Redes Neurais Artificiais em Avaliação de Crédito



Você verá nesta página uma analise dos benefícios da utilização de Redes Neurais Artificiais em sistemas de avaliação de crédito financeiro. E apresentação de uma metodologia para a construção de sistemas deste tipo.

Tópicos:


Introdução


O mercado financeiro é afetado por um grande número de fatores econômicos, políticos e psicológicos, altamente relacionados e que interagem entre si de uma maneira bastante complexa. A maior parte destas relações parecem ser probabilísticas e não-lineares. Portanto, estas relações dificilmente podem ser expressas através de regras determinísticas.

Análise financeira é uma das aplicações mais promissoras e mais adequadas aos sistemas de Redes Neurais Artificiais. No setor de serviços financeiros, sistemas de suporte a decisões vêm sendo amplamente utilizados em uma grande gama de tarefas, incluindo:

projeção de autorização de crédito;
avaliação de risco de falência;
previsão econômica e financeira, entre outras.

Os sistemas financeiros de suporte a decisões devem transformar grandes quantidades de dados em classificações inteligíveis, reconhecendo tendências e padrões no conjunto de dados. Qualquer pequena melhoria de desempenho nestes sistemas pode gerar muitos benefícios financeiros.

Na maioria dos ambientes de decisão, os gerentes trabalham com uma enorme variedade de informações vindas das mais diversas fontes. Muitas destas informações podem ser incompletas, ambíguas, parcialmente incorretas ou de relevância dúbia. Os gerentes analisam estas informações de uma maneira muito subjetiva. Muitas vezes eles não sabem explicar os processos de tomada das decisões, mas conseguem apontar os fatores que influenciam suas decisões.

Os sistemas que utilizam Redes Neurais Artificiais estão se tornando uma técnica muito atrativa para estas aplicações, pois oferecem uma alternativa mais eficiente para tratar informações dessa natureza.

Recentemente, alguns bancos como o Citibank e o Chase Manhattan, além de empresas de investimento como a Morgan Stanley Inc., vêm utilizando aplicações de sistemas neurais para previsões financeiras, em substituição a métodos estatísticos como regressão linear, análise discriminante, entre outros.

Empresas provedoras de cartões de crédito, como Mastercard e Visa, já dispõem de projetos para a construção de sistemas utilizando Redes Neurais Artificiais. Estes sistemas serão utilizados para avaliação de propostas de novos clientes, detecção de fraudes na utilização dos cartões, além de avaliação sobre autorização de compra.


Avaliação de Crédito


O problema de avaliação de crédito pode ocorrer na forma de solicitação de cartão de crédito, crediário, autorização de compra, empréstimos bancários e cheque especial, entre outros. Estas avaliações envolvem previsão de candidatos confiáveis e de lucratividade da empresa na transação.

Durante uma avaliação, os gerentes baseiam suas decisões em informações sobre o cliente, em sua experiência gerêncial e em relatórios de departamentos administrativos ou agências de crédito. Essas decisões devem ser muito criteriosas. Decisões equivocadas podem provocar não apenas prejuízos financeiros às instituições de crédito, mas também prejuízos financeiros e morais aos clientes.

Este método de avaliação apresenta os seguintes problemas:

Baixa Eficiência. Consomem muito tempo e necessitam de pessoal altamente especializado.

Baixa Performance. A experiência de grande parte dos gerentes não é suficientemente abrangente para produzir avaliações muito meticulosas.

Pouca Flexibilidade. Uma grande experiência é necessária antes que os gerentes possam realizar esta tarefa. Este método reage muito vagarosamente a mudanças.

Inconsistência. Diferentes gerentes utilizam diferentes critérios de avaliação.

Inicialmente, técnicas estatísticas, como análise discriminante, foram largamente utilizadas em sistemas automatizados para auxílio de avaliações. Estes sistemas aumentaram as performances de avaliação, pois apresentam maior flexibilidade, consistência e eficiência, mas alguns fatores destas técnicas não são muito apropriados para estes problemas.

Em razão disto, novas abordagens ao problema tornaram-se necessárias. Entre as mais proeminentes das novas técnicas apresentadas estão os sistemas especialistas, e como já mencionado, os sistemas neurais.

