@article{PINTO_2021, title={O PODER PREDITIVO DOS MODELOS COM APRENDIZADO DE MÁQUINA É SUPERIOR AOS MODELOS TRADICIONAIS PARA ANÁLISE DO RISCO DE CRÉDITO?}, volume={1}, url={https://www.portaldeperiodicos.idp.edu.br/redea/article/view/6088}, abstractNote={<p>O objetivo desse trabalho foi desenvolver e analisar, para o risco de crédito, se modelos com uso de aprendizado de máquina apresentam melhor poder preditivo comparado aos tradicionais e aplicar técnicas de interpretabilidade ao de melhor performance. A metodologia adotada corresponde a pesquisa empírica econométrica com o uso das técnicas de aprendizado supervisionado. O público-alvo foram empresas do segmento atacado. Para as variáveis do modelo foram utilizados indicadores econômicos e financeiros, retirados das demonstrações contábeis das empresas, e variáveis macroeconômicas. Os resultados indicam que o modelo de melhor capacidade preditiva foi o <em>XGBoost</em>, com curva ROC de 0.99 e acurácia de 0.98, na base teste. Na análise de interpretabilidade, via <em>sharp value</em>, os resultados corroboram o sentido econômico das variáveis. Do mesmo modo, a interpretabilidade via interações mostrou a influência da interação entre variáveis para melhora preditiva do modelo. Estes resultados corroboram a tendência de crescimento do uso de modelos com técnicas de <em>machine learning</em> na área econômica.</p>}, number={1}, journal={Revista Debates em Economia Aplicada – REDEA}, author={PINTO, ALEX CERQUEIRA}, year={2021}, month={nov.} }