O documento analisa a modelagem do risco de crédito no segmento de pessoas físicas em um banco de varejo, enfatizando a evolução e eficácia dos modelos de credit scoring. Apresenta a comparação entre dois modelos de scoring e conclui que, embora ambos os modelos conservadores sejam eficazes na identificação de inadimplentes, o modelo de escoragem comportamental se mostrou superior em taxas de acerto. A pesquisa se baseia em dados de 344 clientes e revela a importância de técnicas estatísticas na previsão de inadimplência.

1. Modelagem do risco de crédito: Um estudo do
segmento de pessoas físicas em um banco de
varejo.
Charles Carmona e Antônio Amorim Neto

2. 1 - INTRODUÇÃO
Apresentação do tema:
Saunders (2000) apresenta sete motivos para o súbito interesse na gestão do risco de crédito observado
na última década:
+ Aumento estrutural de falências
+ Desintermediação
+ Margens mais competitivas
+ Valores declinantes e voláteis de garantias reais
+ O crescimento de derivativos extrabalanço
+ Tecnologia
+ As exigências para capital baseado no risco pelo BIS

3. Evolução do Crédito Pessoal
Operações de Crédito Jan/99
Pessoa Física
24%
Pessoa Jurídica
76%
Operações de Crédito Ago/2002
Pessoa Jurídica
63%
Pessoa Física
37%

4. Problema de Pesquisa
Nas últimas décadas diversos modelos estatísticos de
probabilidade foram desenvolvidos pelas instituições
financeiras, especialmente aplicados para pessoas jurídicas.
O segmento de pessoas físicas, ao contrário do segmento de
pessoas jurídicas, é bastante homogêneo sob a ótica financeira.
É possível através de modelagem estatística fazer
a previsão da inadimplência para pessoas físicas
em operações de crédito em um banco de varejo
brasileiro?

5. REFERENCIAL TEÓRICO
Risco de Crédito - Modelos
Saunders (2000) divide as abordagens de medição do risco de
crédito em tradicionais e novas:
Novas Abordagens = Modelos de gestão de carteiras
(Teoria da diversificação de
Markowitz).
Abordagens Tradicionais:
1) Sistemas Especialistas;
2) Credit Scoring – Sistemas de pontuação de crédito;
3) Rating – Sistemas de classificação.

6. Modelos de Credit Scoring
Se dividem em duas categorias:
1) Modelos de aprovação ou concessão de crédito;
2) Modelos de escoragem comportamental ou behavioural
scoring.
A principal diferença entre as duas categorias é que nos
modelos de escoragem comportamental, a instituição
financeira já conhece o cliente. A informação adicional no
behavioural scoring é o histórico de compras e pagamentos
do cliente.

7. Processo de concessão de crédito através do uso
de modelos de credit scoring.

8. Histórico dos Modelos de Credit Scoring
1941 - David Durand pesquisador do National Bureau of
Economic Research (N.Y. – EUA) foi o primeiro a
apresentar um modelo que atribuía pesos para cada uma
das variáveis utilizando análise discriminante.
1968 - A popularização dos sistemas de credit scoring, aconteceu
após a publicação do modelo Z de Altman.
Técnicas Estatísticas : Para analisar os modelos utilizam-se
técnicas distintas e independentes:
Análise Discriminante e Regressão Logística, entre outras.

9. Vantagens dos modelos de credit scoring
A principal vantagem do uso dos modelos de credit scoring é a
agilidade adquirida pela instituição que concede o crédito.
• Revisão de crédito mais consistente
• Eficiência no trato de dados fornecidos por terceiros
• Informações organizadas
• Diminuição da metodologia subjetiva
• Compreensão do processo
• Maior eficiência do processo

10. Limitações e desvantagens dos modelos de
credit scoring
• Modelos com “excesso de confiança”
• Custo de Desenvolvimento
• Problemas com valores não preenchidos no cadastro
• Interpretação equivocada dos escores
• Limitações geográficas e temporais

11. 4 – METODOLOGIA
FINALIDADE
Desenvolvimento de dois modelos de credit scoring para uma
mesma amostra:
Modelo 1 = Modelo de concessão ou aprovação de crédito.
Modelo 2 = Modelo de escoragem comportamental ou
behavioural scoring.
BASE DE DADOS
344 clientes tomadores de empréstimo do segmento de pessoas
físicas das agência de um banco de varejo localizadas na
cidade de Recife.

12. 4 – METODOLOGIA
Composição
A amostra é formada por dois grupos de indivíduos :
• Grupo “A”- 172 clientes sem atraso no pagamento de suas
operações.
• Grupo “H”- 172 Clientes inadimplentes
Parâmetros para seleção da amostra:
• Clientes que possuam operações a mais de 12 meses.
• Clientes que permaneceram 12 meses no mesmo “status”

13. 4 – METODOLOGIA
Hipótese de Avaliação dos modelos
Assumindo que consideramos um modelo funcional quando este
apresenta uma taxa de sucesso (número de acertos por
casos totais) superior a 80% pode-se considerar válida para
o objetivo proposto.

