr regiã ecnômica e, sim, para tratament específic de tda a rede varejista. De acrd cm site ds Crreis, s cinc primeirs dígits d CEP significam, respectivamente regiã, sub-regiã, setr, subsetr, divisr e subdivisr, e s três últims sã identificadres de distribuiçã. Nesta pesquisa, está send utilizad apenas primeir dígit, u seja, apenas a regiã gegráfica que, em geral, identifica estad u grup de estads, a saber: 1 = Sã Paul (SP); 2 = Ri de Janeir (RJ) e Espírit Sant (ES); 3 = Minas Gerais (MG); 4 = Baia (BA) e Sergipe (SE); 5 = Pernambuc (PE), Alagas (AL), Paraíba (PB) e Ri Grande d Nrte (RN); 6 = Ceará (CE), Piauí (PI), Maranã (MA), Pará (PA), Amaznas (AM), 40 R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar. 2009

8 APLICAÇÃO DE REDES NEURAIS NA ANÁLISE E NA CONCESSÃO DE CRÉDITO AO CONSUMIDOR Acre (AC), Amapá (AP) e Rraima (RR); 7 = Distrit Federal (DF), Giás (GO), Tcantins (TO), Mat Grss (MT), Mat Grss d Sul (MS) e Rndônia (RO); 8 = Paraná (PR) e Santa Catarina (SC). A variável estad civil fi categrizada em 1 para casad, 2 para slteir, 3 para viúv, 4 para divrciad e 5 para utrs. A variável de saída d mdel, status d cliente, fi transfrmada em um valr binári (0 para s clientes que nã pagam e 1 para s clientes que pagam). A variável referente a sex d indivídu também fi categrizada. Tdas as redes tinam em sua camada de entrada nve variáveis, representand alguns dads cadastrais cmumente levantads em perações de crédit a cnsumidr. A cnstruçã da rede neural para cálcul d status d cliente fi realizada pr mei d sftware Statistica da StatSft 6.1. Os dads fram dividids em três bases cm diferentes finalidades: treinament, validaçã e teste. A base de treinament fi cmpsta pr 50% ds dads, a de validaçã pr 25% da amstra e a de teste pr 25%. Cm cnsta na tabela 1, as três bases fram rganizadas de md que as prprções riginais ds clientes que pagam e ds clientes que nã pagam se mantivessem praticamente as mesmas quand cmparadas cm as prprções da amstra ttal. Em relaçã à arquitetura da rede, ptu-se pr utilizar a funçã de ativaçã sigmidal. A taxa de aprendizagem utilizada ns treinaments fi de 0,08. Várias redes cm diferentes quantidades de neurônis nas camadas cultas fram treinadas. O bjetiv era encntrar as arquiteturas que apresentassem s melres resultads. Fram cnsiderads quatr tips de grups em funçã d acert u err d mdel: prcentagem de clientes que nã pagam classificads cm clientes que nã pagam; prcentagem de clientes que pagam classificads cm clientes que pagam; prcentagem de clientes que pagam classificads cm clientes que nã pagam e prcentagem de clientes que nã pagam classificads cm clientes que pagam. Exemplificand, primeir grup tem cm bjetiv determinar a capacidade d mdel neural criad para identificar perfil ds clientes que nã pagam a primeira prestaçã, reduzind, assim, a inadimplência da empresa. Os clientes classificads crretamente servem para infrmar quant a rede cnsegue distinguir s clientes de baix risc de crédit, elevand a cncessã de empréstims as clientes. O terceir grup representaria clientes as quais mdel negaria crédit, embra eles fssem bns pagadres. Assim, se pr um lad mdel pde evitar perdas cm inadimplência, pde também acarretar perda de receita a negar crédit a bns pagadres. Após a etapa de treinament, algritm de redes neurais fi prcessad, utilizand diferentes métds. A seguir, na tabela 2, sã resumids s resultads das redes que mais se adequaram as dads de crédit a cnsumidr em funçã d err na fase de treinament. A rede que envlve a prpagaçã em múltiplas camadas (multiplayer prpragatin u MPL) teve