o da L Utilizac a ogica Fuzzy na Concess ao de Cr edito Pessoal utilizando a Fuzzy Logic Toolbox MATLAB

Diego Oliveira Froes1

1

Instituto de Ci encias Exatas e Aplicadas Campus Jo ao Monlevade Universidade Federal de Ouro Preto (UFOP) CEP 35.400-000 Jo ao Monlevade MG Brasil

Abstract. This article will show the application of fuzzy logic in a decision support scenario in lending personnel in a nancial institution. MATLAB tool was used to calculate the variables involved in making the loan, and thus the end of execution, results that can help institutions to decrease their risks and make effective credit granting process. Resumo. Este artigo ir a mostrar a aplicac a ogica Fuzzy em um cen ario o da L de apoio a ao na concess ao de cr edito pessoal em uma instituic a ` decis o nanceira. Foi utilizada a ferramenta MATLAB para calcular as vari aveis que envolvem na tomada do cr edito, tendo assim, no nal da execuc a o, resultados que possa auxiliar as instituic o rem o seus riscos e tornar ecaz o es a diminu processo de concess ao de cr edito.

Sum ario
1 2 3 4 5 6 7 8 9 o Introduc a Conceitos B asicos da L ogica Nebulosa ou Fuzzy MATLAB Concess ao de Cr edito Cr edito e Risco o Aplicac a Modelo Pr atico Exemplo de Teste Conclus ao Refer encias 2 3 3 4 4 7 9 17 17

Lista de Figuras
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 Modelagem da L ogica Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . Experi ecia do tomador do cr edito. . . . . . . . . . . . . . . . . . . . . . Renda j a comprometida do cliente. . . . . . . . . . . . . . . . . . . . . . Faixa salarial do cliente. . . . . . . . . . . . . . . . . . . . . . . . . . . Garantias de Bens do cliente. . . . . . . . . . . . . . . . . . . . . . . . . o do Mercado. . . . . . . . . . . . . . . . . . . . . . . . . . . . Condic a N vel de risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco exemplo 1: Experi encia Anteriro X Comprometimento de Renda. Gr aco exemplo 1: Experi encia Anteriro X Renda. . . . . . . . . . . . . Gr aco exemplo 1: Experi encia Anteriro X Ambiente. . . . . . . . . . . Gr aco exemplo 1: Experi encia Anteriro X Garantia. . . . . . . . . . . . Gr aco exemplo 1: Comprometimento de Renda X Renda. . . . . . . . . Gr aco exemplo 1: Comprometimento de Renda X Ambiente. . . . . . . Gr aco exemplo 1: Comprometimento de Renda X Garantia. . . . . . . . Gr aco exemplo 1: Renda X Ambiente. . . . . . . . . . . . . . . . . . . Gr aco exemplo 1: Renda X Garantia. . . . . . . . . . . . . . . . . . . . Gr aco exemplo 1: Ambiente X Garantia. . . . . . . . . . . . . . . . . . Gr aco exemplo 2: Experi encia Anteriro X Comprometimento de Renda. Gr aco exemplo 2: Experi encia Anteriro X Renda. . . . . . . . . . . . . Gr aco exemplo 2: Experi encia Anteriro X Ambiente. . . . . . . . . . . Gr aco exemplo 2: Experi encia Anteriro X Garantia. . . . . . . . . . . . Gr aco exemplo 2: Comprometimento de Renda X Renda. . . . . . . . . Gr aco exemplo 2: Comprometimento de Renda X Ambiente. . . . . . . Gr aco exemplo 2: Comprometimento de Renda X Garantia. . . . . . . . Gr aco exemplo 2: Renda X Ambiente. . . . . . . . . . . . . . . . . . . Gr aco exemplo 2: Renda X Garantia. . . . . . . . . . . . . . . . . . . . Gr aco exemplo 2: Ambiente X Garantia. . . . . . . . . . . . . . . . . . 3 5 5 6 6 6 7 9 10 10 10 11 11 11 12 12 12 13 13 14 14 14 15 15 15 16 16

o 1. Introduc a
o A realidade da concess ao do cr edito a pessoas f sicas gera riscos para a instituic a o com a inadimpl nanciadora, h a preocupac a encia. Faz-se ent ao necess ario ao especi rea de empr ` capacidade e disposic o de alista da a estimo classicar o cliente, quanto a a pagar um empr estimo solicitado de acordo com os termos do contrato assinado.

Para analise simples da capacidade nanceira do cliente, utilizaremos as es que s informac o ao tradicionalmente conhecidas como Cs do Cr edito: Car ater, Capa es. cidade, Capital, Colateral e Condic o es do sistema de cr Propomos um modelo que utiliza como base, informac o edito, descritas acima e conceitos da l ogica Fuzzy, que possibilita modelar e manipular ma es vagas e imprecisas. Esta manipulac o e feita a partir da tematicamente informac o a o de vari composic a aveis escolhidas, estabelecendo um conjunto de regras lingu sticas, gerando respostas para a tomada de decis ao.