14. 5 – RESULTADOS
Modelos de Concessão de Crédito
VARIÁVEIS COEFICIENTES
73,3% 72,4%
Taxa de Acertos:

15. 5 – RESULTADOS
VARIÁVEIS COEFICIENTES
Modelos de escoragem comportamental
81,4% 81,7%
Taxa de Acertos:

16. 6 – CONCLUSÕES
Variáveis - Modelos de Concessão de Crédito

17. 6 – CONCLUSÕES
Os modelos mostraram ser conservadores, isto é, são
melhores na identificação de indivíduos inadimplentes do
que de indivíduos adimplentes (Erro Tipo 2).
Isso é positivo porque permite a redução do risco das
operações.

18. 6 – CONCLUSÕES
Técnicas Estatísticas
Análise Discriminante Regressão Logística
Modelo 1 = 73,3% Modelo 1 = 72,4%
H0 Rejeitada – Taxas de acertos menores que 80%
Modelo 2 = 81,4% Modelo 2 = 81,7%
H0 Não foi Rejeitada – Taxas de acertos maiores que 80%
Ausência de uma técnica dominante
Taxas de acertos semelhantes

19. Núcleo de Estudos em Finanças e Investimentos do
Programa de Pós-graduação em Administração da
UFPE (NEFI/PROPAD/UFPE)
www.dca.ufpe.br/nefi
Fones: (81) 3271-8368 / 8370
Coordenador: Charles Carmona

20. 1) Sistemas Especialistas
A análise clássica do crédito é um sistema especializado que
depende, acima de tudo, do julgamento subjetivo de
profissionais treinados (Caouette, Altman e Narayanan,
1998)
Os chamados “Cs” do crédito (Weston e Brigham, 1972) são
representados por (5 Cs) :
No Brasil, Silva (2000) incorporou o 6° C do crédito:
Caráter Capacidade Condições Colateral
Capital
Conglomerado

21. 2) Credit Scoring
Os sistemas de credit scoring definem a probabilidade de um
cliente vir a ser “bom pagador” ou “mau pagador” com
base em suas características.
Os modelos tradicionais de credit scoring atribuem pesos
estatisticamente predeterminados a alguns dos atributos ou
variáveis dos solicitantes, para gerar um escore de crédito.

22. 3) Rating – Classificação Res. 2.682/99 - BACEN
Classificam os empréstimos de acordo com a probab. de perda.

23. A abordagem da carteira
As novas abordagens de gestão do risco de crédito
estão intimamente ligadas aos modelos de carteira.
Um exemplo é o Creditmetrics procura identificar o
Value-at-Risk (VaR) da carteira de empréstimos em
um horizonte de risco que além da probabilidade de
inadimplência inclui valorizações e desvalorizações
da qualidade de crédito, as possíveis migrações de
classificação (Rating).

24. VARIÁVEL DEFINIÇÃO FORMA
TO/VALORES
NATURAL
A naturalidade ( origem de
nascimento) do tomador de
crédito.
1 = Recife - Capital
2 = Pernambuco -
Interior 3 = Outro
Estado da Federação.
4 = Outro País.
IDADE A idade do tomador de crédito.
Números inteiros (anos)
ESCOLAR Grau de escolaridade.
1 = Nível Fundamental
2 = Nível Médio
3 = Nível Superior.
SEXO
Sexo do tomador de crédito.
1 = Masculino
2 = Feminino.
ESTCIVIL Estado Civil.
1 = Solteiro
2 = Casado + União
estável
3 = Separado ou
divorciado
4 = Viúvo
LRESID
Local onde reside
atualmente o tomador de
crédito.
1 = Recife - Capital
2 = Pernambuco -
Interior 3 = Outro
Estado da Federação.
NOCUP
Quantidade de ocupações
(ou fontes de renda)
declaradas.
Números inteiros (anos)
NATOCUP
Natureza da ocupação
principal.
1 = Funcionário de
empresa privada ou
autônomo
2 = Funcionário de
empresa de economia
mista
3 = Funcionário Público
RENDA
Renda mensal declarada
pelo proponente.
Números inteiros. Valor
em Reais (R$)
TPOSSE
Tempo de posse na
ocupação principa, ou
desde quando o indivíduo
recebe a renda principal.
Números inteiros (anos)
Variáveis do modelo de concessão ou aprovação de crédito

25. Variáveis do modelo de escoragem comportamental
VARIÁVEL DEFINIÇÃO FORMA
TO/VALORES
TCADAST Tempo de cadastro no banco. Anos
RESTBX
Já possui restrição de crédito em seu
tempo de cadastro no banco.
0 = Não
1 = Sim
ENDIVIDA
Dívida total no banco, em julho/2001,
dividida pela renda mensal.
Percentual
CARTAO
Dívida total oriunda de cartão de crádito
no banco, em julho/2001, dividida pela
renda mensal.
Percentual
CHEQUE
Dívida total oriunda de cheque especial
no banco, em julho/2001, dividida pela
renda mensal.
Percentual
PESSOAL
Dívida total oriunda de empréstimos
pessoais sem garantias reais no
banco, em julho/2001, dividida pela
renda mensal.
Percentual
VEICULO
Dívida oriunda de empréstimos para
financiamento de veículos no banco
(julho/2001 dividida pela renda mensal).
Garantia = Alienação do Bem.
Percentual