desempen superir, em relaçã às demais redes: rede linear, rede neural plinmial (plynmial neural netwr u PNN) e duas redes cm funçã radial (radial basis functin u RBF). Na PNN, a rede crrelacina variáveis de entrada e variáveis de meta pel us de regressã plinmial. A RBF (BROOMHEAD e LOWE, 1988) cnstitui uma alternativa a multilayer perceptrn e é mtivada pela respsta ajustada lcalmente, cm acntece ns neurônis bilógics. Tdas as redes tinam em sua camada de entrada nve variáveis, representand alguns dads cadastrais cmumente levantads em perações de crédit a cnsumidr. As variáveis de saída representam status de pagament u inadimplência da primeira parcela. Analisand s resultads btids, verificu-se que s melres mdels criads cegaram as índices de acerts satisfatóris, cnfrme pde ser vist na tabela 2. A rede MLP fi cnsiderada a melr cm 79,3% de acerts na fase de treinament, 71,4% na fase de validaçã, 85,4% na fase de teste e smente 10% de err. Essa rede, cuja arquitetura apresentu it neurônis na camada de entrada, nve na camada intermediária e um na camada de saída, é expressa na figura 3. O resultad mens expressiv fi encntrad cm a Tabela 1 Distribuiçã da Amstra nas Bases de Treinament, Validaçã e Teste Base Númer de Clientes Prcentagem Ttal d Númer Prcentagem Pagam Nã Pagam Pagam Nã Pagam de Clientes Sbre Ttal Treinament ,99 5, ,0 Validaçã ,83 5, ,0 Teste ,83 5, ,0 Tds s Dads ,90 5, ,0 R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar

9 Fabian Guasti Lima, Luiz Carls Jacb Perera, Herbert Kimura e Antôni Carls da Silva Fil Tabela 2 Resultads Alcançads pelas Diferentes Redes Criadas Desempen Err Númer de Neurônis Rede Treinament Validaçã Teste Treinament Entrada Intermediári Intermediári % % % % (1) (2) MLP 79,3 71,4 85, Linear 67,0 62,1 60, PNN 64,0 66,3 60, RBF1 62,6 57,2 58, RBF2 57,6 57,1 61, Tabela 3 Resultads Alcançads pela Rede MLP Respsta Prcentagem Classe Rede da Rede das Respstas (Status) Pagam Nã Pagam Pagam Nã Pagam MLP Pagam ,9 24,1 Nã Pagam ,8 72,2 Ttal ,5 26,5 Figura 3: Arquitetura da Rede MLP Usada n Trabal rede neural linear, que apresentu err de treinament bastante elevad, mstrand a ineficiência dessa rede para tratament prpst. A rede prbabilística também apresentu resultads descnsideráveis cm err de treinament de 88% e precisu cmpr uma camada intermediária de neurônis para acerts de pess, prvcand certa mrsidade na sluçã. Cnsiderand as previsões feitas pela rede que apresentu melr desempen, segue uma tabela cmparativa das respstas (tabela 3). Observa-se que a rede cnsegue classificar, de maneira crreta, 72,2% ds clientes que nã pagam. Para s clientes que efetivamente pagam, 75,9% sã classificads crretamente. Os índices de acert da rede neural parecem ser satisfatóris, principalmente quand se levam em cnsideraçã númer reduzid de variáveis de entrada e a própria característica ds dads, eminentemente cadastrais. Observe-se que s dads de entrada nã envlvem diversas variáveis que pderiam ser relevantes para crédit a cnsumidr, cm númer de bens, temp de serviç, númer de dependentes etc. É imprtante avaliar mais detaladamente s resultads da rede, nã smente s acerts cm também s errs. Os resultads da melr rede neural btida mstram que cerca 24,1% ds clientes que pagam sã classificads de md errad pela rede. A implicaçã para gestã pde ser relevante, uma vez que a empresa, cnfrme já discutid anterirmente, a utilizar a rede neural btida, pde negar crédit a cnsumidres que sã bns pagadres. Nesse cas, a empresa pde vir a perder clientes que sã bns pagadres e diminuir sua participaçã n mercad. Deve-se