A primeira, tradicionalmente, utiliza sistemas baseados em regras, onde o conhecimento de especialistas na área é adquirido através de entrevistas e outros métodos. Esta abordagem modela o processo de avaliação através de regras obtidas de especialistas humanos e não através de registros anteriores das aplicações de crédito. Embora esta abordagem evite os problemas de consistência e eficiência, não evita os problemas de performance e flexibilidade.

Os sistemas neurais oferecem uma abordagem mais adequada para o tratamento de problemas deste tipo. Uma rede neural pode ser treinada utilizando grandes quantidades de exemplos significativos, o que contribui para a obtenção de performance elevada. Ou seja, a avaliação é modelada através de exemplos de aplicações bem ou mal sucedidas, encontrados nos históricos dos clientes e não através de modelos objetivos ou quantificáveis da operação de avaliação.

Desta forma, a rede é capaz de encontrar relações entre as diversas informações e incorporar os aspectos subjetivos do processo de avaliação da empresa. Estes sistemas são mais flexíveis, pois quando mudanças são necessárias, devido à aspectos políticos, econômicos ou regionais, pode-se alterar apenas o conjunto de exemplos de treinamento, o que não requer mudanças estruturais no sistema. Estes sistemas podem, até mesmo, detectar esta necessidade e realizar um novo treinamento. Eles também são considerados consistentes e eficientes, pois um mesmo sistema pode ser utilizado nos diferentes postos de atendimento da empresa, podem ser operados por pessoal sem experiência gerêncial e realizar avaliações mais rapidamente.


Sistemas Neurais para Avaliação de Crédito


Nesta seção será apresentado como devem ser conduzidas as várias fases do processo de construção de um sistema neural para avaliação de crédito. Em seguida será utilizado um exemplo para ilustrar este processo, que pode ser dividido nas seguintes fases:

1. Coleta de Dados. Nesta primeira fase devem ser reunidos todos os dados pertinentes e potencialmente úteis à tarefa. Estes dados poderiam estar contidos em sistemas de banco de dados da empresa ou em planilhas eletrônicas, o que facilitaria o processo de coleta. No caso de não existir nenhum tipo de base de dados, ou se estas bases forem consideradas inadequadas, uma política de aquisição de dados deve ser implementada logo no início do projeto. Dados como nomes e endereços de clientes, podem ser descartados do conjunto que será utilizado pela rede. Outros dados poderiam ser transformados em formas mais simples ou adequadas ao sistema de avaliação.

2. Pré-processamento dos Dados. Os dados simbólicos e numéricos devem ser transformados em dados puramente numéricos, mais adequados para utilização pela rede. Estas transformações podem incluir normalização, escalonamento e outras conversões. As funções de pré-processamento dos dados, que serão utilizados durante o treinamento, deverão ser incluídas no sistema do ambiente da aplicação, para o pré-processamento dos dados durante sua utilização na rede.

3. Separação dos Conjuntos de Dados. Os dados coletados devem ser separados em conjuntos de treinamento, validação e teste, para serem utilizados em cada uma das fases do desenvolvimento da rede. Estes conjuntos devem ser cuidadosamente escolhidos para cobrir extensamente o domínio do problema, além disso, eles devem ser colocados em ordem aleatória, dentro dos conjuntos. Ferramentas automatizadas poderiam ser criadas e utilizadas para auxiliar nesta tarefa.

4. Seleção da Arquitetura, Treinamento e Teste da Rede. A escolha da configuração adequada da rede tem um impacto substancial no desempenho do sistema. Nesta fase poderia ser utilizado um sistema para o projeto evolutivo de redes neurais. Através deste sistema seria escolhida uma arquitetura adequada à aplicação. O treinamento é realizado com o algoritmo backpropagation e em seguida são realizados os testes. Com os testes se obtém as medidas de desempenho da rede. Essas medidas serão obtidas através de várias simulações, de modo a representarem da forma mais fiel possível o comportamento da rede.

5. Integração da Rede Neural ao Sistema. Uma vez treinada, a rede já pode ser integrada ao sistema do ambiente de avaliação. Este sistema deverá conter as interfaces apropriadas entre os usuários e o sistema, entre o sistema a rede, os sistemas de banco de dados, ou planilhas da empresa e entre os sistemas de aquisição e pré-processamento de dados. Além disso, o sistema deverá conter facilidades de operação, boa documentação e treinamento dos operadores, adequando o sistema ao ambiente operacional da empresa.




Back to my personal page!