You are on page 1of 18

8 e 9 de junho de 2012 ISSN 1984-9354

ENSAIO SOBRE RISCO DE CRÉDITO EM OPERAÇÕES DE CARTÃO DE CRÉDITO USANDO VARIÁVEIS MACROECONÔMICAS E TÉCNICAS DE ANÁLISES DE SOBREVIVENCIA
Silva, Sandra Almeida (Universidade Presbiteriana Mackenzie)

Resumo Nas duas últimas décadas, devido à expansão do mercado de crédito tornou-se necessário o desenvolvimento de modelos de classificação de risco que não somente capturassem a probabilidade de inadimplência, mas também e mais importante, estimaassem “quando” ocorreria o momento de default. A técnica estatística de Análise de Sobrevivência, amplamente utilizada na área médica e, mais recentemente, na área de finanças e, em particular, os modelos de hazards de risco proporcional, permitem estimar funções de sobrevivência que se traduzem em probabilidades de que um determinado evento, em função do tempo, ocorra, neste estudo, trata-se do default. Este estudo pressupõe que análise de sobrevivência pode ser aplicada na construção de modelos temporais para prever se probabilidade de inadimplência é afetada pelas condições gerais da economia ao longo do tempo. Os resultados visam avaliar a capacidade preditiva dos modelos de classificação de risco de crédito com variáveis macroeconômicas aplicadas à gestão de risco de crédito para carteiras de consumo.

Palavras-chaves: Risco de Crédito; Análise de Sobrevivência; Inadimplência; Variáveis Macroeconômicas.

em que se têm grandes volumes de dados.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 Introdução Desde que a sociedade começou a tomar decisões com ajuda dos números. que à medida que se expande a oferta de crédito. proporcionar-lhes melhoras na eficiência e lucratividade de suas atividades. 1936) . principalmente para países em que o desenvolvimento do mercado de crédito acontece em meio a constantes transformações sociais e econômicas. As instituições financeiras classificam seus clientes baseando-se em sistemas de scoring de crédito. conseqüentemente. por exemplo. ou seja. Diversos pesquisadores (Thomas. principalmente para consumo. se ocorrer de maneira 2 . consideram apenas se os clientes foram bons ou maus pagadores em uma determinada amostra (Altman. modelos de risco que viabilizem as decisões de concessão de crédito com rapidez e eficiência preditiva. avaliando o perfil de risco dos clientes que. Andreeva. 2005. colaborar para a correta alocação de capital das instituições financeiras e. Bellotti e Crook. 2003. 2000) e. não contemplam a previsão de padrão em uma carteira de empréstimos. é utilizado na decisão de crédito. Desse modo. Oliver e Hand. portanto. por sua vez. Altman (2002) e considera que o desenvolvimento de modelos robustos para as carteiras de empréstimos ao consumidor é conseqüência do fracasso dos modelos de classificação de risco das agências de rating de crédito em definir corretamente o valor dos títulos lastreados pelas hipotecas durante a crise de crédito de 2007/2008. a modelagem preditiva de risco de crédito tem sido um desafio na área de Finanças. (Fisher. mesmo que intuitivo. confirma-se o entendimento. 2007) têm se empenhado nos últimos anos no desenvolvimento de modelos de risco de crédito que possam capturar a probabilidade de default resultante de carteiras de empréstimos e.1968. Entretanto tais modelos possuem algumas limitações observadas ao longo dos últimos anos. portanto.