ainda destacar que, muitas vezes, impact de negar crédit a um bm pagadr pde cnduzir a uma perda quase irreversível d cliente para a cncrrência. De md análg, a rede neural também classifica 27,8% ds clientes que nã pagam de maneira incrreta. A sugerir que s clientes que nã pagam sã bns pagadres, a empresa pde incrrer em maires perdas pr inadimplência. Prém, dependend da estratégia da empresa, essas perdas adicinais pr inadimplência pdem ser cmpensadas pr mair maret sare, cnferind mair agressividade na cncessã em cmparaçã cm as cncrrentes. Obviamente, gestr deve avaliar, à luz da estratégia da empresa, a melr plítica de crédit. A rede neural pssibilita apenas uma indicaçã d perfil de pagament ds clientes, mas nã substitui discerniment ds tmadres de decisã e ds frmuladres da estratégia crprativa. 42 R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar. 2009

10 APLICAÇÃO DE REDES NEURAIS NA ANÁLISE E NA CONCESSÃO DE CRÉDITO AO CONSUMIDOR Tend em vista s acerts e errs da rede neural na classificaçã ds clientes, pde ser relevante cmparar valres das variáveis em estud, para tentar identificar se mecanism pde ser mais u mens adequad para diferentes categrias de indivídus u perações. Na tabela 4, mstram-se, cmparativamente, s valres médis de variáveis e a cmpsiçã de categrias de indivídus, segregada pela classificaçã certa u errada da rede neural. Os resultads cnstantes na tabela 4 sã muit próxims e dificilmente pdem ser utilizads para demnstrar, cm significância estatística, algumas ipóteses cmparativas. N entant, descnsiderand que a base de dads apresenta uma triagem inicial em funçã da própria plítica de crédit da empresa e, prtant, alguns ptenciais clientes nã tiveram crédit aprvad e nã participaram da amstra e descnsiderand também que s vlumes financeirs emprestads pdem estar atrelads a algum dad cadastral, cm renda, pdese realizar pel mens uma bservaçã. Especificamente, indivídus que sã crretamente classificads pela rede neural cm clientes que nã pagam tendem a cntrair uma dívida mair e, cnsequentemente, uma prestaçã média mair. Tend em vista que, na base de dads, se fixu que status de nã pagament refere-se a clientes que nã pagam sequer a primeira prestaçã, fat de esses indivídus infrmarem uma renda média mair, cnfrme mstra a tabela 4, pde ser aspect sintmátic imprtante. Vist que fi levad em cnsideraçã na pesquisa apenas númer reduzid de variáveis de cadastr, s resultads sugerem que as redes neurais pdem representar uma prmissra técnica para análise de cncessã de crédit a cnsumidr, mesm em cntexts extremamente vláteis cm é cas da ecnmia brasileira. Em especial nas situações em que taman das parcelas pde nã justificar a realizaçã de uma avaliaçã mais rigrsa d ptencial de pagament d cliente, as redes neurais pdem reduzir custs de análise e diminuir perdas cm inadimplência. 5. COMENTÁRIOS FINAIS Cnsiderand que crédit a cnsumidr representa imprtante instrument para a viabilizaçã de vendas, neste artig buscu-se apresentar um mecanism basead em redes neurais para a análise da cncessã de empréstims. Tend em vista as características das redes neurais, fi implementad um mdel n qual algritm tenta identificar relações, inclusive nã lineares, entre variáveis que pssam cnduzir a uma prediçã d ptencial de pagament de um empréstim. Assim, cm qualquer mecanism matemátic cm análise discriminante e regressã lgística, mdel de redes neurais também pde apresentar alguns errs de classificaçã para a análise de crédit. Apesar desses ptenciais errs, s mecanisms autmatizads pdem cnferir à empresa subsídis e agilidade para