Aplicação de modelo de regressão logística multinomial na área de modelos de risco de crédito

Abstract

O presente Trabalho de Conclusão de Curso tem como objetivo estudar e avaliar um sistema de classificação de risco de crédito utilizando modelos de Regressão Logística Binária e Regressão Logística Multinomial, aplicado a uma base de dados real de operações de crédito do Lending Club. O estudo investiga a possibilidade de aprimorar a tomada de decisão tradicional, normalmente limitada à aprovação ou rejeição de propostas, por meio da criação de um sistema com três classes operacionais: aprovar, revisar ou negar. A metodologia adotada envolve etapas de preparação dos dados, tratamento de variáveis categóricas, engenharia de atributos e seleção de transformações adequadas, além da estimação dos modelos logísticos com técnicas de seleção de variáveis. No caso do modelo binário, estabelece-se uma regra de decisão baseada em cortes probabilísticos definidos a partir de critérios estatísticos. Em paralelo, é ajustado um modelo de Regressão Logística Multinomial para prever diretamente as três classes, permitindo comparar a abordagem baseada em regras com aquela obtida por modelagem multiclasses. A análise discute as implicações operacionais de cada abordagem para o gerenciamento do risco de crédito, destacando como a segmentação em três categorias pode facilitar políticas de decisão mais flexíveis e contribuir para estratégias mais eficientes de controle da inadimplência.

This Final Undergraduate Project aims to study and evaluate a credit risk classification system using Binary Logistic Regression and Multinomial Logistic Regression, applied to a real Lending Club dataset. The study explores the enhancement of traditional credit decision-making, typically limited to approving or rejecting applications, by introducing a three-class framework: approve, review, or deny. The methodology includes data preparation, categorical variable treatment, feature engineering, and the selection of appropriate transformations, in addition to estimating logistic models with variable selection techniques. For the binary model, a decision rule is constructed based on probability thresholds derived from statistical criteria. In parallel, a Multinomial Logistic Regression model is fitted to directly predict the three classes, allowing a comparison between the rule-based approach and the multiclass modeling strategy. The analysis discusses the operational implications of each method for credit risk management, emphasizing how segmenting decisions into three categories can support more flexible policies and contribute to more effective strategies for managing default risk.