Cartão de crédito: prevendo a taxa de inadimplência através dos indicadores macroeconômicos
Este trabalho investiga os determinantes macroeconômicos da inadimplência de cartão de crédito no Brasil, com base em dados mensais do período de março de 2011 a maio de 2024. Utiliza-se a metodologia ARDL (Autoregressive Distributed Lag) para identificar relações de curto e longo prazos entre a ina...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2025 |
| País: | Brasil |
| Institución: | Universidade Católica de Brasília (UCB) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da UCB |
| Idioma: | portugués |
| OAI Identifier: | oai:bdtd.ucb.br:tede/3702 |
| Acceso en línea: | https://bdtd.ucb.br:8443/jspui/handle/tede/3702 |
| Access Level: | acceso abierto |
| Palabra clave: | Inadimplência Cartão de crédito Variáveis macroeconômicas Modelo ARDL Aprendizado de máquina Risco de crédito Credit default Credit cards Macroeconomic variables ARDL model Cointegration Machine learning Credit risk CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA |
| Sumario: | Este trabalho investiga os determinantes macroeconômicos da inadimplência de cartão de crédito no Brasil, com base em dados mensais do período de março de 2011 a maio de 2024. Utiliza-se a metodologia ARDL (Autoregressive Distributed Lag) para identificar relações de curto e longo prazos entre a inadimplência e variáveis macroeconômicas. Os resultados indicam que a inadimplência é influenciada por fatores macroeconômicos, com destaque para os efeitos da taxa Selic, da inflação, da taxa de câmbio e do volume de crédito. O PIB apresentou impacto significativo apenas no curto prazo. Foram observadas diferenças entre os efeitos de curto e longo prazo, principalmente em relação à inflação e ao crédito, sugerindo uma dinâmica complexa. Modelos de aprendizado de máquina complementaram a análise, confirmando a relevância das variáveis selecionadas e apresentando bom desempenho preditivo. A convergência entre abordagens econométricas e preditivas reforça a robustez dos resultados e sua utilidade para o monitoramento do risco de crédito no setor de cartões. |
|---|