por exemplo. colaborando deste modo na eficiência do modelo. sendo a moderna Teoria das Carteiras de Markowitz (1952) um dos trabalhos pioneiros sobre o conceito de risco. serão apresentadas as variáveis utilizadas por diversos autores na tentativa de uma aproximação de uma eficiência preditiva em modelagem de risco de crédito em carteira de empréstimos ao consumo. (CAOUETTE et al. Referencial Teórico Acredita-se que a racionalidade dos agentes econômicos é responsável pela construção do paradigma central das teorias tradicionais de finanças.) Neste artigo o objetivo principal é observar se a probabilidade de default poderá ser influenciada pelas condições macroeconômicas via análises de sobrevivência. O modelo analisado é o de Bellotti e Crook (2007) que se utiliza de análises de sobrevivência com variáveis macroeconômicas a fim de demonstrar eficiência na previsão de default para dados de cartões de crédito. corre-se o risco de afetar fatores macroeconômicos gerais e contribuir para a inadimplência. Na primeira parte do artigo.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 desordenada.1999. neste caso inadimplência. a técnica de Análise de Sobrevivência será utilizada com o objetivo de capturar o tempo de inadimplência de cada observação da amostra até um evento esperado. E por último modelo matemático utilizando Análises de sobrevivência em dados de cartão de crédito e seus possíveis resultados para dados brasileiros. trata-se do desenvolvimento ocorrido nos últimos anos acerca de risco e crédito e quais os desafios que a modelagem de risco de crédito apresenta. além de testar a sensibilidade das variáveis macroeconômicas no modelo de risco de crédito visando a previsão da estimativa do tempo padrão para ocorrência do evento de inadimplência. Porém Wilson (1998) adverte que 3 .. Os agentes econômicos persistem na busca da racionalidade em modelos de classificação de risco como. ao definirem classificação de risco de crédito como sistemas construídos para sustentar hipóteses em relação à probabilidade futura de default de um tomador de crédito. Banasik et al. (1999). aplicado à carteira de crédito. Neste artigo. Posteriormente.

Assim Thomas e Stepanova (2005). 1992) foi o precursor nos estudos empíricos em análises de sobrevivência. segmento e classificação dos dados da amostra em setor econômico. bem como para a área de risco. além do aumento da competitividade no segmento e obtenção de maiores retornos com a menor exposição de risco possível. Stepanova e Thomas (2002) relatam que modelos que utilizam análise de sobrevivência têm sido desenvolvidos para classificação de risco de crédito por esta ser uma técnica flexível que permite inclusão de variáveis macroeconômicas e tem sido muito difundida nos últimos dez anos. Andreeva (2006) e Malik e Thomas (2009) informam que há uma classe de modelos de risco proporcional. o risco individual em carteiras de varejo pode ser avaliado em função da distribuição das perdas futuras dos empréstimos de uma instituição conforme modelo de Vasicek (Vasicek. técnica estatística para classificação temporal de risco de crédito. (2005) menciona que (Narain B. Entretanto Thomas (2009) menciona que o consumo de crédito é um fenômeno surgido nos últimos 50 anos e está relacionado à necessidade de financiamento de crédito que se iniciara com a produção de carros desde a década de 1920. por incorporar variáveis macroeconômicas. Para Vasicek (2002). como por exemplo. e para dispor de mais recursos para financiar suas atividades. país e rating. 4 . com Henry Ford. 2002) e posterior agrupamento por produto. nos quais a técnica estatística de análise de sobrevivência é aplicada como uma alternativa flexível na modelagem do risco de crédito. Thomas et al.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 é necessário que se defina primeiramente o risco em carteiras de crédito e como diferente cenário macroeconômico (considerando indústria e segmentações) podem afetar o comportamento de um indivíduo em relação a um portfólio. principalmente no que tange a incorporação de fatores macroeconômicos. os modelos de risco proporcional de Cox (1972). Annibal (2009). Portanto acredita-se que o tempo é uma variável importante para pesquisadores na área de Finanças. Desse modo Saunders (1999) menciona que o aumento de interesse no mercado de risco de crédito é pela necessidade dos agentes credores obterem modelos de risco de crédito que possam capturar o risco interno de suas posições e proporcionar-lhes a correta alocação de capital em seus portfólios.