a tmada de decisã. Deve-se destacar que, quand se utilizam sistemas autmatizads, gestr deve ter em mente pel mens dis aspects. Em primeir lugar, gestr deve cmparar benefíci de uma análise mais aprfundada e mens autmatizada cm cust das perdas esperadas prvenientes da classificaçã inadequada ds cnsumidres pel sistema. Vist que qualquer análise de crédit pde cnter errs, a benefíci de uma avaliaçã mais específica deve ser descntad cust para realizaçã dessa investigaçã e também devem ser subtraídas as perdas esperadas pela classificaçã inadequada. Na estimaçã das perdas, deve-se levar em cnsideraçã tant s cass em que bns pagadres sã classificads cm maus pagadres quant s cass em que maus pagadres sã classificads cm bns pagadres. É imprtante, prtant, que a empresa pssua um banc de dads que permita a inferência dessas perdas ptenciais. Assim, investiments em tecnlgia de infrmaçã, nã smente em mdels matemátics, cm também em base de dads, pdem criar diferenciais cmpetitivs para a mdelagem d risc de crédit. Em grande parte das empresas brasileiras, as infrmações ns cadastrs pdem ser aprimradas permitind melres previsões ds mdels. Em segund lugar, gestr deve avaliar as plíticas de crédit em relaçã à estratégia da empresa. Se bjetiv é aumentar a participaçã n mercad u adtar uma pstura mais agressiva para enfrentar a cncrrência, a empresa pde cnceder empréstim mesm a indivídus que mdel classificu cm maus pagadres. Em cntrapartida, se a empre- Tabela 4 Características ds Indivídus e das Operações pr Natureza da Classificaçã Perfil Valr da Valr Prcentagem Prcentagem Dia d Realidade/ Prestaçã Financiad Sex Renda Estad Civil Venciment (R$) Rede Neural (R$) (R$) F M Pagam/Pagam 52, , , Nã Pagam/Nã Pagam 59, , , Nã Pagam/Pagam 56, , , Pagam/Nã Pagam 54, , , R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar

11 Fabian Guasti Lima, Luiz Carls Jacb Perera, Herbert Kimura e Antôni Carls da Silva Fil sa tem uma participaçã de mercad que cnsidera adequada, entã bjetiv da plítica de crédit pde ser minimizar perdas cm inadimplência. Nesse cas, uma pstura mais cnservadra pde induzir a negaçã de crédit mesm para pessas que a rede neural tena classificad cm bns pagadres. A presente pesquisa teve cm bjetiv a cnstruçã de um mdel de risc de crédit para cnsumidres basead em redes neurais artificiais. A partir de uma base de dads real frnecida pr uma imprtante empresa varejista brasileira, identificu-se que algritm basead n multilayer perceptrn cnduziu a resultads satisfatóris na prediçã de perfil de pagadres. Os resultads mstraram que mdel criad cnsegue identificar crretamente mais de 75% ds clientes que pagam a primeira prestaçã em dia de seus financiaments, e capta puc mais de 72% ds clientes que nã pagam nem a primeira prestaçã d empréstim. O fc n pagament da primeira parcela fi influenciad pel interesse, demnstrad pels participantes d mercad, em tentar desenvlver mecanisms que prprcinem a identificaçã de indivídus que nem sequer pagam a primeira parcela. Embra s resultads prprcinads pelas redes neurais na base de dads btida sejam prmissres, é relevante destacar algumas limitações da técnica para bjetiv específic da cncessã de crédit. Apesar de a amstra ter sid dividida em três, para análise de maneira independente das fases de treinament, validaçã e teste, s resultads sã retrspectivs e específics as dads passads. Eventualmente, a acuidade d mdel de redes neurais pde ser bem diferente quand se avaliam dads de maneira prspectiva. Além diss, dada a estrutura definida n mdel, diversas variáveis que pderiam ser relevantes cm