O documento discute o uso de redes neurais artificiais para prever inadimplência em uma cooperativa de crédito. Ele descreve a metodologia, que inclui treinamento de múltiplas redes neurais individuais com bootstrap e um comitê de redes, e seleção de variáveis usando análise de componentes principais. Os resultados mostram que as redes neurais individuais geraram bons resultados com custos menores do que o comitê de redes.

1. Rio de Janeiro, 15 de Dezembro de 2008. Previsão de Inadimplência por Redes Neurais Artificiais na Presença de Baixo Risco Anderson Guimarães de Pinho

2. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Problema Empresa: Cooperativa de Crédito. Identificar o futuro cooperado inadimplente.

3. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Justificativa Na automação de sistemas especialistas: Aumento da produtividade. Redução de custos operacionais. Eficiência em processos. Estabelecimento de boas práticas com o cliente (pró-atividade). Sustentabilidade e lucratividade. Preventivamente vs . Reativamente.

4. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Metodologia Participação dos Inadimplentes MLP com Backpropagation Comitê de Redes Rede Individual (com Bootstrap)

5. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Base de Dados Tabela Cadastral Tabela Métricas Transacionais

6. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Seleção de Variáveis Variáveis Para Seleção

7. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Seleção de Variáveis Contínuas Categóricas Variáveis Para Seleção

8. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Seleção de Variáveis Contínuas Categóricas Variáveis Para Seleção

9. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Seleção de Variáveis Contínuas Categóricas Variáveis Para Seleção

10. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Seleção de Variáveis

11. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Seleção de Variáveis Principais Componentes 73,8% da Variabilidade

12. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Delineamento dos Experimentos

13. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Delineamento dos Experimentos

14. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Delineamento dos Experimentos Variáveis Transformadas X e Matriz de PCA Extraídos

15. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Combinação de Notas do Comitê Rede 1 Rede 2 Rede 3 VOTAÇÃO

16. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Algumas Informações MLPs com 1 camada oculta. Função de Ativação Sigmóide. Treinamento em Batch com Algoritmo Gradiente Decrescente. Interropido quando aumento no SSE em 20 ciclos seguidos. Ou número máximo de ciclos fosse atingido. Número de Neurônios 2,3,4,5,6,10,12 Número de Ciclos de Treinamento 25, 50, 100, 200, 400, 800 Softwares SPSS 16.0 para a modelagem das Redes. Excel 2007 para Bootstrapping.

17. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Exemplo da: Rede Individual (Bootstrapping) com Matriz de X Rede Individual (Bootstrapping) com Matriz de PCA

18. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Resultados Finais: Rede Individual (Bootstrapping) Comitê de Redes

19. Previsão de Inadimplência por Redes Neurais na Presença de Baixo Risco Conclusões: Rede Individual gerou bom resultados. Estrutura de Comitê exige altos custos de implementação. Próximos Passos: Evoluir a rede por modelagem Neuro-genética. Comparar resultados neurais com modelos logísticos.

20. Obrigado! Anderson Pinho