é necessária uma força conjunta entre regulados e reguladores. em seu Relatório de Estabilidade Financeira (Banco Central do Brasil. TSIATIS. (1999) acrescentam que na construção de modelos para classificação de risco é necessário também que tais modelos possam prever não somente a possibilidade de default. COX. 1972. Malik e Thomas (2009) também utilizaram análises de sobrevivência para analisar possíveis padrões em carteiras de empréstimos pessoais em relação a probabilidade de default. 5 . Portanto a análise de sobrevivência é uma técnica estatística que analisa uma variável aleatória positiva. 1984. E ainda Andreeva (2006) analisou dados de credito rotativo em Cartões de Crédito para realizar estimativas de duração de tempo de vida de um empréstimo obtidas por um modelo exponencial. tipicamente. portanto. 1981). O Banco Central do Brasil. o viés de bons resultados trazidos pela oferta de crédito estimula uma reação quase que sintomática como resposta. no intuito de absorver o impacto da Basiléia II nas operações de crédito. Stepanova e Thomas (2002) em relação análises de sobrevivência pesquisaram risco de crédito na modelagem de preços dos títulos. 2011). a inadimplência. de maneira ordenada e não restritiva à expansão do crédito. aplicados em combinar as vantagens de abordagens paramétricas e não paramétricas de inferência estatística para colaborar para a eficiência do modelo em relação à probabilidade de inadimplência (GILL.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 A técnica estatística de Análise de Sobrevivência possibilita a inclusão de variáveis no tempo como covariáveis e. Banasik et al. mas principalmente o momento do default. Mercado de Credito Porém. (Bonds). ou seja. tem desfrutado de notoriedade entre os estatísticos. Conforme Kleinbaum e Klein (2006). essa variável é o tempo até a ocorrência de um determinado evento de interesse ocorra também chamado de tempo de sobrevivência. Kachman (1999) menciona que as principais características da técnica de análise de sobrevivência são o diagnóstico do tempo decorrido observado em relação a um evento de interesse. relata que para equacionar as necessidades de gestão de risco em modelos eficientes de classificação de risco de crédito.

portanto.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 O Relatório de Cartões de Crédito (Banco Central do Brasil. representando 45. O que para Jacobs (2010) se traduz na perda no potencial creditício do tomador e das contrapartes. Acredita-se que as instituições financeiras possam se tornar insolventes caso não possuam instrumentos de avaliação de risco capazes de avaliarem grandes volumes de crédito não honrados e. pela melhora na expectativa dos consumidores e das instituições em relação à oferta de crédito. o que contribui de maneira decisiva na relação entre risco e perda do capital econômico das instituições e. (Banco Central do Brasil. Conforme Banco Central do Brasil (2011) a relação empréstimos totais/PIB (Produto Interno Bruto) é de 48. por conseguinte não se proteger do risco de inadimplência. correspondendo à expansão de crédito referente a 21. conforme previsões de Caouette (1998) e Thomas et al. influenciado. crescendo aproximadamente 200% nesse período. sendo os financiamentos habitacionais com 24. Este cenário evidencia que o endividamento assume grande importância no comprometimento da renda média dos 6 . Nos últimos anos é percebida principalmente no segmento de cartões de crédito. deflagra a possibilidade de falências bancárias. e representa um crescimento semestral de 12%. 2011). instituições privadas nacionais e estrangeiras no crédito total do sistema financeiro. 2010) apresenta que a participação do crédito ao consumo não é somente por meio de empréstimos tradicionais. com o estoque de 118 milhões de cartões de crédito emitidos entre 2003 e 2007. conforme Banco Central do Brasil (2011). Nesse sentido em relação à evolução do mercado brasileiro de crédito e os possíveis fatores de risco o Banco Central do Brasil (2011) anuncia que o saldo das operações de crédito no Brasil alcançou a marca de R$1. o que demonstra forte preocupação por parte dos agentes reguladores sobre este tipo de segmento de crédito.6% e o crédito consignado. (2005). segundo o relatório. sendo participações relativas a bancos públicos. desencadeando um possível risco sistemático. 13%. O volume de crédito destinado às famílias atingiu R$737 bilhões.5%.5% dos ativos do sistema bancário.7% em relação a dezembro de 2009. responsável por cerca de 61% das transações de crédito.5 trilhão ao final de 2010. em razão da probabilidade reduzida de cumprir as obrigações de pagamento ou redução das garantias de crédito.