nível de instruçã d cliente, tip de residência, taxas de jurs das perações, taxas de jurs da ecnmia, índices de inflaçã, taxas de desempreg etc., nã fram levadas em cnsideraçã. Enfatiza-se, entretant, que mesm cm númer limitad de variáveis, eminentemente cadastrais, bteve-se um índice de classificaçã razável, evidenciand ptencial das redes neurais em identificar muitas relações difíceis e cmplexas entre variáveis. Finalmente, utra crítica que se pde fazer às redes neurais está assciada à falta de insigts que trazem para prcess de tmada de decisã. As redes neurais permitem rápida e ágil classificaçã d pagadr, prém nã sugerem quais variáveis sã relevantes e cm as variáveis de saída e de entrada pdem estar cnectadas. Sabe-se que as variáveis pdem relacinar-se de maneira extremamente cmplexa, mas nã se btém uma descriçã dessas relações que, na mairia das vezes, nã sã lineares. REFERÊNCIAS BIBLIOGRÁFICAS ALMEIDA, F.C. Desvendand us de redes neurais em prblemas de administraçã de empresas. Revista de Administraçã de Empresas (RAE), Sã Paul, v.35, n.1, p.46-55, ALMEIDA, P.H.; SANTOS, L.P.; ALMEIDA, L.A.; ROCHA, J.S.; FREITAS, S.C. Utilizaçã de algritm genétic na parametrizaçã de redes neurais artificiais para aplicaçã na elabraçã de rçament de vendas. In: ENCONTRO DA ASSOCIAÇÃO NACIONAL DE PÓS-GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, 28., 2004, Curitiba. Anais... Paraná: Anpad, AZOFF, E.M. Neural netwr time series frecasting f financial marets. New Yr: Jn Wiley & Sns, BRESSAN, A.A. Tmada de decisã em mercads futurs agrpecuáris utilizand mdels de previsã de séries temprais. RAE eletrônica, Sã Paul, v.3, n.1, p.1-20, BROOMHEAD, D.S.; LOWE, D. Multivariable functinal interplatin and adaptive netwrs. Cmplex Systems, Campaign, v.2, n.3, p , CARTACHO, M.S.; SOUZA, A.A. A utilizaçã de um mdel cmpst pr algritms genétics e redes neurais n prcess de seleçã de carteiras. In: ENCONTRO DA ASSOCIAÇÃO NACIONAL DE PÓS-GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, 26., 2002, Salvadr. Anais... Baia: Anpad, CORRÊA, M.F.; MACHADO, M.A.S. Cnstruçã de um mdel de credit scring em redes neurais para previsã de inadimplência na cncessã de micrcrédit. In: ENCONTRO DA ASSOCIAÇÃO NACIONAL DE PÓS-GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, 28., 2004, Curitiba. Anais... Paraná: Anpad, FONSÊCA, F.R.; OMAKI, E.T. Redes neurais artificiais e segmentaçã psicgráfica em mareting: um ensai sbre a aplicaçã de RNAs para segmentar s clientes d mercad industrial basead n risc percebid da cmpra. In: ENCONTRO DA ASSOCIAÇÃO NACIONAL DE PÓS- GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, 28., 2004, Curitiba. Anais... Paraná: Anpad, FREITAS, S.O.; SOUZA, A.A. Utilizaçã de um mdel basead em redes neurais para a precificaçã de pções. In: ENCONTRO DA ASSOCIAÇÃO NACIONAL DE PÓS- GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, 26., 2002, Salvadr. Anais... Baia: Anpad, HAYKIN, S. Redes neurais: princípis e prática. 2.ed. Prt Alegre: Bman, R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar. 2009

