Predicting credit card defaults

: a comparative analysis of machine learning models

Resumo

Em um período de aumento das taxas de juros e dificuldades econômicas, a previsão precisa de inadimplências de cartões de crédito é essencial para as instituições financeiras. Nesta tese de mestrado, diferentes modelos de machine learning são avaliados para melhorar o desempenho preditivo em comparação com métodos tradicionais. Modelos como XGBoost, Random Forest, K-Nearest Neighbor, Neural Networks e Support Vector Machines são desenvolvidos e comparados à Regressão Logística. Os desempenhos são avaliados com base em acurácia, precisão, recall e F1-score, e comparados com o tempo de computação como um fator de custo. As curvas de aprendizado são então analisadas para identificar possíveis overfitting ou underfitting. Finalmente, a importância de cada feature é revisada para entender quais dados os bancos devem incluir em suas análises. Os resultados mostram que todos os modelos avançados de machine learning superam a Regressão Logística, com o XGBoost se destacando. No entanto, o KNN fica atrás dos outros modelos. As principais features identificadas incluem status de pagamento e proximidade do limite de crédito. Portanto, este estudo sublinha o potencial dos modelos avançados de machine learning para melhorar a previsão de inadimplências de cartões de crédito, mas também destaca a necessidade de análises específicas para cada instituição devido à variabilidade dos dados e à complexidade computacional.

Data do prémio	17 out. 2024
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Francesco Rotondi (Supervisor)