demonstrando conseqüentemente. (2001) e externo. Variáveis explicativas utilizadas na modelagem de risco de crédito Diversos autores (conforme apresentados abaixo no Quadro 2) demonstraram que a inclusão de variáveis macroeconômicas.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 brasileiros. O indicador Serasa Experian registra prejuízo de 25% em 2010 no empréstimo rotativo de cartão de crédito comparado com 2009. possibilitando a estimativa da probabilidade de default em uma determinada amostra de crédito. Autores / Ano Variáveis do Indivíduo Círculo de negócio doméstico Modelo Base de Dados Variáveis Macroeconômicas Modelo de risco do tipo Merton(1974) com variáveis macroeconômicas Dois modelos: Modelo Markov Análise de Carteira de Empréstimos ao consumo Preço de combustível (Oil gás) e preço das ações (equity prices) Peasaran et al. A Fecomércio (2011) por meio do índice de endividamento e inadimplência do Consumidor por meio da Pesquisa de Endividamento e Inadimplência do Consumidor (PEIC) indica que a maior parte das dívidas assumidas pelos consumidores brasileiros é realizada pelo segmento de Cartões de Crédito. podem melhorar a eficiência dos modelos. em modelos de risco de crédito. considerando os 5. responsável por 68% do endividamento dos brasileiros somente no estado de São Paulo. por exemplo. critérios para default e ratings de crédito Classificação Comportamental (behavioural Taxa de Juro atual 7 . (1946) Thomas et al. entre outras. o aumento gradativo da exposição ao risco do sistema bancário às pessoas físicas. taxa de juros ou índice de desemprego.1 milhões de novos entrantes no sistema financeiro em 2011. tendo as exposições individuais um aumento de 23% em 12 meses.

salário e renda bancária americana Variação no índice de preço ao consumidor (Inflação). situação financeira. cartão de crédito. (proxy utilizada pelo índice de valorização imobiliária). maior seguradora na Inglaterra. taxa interbancária. (2006) Fatores de Risco econômicos e sóciodemográficos atual. idade. gênero. imobiliário.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 score) Juros anuais dos principais Bancos Rosch e Scheule (2004) Comerciais Americanos. scoring de credito de pagamentos efetuados Gênero. Índice FTSE – todas as ações. Renda média da população. empréstimos Sobrevivência Modelo Credit Metrics model Demonstrações financeiras trimestrais. Variáveis exógenas. e situação financeira Tang et al. Variação do PIB e variação da produção industrial. Índice de Desemprego. (2005) entre compras realizadas e tempo de relacionamento.000 clientes (24. distancia Thomas et al. Índice (all shares) e Taxa de Juros 8 . taxa de juros. individuais Identificação do Cliente. Modelo Cox de risco proporcional em Análises de sobrevivência Empresa Internacional de Seguros individuais.977 mulheres Período de 1999 até 2003 Cinco variáveis econômicas externas. Índice de confiança do consumidor e taxa de juros Modelo de risco proporcional Cox e Weibull Empresa Inglesa Internacional de Seguros 50. Preço-Consumo. média de idade dos clientes de 0 a 100 anos Riqueza.797 homens e 24. Índice de Confiança do Consumidor.

VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 Renda. Índice de Desemprego na Inglaterra. dados de Instituição Inglesa Taxa de Juros de bancos de varejo Inglês. Índice de Desemprego. Malik e Thomas (2009) classificação comportamental (Behavioural scores) e empréstimos concedidos Modelo de Risco Cox para previsão de PD Dados mensais de um banco Inglês de 2001 a 2005 Inflação no período de 01 ano. Variáveis Macroeconômicas utilizadas na modelagem de risco de crédito para consumo Os autores mencionados acima. dados ingleses Taxa de Juros. bem como Bellotti e Crook. Variação nos preços (inflação). Renda. medida a partir de adultos 16 anos e Renda Prazo do empréstimo. Bellotti e Crook (2007) situação creditícia no bureau no momento da concessão de crédito Análise de Sobrevivência e Regressão Logística 100 mil contas bancárias de cartão de crédito de 1997 a 2005. Variação interbancária da moeda. Idade. casa própria. Retorno anual do Índice FTSE 100 e Variação trimestral do PIB Quadro 2. Índice Imobiliário. emprego. índice FTSE e de Produtividade Tempo de conta corrente. renda e Bellotti e Crook (2009) idade Modelo Tobit. (2007) e Jacobs e Karagozoglu (2010) utilizam-se em seus modelos variáveis macroeconômicas tais como taxa de 9 . Arvore de Decisão e Ordinary Least Squares (OLS) 55 mil contas de cartão de crédito Período de 1999 a 2005 dados em atraso.

As equações (1) a (5). Se devido à inclusão de variáveis macroeconômicas no modelo. por meio de análise de sobrevivência. 1972). com o objetivo de capturar o tempo de inadimplência de cada observação da amostra até um evento esperado. (1999). A questão central baseia-se na resposta da pergunta. 2010) apresentadas mais adiante. por meio da técnica estatística de análise de sobrevivência. Metodologia A metodologia aplicada neste modelo de risco de crédito procura discutir a capacidade do modelo de Belotti e Crook (2007) na aplicação em dados de Cartões de Crédito a fim de observar a capacidade preditiva do modelo quanto à probabilidade de inadimplência. poderá contribuir para o aumento da inadimplência observado neste setor? Técnica de Análise Para responder à pergunta acerca das questões metodológicas a técnica de Análise de Sobrevivência será adotada na aplicação do modelo de regressão de Cox (Cox. com o objetivo de correlacionar o risco de default ou inadimplência relacionada a probabilidade de um evento de crédito ocorrer durante um determinado período de tempo em relação a uma carteira de empréstimos. taxa de juros.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 desemprego. a variável tempo. entre outras. modelo escolhido para este trabalho é utilizado para analisar dados censurados de sobrevivência conforme Gil (1984). conhecido como modelo de riscos proporcionais de Cox.(BELLOTTI E CROOK. que é o período de tempo até a ocorrência de um determinado evento de interesse. O modelo de sobrevivência escolhido buscará a possibilidade de mensuração de um risco de default. e apresenta uma parte 10 . ou seja. PIB. o não pagamento da fatura do cartão de crédito em sua totalidade estabelecendo o evento de não pagamento. 1972). O risco de inadimplência é medido no modelo de risco proporcional de Cox (Cox. por meio de análises de dados indiretos e a utilização de variáveis dependentes e independentes. também observada neste estudo. O modelo é o semiparamétrico. também utilizadas por Banasik et al. para classificação de risco de crédito em análises de sobrevivência com variáveis macroeconômicas.

