Predição de risco de crédito com uso de Machine Learning para a identificação de ativos problemáticos.

Este estudo objetivou analisar a eficácia da aplicação de técnicas de Machine Learning (ML) para previsão de ativos problemáticos em uma carteira de crédito de capital de giro destinada a pessoas jurídicas, de um banco brasileiro classificado no segmento S1. A pesquisa foi conduzida a partir de uma base histórica composta por 19,2 milhões de registros, dos quais uma amostra de 7 milhões de contratos foi extraída e tratada para modelagem. A variável dependente foi definida conforme os critérios da Resolução CMN nº 4.966/2021, que caracteriza como ativo problemático o contrato com atraso superior a 90 dias ou com fortes indícios de inadimplência. O estudo comparou o desempenho dos algoritmos de Regressão Logística, Random Forest, Gradient Boosting e XGBoost, sendo a abordagem de Random Forest a que apresentou os melhores resultados com Acurácia 0,9745 , Recall de 0,9633 e F1-Score de 0,9812. A avaliação da interpretabilidade dos modelos, realizada por meio da metodologia SHAP, evidenciou que variáveis como tempo desde a primeira inadimplência, valor da dívida vincenda e prazo remanescente foram os principais determinantes da classificação de risco. Os resultados demonstram que modelos de ML são altamente eficazes na identificação antecipada de contratos com elevado risco de inadimplência, contribuindo para a eficiência na gestão de crédito e a aderência regulatória. A pesquisa reforça a aplicabilidade prática desses modelos em ambientes bancários e destaca a importância da engenharia de atributos e da explicabilidade para garantir a transparência e a confiabilidade das decisões automatizadas. Ao alinhar métodos quantitativos avançados às diretrizes regulatórias, o estudo oferece uma contribuição significativa para a modernização da gestão de risco de crédito no Brasil.
Palavras-chave: risco de crédito; machine learning; ativos problemáticos; capital de giro; regulamentação bancária.