Previsão do risco de empréstimo

A previsão do risco de crédito é crucial para as instituições financeiras minimizarem os riscos de crédito. Este estudo investiga a eficácia dos dados de transacções na previsão do risco de empréstimos comparando o desempenho de dois algoritmos populares: regressão logística e redes neurais feed-forward. A investigação visa avaliar as capacidades de previsão a interpretabilidade e a aplicabilidade prática destes modelos na identificação de potenciais incumprimentos de empréstimos com base em padrões transaccionais. Os dados transaccionais adquiridos no Kaggle foram submetidos a um pré-processamento rigoroso e a uma engenharia de caraterísticas adaptada às caraterísticas únicas dos registos de transacções financeiras. Ambos os modelos foram extensivamente treinados e avaliados utilizando métricas estabelecidas abrangendo a exatidão a precisão a recordação e a pontuação F1 para medir de forma abrangente o seu desempenho na previsão de incumprimentos de empréstimos. Os resultados indicam pontos fortes variados entre os modelos: a regressão logística demonstra uma interpretabilidade louvável ao mesmo tempo que alcança métricas de desempenho competitivas enquanto a rede neural feed-forward apresenta uma maior exatidão de previsão embora com maior complexidade e menor interpretabilidade.