que é o pagamento no valor mínimo estipulado da fatura. A probabilidade de sobrevivência no tempo t pode ser dada em termos da função de risco na equação (2): Equação (2) 11 . estes dados serão considerados censurados. a equação (1) fornece a variação da taxa de probabilidade de falha no tempo t: Equação (1) Onde. Modelo Matemático No contexto de credito ao consumo. durante o período da abertura da conta do cartão de crédito até a data de corte da amostra. realiza o pagamento com o uso do crédito rotativo. Bellotti e Crook (2007) propuseram as seguintes equações: em dados de sobrevivência por meio da função de risco. ou seja. T é uma variável aleatória associada ao tempo de sobrevida. O modelo prescreve que o tempo de sobrevivência é medido a partir da data em que a conta foi aberta até a data de corte dos dados. conforme os trabalhos de Whalen (1991) e Rocha (1999). inadimplência. ou seja. os dados analisados são de indivíduos que obtém crédito na forma de empréstimos por meio de Cartões de Crédito. O modelo considera ainda que quando um cliente não realiza o pagamento da fatura do cartão de crédito em sua totalidade. conforme Colosimo e Giolo (2006).VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 não paramétrica composta por uma constante e uma parte paramétrica. evento de interesse. este evento é considerado evento de falha. Se uma conta não tiver evento de falha. composta pelas variáveis explicativas.

a equação (2) permite observar a probabilidade de sobrevivência até ao tempo t. 1972) para possibilitar a inclusão de variáveis macroeconômicas como variáveis no tempo – covariaveis. após a abertura da conta de cartão de crédito até a qualquer momento. que são múltiplos lineares das covariáveis. O modelo depende parcialmente de um vetor de coeficientes β. (COX. 1972). e também de uma função de risco h0. conforme Whalen (1991). É. Bellotti e Crook (2007) mencionam que o modelo produz uma função estimativa de probabilidade (máxima verossimilhança). em relação aos dados de crédito dados. porém. : Equação (3) A equação (3) fornece o risco no tempo t das observações x. mas não das covariáveis. de acordo com os parâmetros de β. Bellotti e Crook (2007) utilizaram o modelo semi-paramétrico de Cox.PD no tempo t. ou seja. Likelihood (Cox.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 Segundo Bellotti e Crook (2007). parcial sobre as observações de teste na equação: Equação (4) Desta forma são ordenados como tempos de sobrevivência e o risco como: permitindo a máxima verossimilhança para estimar β sem a necessidade de conhecer a taxa de risco. dependente do tempo. sendo 1. Em relação à equação (3). portanto. a probabilidade de que não ocorreu o evento de inadimplência por parte de alguns membros da população em um determinado período de tempo t. é necessário conhecê-la para estimar os 12 .

Com o aumento na confiança do consumidor em geral. Portanto. 1999) dá. neste caso. De acordo com Rosch e Scheule (2004). espera-se conduzir a um maior risco relativo. resultado estatisticamente significante. Os autores mencionam que uma série de observações de n i=1 é dada na análise de sobrevivência em termos de quantidade de observação no tempo censurada e e indicadores onde = 0 para uma observação = 1 para um evento de falha.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 parâmetros do do β pela estimação máxima da verossimilhança. As variáveis macroeconômicas mais utilizadas pelos estudiosos foram a taxa de desemprego e taxa de juros. caso em que é o tempo de sobrevida. no momento da falha. conforme os autores são dadas como funções do tempo. A preocupação é demonstrar se a inclusão de variáveis macroeconômicas incorporadas a um modelo de sobrevivência como variáveis no tempo covariáveis (Banasik et al. na aplicação do modelo com dados brasileiros poderá ser um exercício producente visto a demanda no setor por este tipo de produto de crédito. ao modelo. Ainda mencionam que cada observação incluirá um vetor de covariáveis que podem estar associados com o tempo de sobrevivência. sendo também ser variáveis no tempo e em geral. (t) e ainda as variáveis macroeconômicas podem mudar com o tempo e o valor da covariável é dado como o valor das variáveis macroeconômicas. Forma de Análise dos Resultados e Conclusões O interesse é avaliar se as variáveis macroeconômicas utilizadas no modelo possuem poder explicativo em relação à previsão de default. A justificativa para o uso de variáveis macroeconômicas se dá pelo fato da possibilidade de uma determinada variável macroeconômica influenciar no risco de default pelo tomador de crédito. o risco de inadimplência. cartões de crédito. pois os consumidores ficam mais propensos a consumir e pode ser difícil realizar os 13 . e porque são as variáveis que mais se aproximam do objetivo proposto no caso. O modelo de sobrevivência aplicado visa determinar se haverá qualquer elevação no desempenho preditivo do modelo analisado. a utilização de variáveis macroeconômicas servirá para demonstrar o efeito esperado ou a expectativa de efeito esperado sobre a probabilidade de um risco de default pelo consumidor tomador de crédito. conforme estudos anteriores apresentados no Quadro 2.

