Modelagem e previsão da taxa de inadimplência: uma análise comparativa de modelos ARIMA, redes neurais e abordagens híbridas, sem e com variáveis exógenas
Carregando...
Arquivos
Data
2025-07-31
Autores
Orientador(res)
Costa, Matheus Schmeling
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Esta dissertação tem como objetivo avaliar diferentes abordagens de modelagem para previsão da taxa de inadimplência a partir dos dados observados em uma instituição financeira brasileira de grande porte, considerando modelos lineares (ARIMA e ARIMAX), não lineares (Redes Neurais ANN e NNAR) e híbridos (ARIMA+ANN e ARIMA+NNAR), com e sem variáveis exógenas. A metodologia baseou-se em uma série temporal mensal de inadimplência de 2012 a 2025, complementada por indicadores macroeconômicos como desemprego, massa salarial e atividade econômica. Após a análise exploratória que identificou sazonalidade, tendência e quebras estruturais, a série foi confirmada como estacionária e aditiva. A seleção de variáveis exógenas foi realizada por nove métodos, com destaque para o LASSO, que resultou em 24 variáveis utilizadas nos modelos. Os modelos foram avaliados por métricas como MAE, RMSE e MAPE. O modelo híbrido ARIMA+NNAR com variáveis exógenas apresentou os menores erros na base de teste, destacando-se como o mais preciso. No entanto, os ganhos dos modelos híbridos em relação a modelos mais simples, como o NNAR sem exógenas e o ARIMA(1,0,0), foram modestos, sugerindo que a complexidade adicional da hibridização nem sempre se traduz em melhorias substanciais. As principais limitações do estudo incluem o período influenciado pela pandemia de COVID-19 e a abordagem simplificada das variáveis exógenas. Como contribuição, o trabalho oferece uma análise comparativa rigorosa de técnicas de previsão aplicadas à inadimplência, destacando a eficácia de modelos parcimoniosos bem ajustados e a importância da validação cuidadosa, além de sugerir caminhos para pesquisas futuras com uso de redes neurais mais avançadas e técnicas de interpretabilidade.
Descrição
Palavras-chave
Previsão de inadimplência Séries temporais Modelos ARIMA Redes neurais Modelos híbridos Variáveis macroeconômica Aprendizado de máquina Validação de modelos Risco de crédito Instituições financeiras Default forecasting Time series ARIMA models Neural networks Hybrid models Macroeconomic variables Machine learning Mo-del validation Credit risk Financial institutions