12 APLICAÇÃO DE REDES NEURAIS NA ANÁLISE E NA CONCESSÃO DE CRÉDITO AO CONSUMIDOR REFERÊNCIAS BIBLIOGRÁFICAS HILL, T.; O CONNOR, M.; REMUS, W. Neural netwr mdels fr time series frecasts. Management Science, Maryland, v.42, n.7, p , HUBERMAN, L. História da riqueza d mem. 21. ed. Ri de Janeir: LTC, LACHTERMACHER, G.; ESPENCHITT, D.G. Previsã de falência de empresas: estud de generalizaçã de redes neurais. In: ENCONTRO DA ASSOCIAÇÃO NACIONAL DE PÓS-GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, 25., 2001, Campinas. Anais... Sã Paul: Anpad, LIMA, F.G.; ALMEIDA, F.C. Previsã de séries temprais financeiras cm us das wavelets. In: ENCONTRO DA ASSOCIAÇÃO NACIONAL DE PÓS-GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, 28., 2004, Curitiba. Anais... Paraná: Anpad, MEDINA, R.Z. Crédits y cbrs. New Yr: Minerva, OLIVEIRA, M. A. Previsã de sucessões crnlógicas ecnômic-financeiras pr mei de redes neurais artificiais recrrentes de temp real e de prcesss ARMA-GARCH: um estud cmparativ quant à eficiência de previsã f. Dissertaçã (Mestrad em Administraçã) Faculdade de Ecnmia, Administraçã e Cntabilidade da Universidade de Sã Paul, Sã Paul, Sã Paul, Brasil. ROSENBERG, E.; GLEIT, A. Quantitative metds in credit management: a survey. Operatins Researc, Oxfrd, v.42, n.4, p , July/Aug SAMEJIMA, K.; DOYA, K.; KAWATO, M. Inter-mdule credit assignment in mdular reinfrcement learning. Neural Netwrs, v.16, n.7, p , TAK, B. A new metd fr frecasting stc prices using artificial neural netwr and ndaleta tery p. Tese (Dutrad em Ecnmia) Universidade da Pensilvânia, Piladelpia, Estads Unids. THOMAS, L.C. Cnsumer credit mdeling: cntext and current issues. In: BANFF CREDIT RISK CONFERENCE, ZHANG, G.; PATUWO, B.E.; HU, M.Y. Frecasting wit artificial neural netwrs: te state f te art. Internatinal Jurnal f Frecasting, Kent (Oi), v.14, n.1, p.35-62, ABSTRACT Applicatin f neural netwrs in te analysis and granting f cnsumer credit Tis article aims t present an applicatin f neural netwrs, in rder t identify gd and bad payers in credit peratins. Trug te use f neural netwrs based n Multilayer Perceptrn (MLP), a bacprpagatin algritm was applied in a randm sample f 2475 custmers f an imprtant Brazilian retail net. Dividing te sample fr prcessing and predictin, te best net prpitiated abut 79%, 71% and 85% f successes n te payment prfile in te training, validatin and test pases, respectively. As te researc cnsidered just a reduced number f register variables, te results suggest tat te neural netwrs can represent a prmising tecnique fr te analysis f cnsumer credit cncessin. Particularly, if te payments are small enug, a rigrus evaluatin f te custmer s prfile can be unreasnable. Fr tis ind f situatin, te neural netwrs can reduce analysis csts and lsses wit te lac f payments. Keywrds: neural netwrs, credit, inslvency. RESUMEN Aplicación de redes neurnales en el análisis y en la cncesión de crédit al cnsumidr El bjetiv en este artícul es presentar una aplicación de redes neurnales para la identificación de buens y mals pagadres en las peracines de crédit al cnsumidr. Pr medi de la utilización de redes neurnales basadas en Multilayer Perceptrn (MLP), se aplicó un algritm de bacprpagatin a una muestra aleatria de 2475 clientes de una imprtante red minrista brasileña. Al dividirse la muestra para prcesamient y predicción, la mejr red prpició el 79%, el 71% y el 85% de acierts sbre el perfil de pag en cada una de las fases de entrenamient, validación y prueba, respectivamente. Teniend en cuenta que la investigación cnsideró sól un númer reducid de variables de registr, ls resultads indican que las redes neurnales pueden representar una prmetedra técnica para análisis de cncesión de crédit al cnsumidr. Particularmente, si las cutas sn suficientemente pequeñas, una evaluación más rigursa del perfil de pag del cliente puede dejar de ser raznable. En ests cass, las redes neurnales pueden reducir csts de análisis y disminuir pérdidas cn inslvencia. Palabras clave: redes neurnales, crédit, inslvencia. R.Adm., Sã Paul, v.44, n.1, p.34-45, jan./fev./mar