2000.crc.G. pp 2954.A. Segundo Thomas (2001. HALDEMAN R. Rationale and Default Risk.. (2006) e Rosch e Scheule (2004). The journal of the Operational Research Society. 1968. 2006. A new Model to identify bankruptcy risk of corporation. Para Thomas e Stepanova (2002) espera-se que as taxas de juros possam ter maior influência no risco. U. Referências Bibliográficas ALTMAN. E.pdf.. Credit Rating: Methodologies. ANDREEVA G. alto nível de desemprego. Vol. Ong. Acesso em 20 Ago 2011. 589-609.N. 2002. ALTMAN. Predicting Financial Distress of Companies. discriminant analysis and the prediction of corporation bankruptcy. revisiting the Z-score and Zeta@models.57. London Risk Books.S. Journal of Banking and Finance 1. Journal of Finance. E. E. ANSELL J. Generic Scoring Models Using Survival Analysis.. 1977.ed. ALTMAN. NARAYANAN P.10. n. 23.1180-1187. ALTMAN. traduzindo-se em alto risco de inadimplência.ac. Analyzing Revolving Credit. 2003. No. uma vez que esta variável pode ter efeito decisivo em relação a pagamentos de dívidas. v. Revisitng Credit Scoring Models in a Basel 2 Environment. Zeta Tin Analysis.I. 2005). espera-se ainda que variáveis como alta taxa de juros de um país. Journal of Finance.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 pagamentos.man. E. ANDREEVA G. variação do índice imobiliário tenham importante impacto na possibilidade de um evento de default. I. I. M. p. CROOK J..I.uk/conference/archive/2003/papers/andreeva-ansell-crook. 4.. 14 . pp. conforme observado por Tang et al. Financial ratios. Disponível em: http://www.

2011.abecs. NARAYANAN P. 62. Not if but when will borrowers default. 1975. COLOSIMO. 179-188. Biometrika. BANASIK J.br/?option=com_estudos&view=interna&Itemid=19&id=3903>. J Opl Res Soc 50: 1185-1190. THOMAS LC. 2006. 7. 2007. CROOK J. n. Análise da Pesquisa de Endividamento e Inadimplência do Consumidor (PEIC). 15 . 2010.. R.. Managing credit risk: the next great financial challenge.com. Inc.br>. The use of multiple measurements in taxonomic problems. pp. 187-220. Quantitative Financial Risk Management Centre. No. p. COX. Modelling and predicting loss given default for credit cards.. 1ª Ed. São Paulo. Edgard Blücher Ltda: São Paulo. Partial Likelihood. 2011. E. 2011. Journal of the Royal Statistical Society. CAOUETTE J. D. 34. 1936. Acesso em 22 ago. ALTMAN E. ____. Disponível em < http://www. R. Working Paper. Análise de Sobrevivência Aplicada. R. BANCO CENTRAL DO BRASIL . Vol. v. A. New York: John Wiley & Sons. FISHER. Disponível em:<http://www. BELLOTTI T.. Acesso em 10 SET.org.2011. CROOK JN. Regression models and life tables. Annals of Eugenics. A. SP.fecomercio.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 ASSOCIAÇÃO BRASILEIRA DE CARTÕES DE CRÉDITO. Maio. 2. Pagamento eletrônico alavanca o varejo. S. p.Relatório sobre a Indústria de Cartões de Pagamentos. 1972. 1 ed. GIOLO. 1998. 1999. FECOMÉRCIO. D. R. 269-276. 2.

MALIK M. Journal of Money. R. pp. On the Pricing of Corporate Debt: The Risk Structure of Interest Rates.. v. 2001. D. C. R.77. The Journal of the Operational Research Society. M. 1952. S. Journal of the American Statistical Association. Journal of the Operational Research Society.No. TREUTLER B. V. V. KACHMAN. 386. Lookahead Scorecards for New Fixed Term Credit Products. No. An empirical study of exposure at default. Journal of Animal Science. p.1..989-996. 441-447. 411-420. S.org>.2010. Kelly M. Applications in survival analysis. PESARAN M. KARAGOZOGLU.3.4. and Banking. 2011. The Journal Advanced Studies in Finance. SCHUERMANN T.J. Jr. N. Vol. JACOBS Jr. 79. Portfolio Selection. Credit. N. 147-153. 31-59.52. supervisory expectations and results from a bank study. 2009. THOMAS L. Acesso em: 13 set... 334-365. Disponível em: <http://www. MERTON. WEINER.p. J.. MARKOWITZ.C. 61. N 5. 1 pp. Validation of economic capital models: State of the practice. V.fma. A. H. Understanding Cox's Regression Model: A Martingale Approach. Vol. pp. 38.M. The Journal of Finance 7. 16 . Understanding and Predicting Ultimate LossGiven Default on Bonds and Loans.G. M.D. _________. 2006. HAND D.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 GIL. Modelling credit risk of portfolio of consumer loans. Journal of Finance 29:449–70. K. 1999. 77–91. 1974. JACOBS.9. Journal of Risk Management in Financial Institutions. 1.M. 1211-1261.. Macroeconomic Dynamics and Credit Risk: A Global Perspective.2010. HASHEM. 1984. pp. pp. M.

M. C. L. Credit Risk Measurement: New Approaches to Value-at-Risk and other Paradigms. 2011... THOMAS.F. L. Forecasting Retail Portfolio Credit Risk. THOMAS S. 25 No. David B. ed. 1999. 5 (2)... THOMAS. Anthony.bcb. SCHEULE H. 2nd. HAND D. 9 pp. Cambridge. THOMAS.E. No.C. Disponível em< http://www. It’s the economy stupid: modeling financial product purchases. School of Management. Vol.C. 2004. Synopses & Reviews..1006.br/htms/estabilidade/2011_04/refP. Banco Central do Brasil. A Self-Learning Text Springer Science Business Media. RELATÓRIO DE ESTABILIDADE FINANCEIRA. 2009. pp. Inc. Journal of Risk Finance. Opl Res 50: 277-28. 2007..C.G. 2005. volume 10. Oxford University Press. Ed. 2002. Consumer credit models: pricing. Wiley John & Sons. TANG L. A Survey of the Issues in Consumer Credit Modelling Research. 56. KLEIN M. Acesso em 12 Ago 2011. J. 22-38. Credit Scoring and Its Applications. STEPANOVA..pdf>. The Journal of the Operational Research Society. UK. 1. 1. 1996 ROSCH D. Southampton. BOZZETTO J. University of Southampton. Survival analysis for personal loan data.. L. Survival Analysis.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 KLEINBAUM D. and portfolios. 17 . profit.gov. SAUNDERS. THOMAS L. C. 16-32. THOMAS L. OLIVER R. W. International Journal of Bank Marketing Vol. nº 1. 2002.

issue Q I. 18 . 9. A Large Sample Study of Cox's Regression Model. Published in Risk. No. pp 93-108. WHALEN G. . VASICEK O. pages 21-31. 1. The Distribution of Loan Portfolio Value. 1991.VIII CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO 8 e 9 de junho de 2012 TSIATIS. December. A Proportional Hazards Model of bank failure: An examination of its usefulness as Early Warning tool. Economic Review. Vol. A. 2002. 1981. The Annals of Statistics.A. A.A.