2. Conceitos B asicos da L ogica Nebulosa ou Fuzzy

baseada na teoria dos Conjuntos Fuzzy. Tradicionalmente, uma L ogica Fuzzy e o l completamente verdadeiro ou e completaproposic a ogica tem dois extremos: ou e mente falso. Entretanto, na l ogica Fuzzy, uma premissa varia em grau de verdade de 0 a 1, o que leva a ser parcialmente verdadeira ou parcialmente falsa. A forc a da L ogica Fuzzy deriva da sua habilidade em inferir conclus oes e gerar es vagas, amb respostas baseadas em informac o guas e qualitativamente incompletas e imprecisas. Neste aspecto, os sistemas de base Fuzzy t em habilidade de raciocinar de ` dos humanos. Seu comportamento e representado de maneira muito forma semelhante a ` construc o de sistemas compreens o. simples e natural, levando a a veis e de f acil manutenc a O controle executado pela l ogica Fuzzy imita um comportamento baseado em regras ao inv es de um controle explicitamente restrito a modelos matem aticos como es diferenciais. O objetivo da l gerar uma sa equac o ogica Fuzzy e da l ogica a partir de um conjunto de entradas n ao precisas, com ru dos ou at e mesmo faltantes.

Figura 1. Modelagem da Logica Fuzzy

3. MATLAB
um sistema interativo e uma linguagem de O MATLAB (Matrix Laboratory) e o para a computac o t baseado em matrizes. programac a a ecnica e cient ca em geral, ele e o com o usu Permite a interac a ario atrav es de uma janela de Comando, onde os usu arios devem fornecer os comandos para que os c alculos e resultados sejam exibidos. O MATLAB possui uma fam lia de aplicativos espec cos (toolboxes), que s ao es de func es usadas para resolver determinados problemas tais como: otimizac o, colec o o a o alg o de sistemas manipulac a ebrica, redes neurais, processamento de sinais, simulac a din amicos, l ogica Fuzzy, entre outros. es: o M O Toolbox Fuzzy Logic do MATLAB oferece duas opc o etodo de Mam o. dani e o M etodo de Sugeno. Analogamente, existem diversos m etodos de defuzicac a

` simplicidade e eci Devido a encia, utilizaremos no modelo pr atico o M etodo de Mam o. dani, na etapa de infer encia, e o M etodo do centroide, na etapa de defuzicac a

4. Concess ao de Cr edito Cr edito e Risco

a disponibilizac o de um valor e mediante uma promessa A concess ao de cr edito e a de pagamento desse mesmo valor no futuro, que pressup oe a conanc a na capacidade de , de que o mesmo ir pagamento do tomador, isto e a honrar os seus compromissos nas datas previamente acordadas. A concess ao do cr edito gera um risco: o risco de cr edito ocorre o de concess quando h a incapacidade de uma contrapartida numa operac a ao de cr edito. es que s As informac o ao necess arias para a an alise simples da capacidade nanceira dos tomadores de cr edito s ao tradicionalmente conhecidas como Cs do Cr edito: es. Car ater, Capacidade, Capital, Colateral e Condic o Os Cs do cr edito s ao resumidamente descritos a seguir: o hist CARATER : E orico do solicitante quanto ao cumprimento de suas es nanceiras, contratuais e morais. Para este conceito podem ser levados obrigac o o os dados hist em considerac a oricos de pagamentos e quaisquer causas judiciais pendentes ou conclu das contra o solicitante do cr edito. o o potencial do cliente para quitar o cr CAPACIDADE: Leva em considerac a edito solicitado. Para quanticar este conceito s ao feitas an alises dos demonstrativos nfase especial nos nanceiros, com e ndices de liquidez e de endividamento. CAPITAL: A solidez nanceira do solicitante, conforme se encontra indicada pelo patrim onio l quido do solicitante. O total de exig veis (a curto prazo e a o ao patrim longo prazo) em relac a onio l quido. ` disposic o pelo solicitante COLATERAL: O montante dos ativos colocados a a para garantir o cr edito. Naturalmente, quanto maior esse montante, maior ser a a probabilidade de se recuperar o valor creditado, no caso de inadimpl encia. O o de ativos em conjunto com o levantaexame do balanc o patrimonial e a avaliac a mento de pend encias judiciais podem ser usados para estimar os colaterais. : As condic es econ CONDIC OES o omicas e empresariais vigentes, bem como circunst ancias particulares que possa afetar qualquer das partes envolvidas na o. negociac a

o 5. Aplicac a
O modelo proposto deste trabalho se baseia nos conceitos e vari aveis de cada um dos elementos dos Cs do Cr edito para indicar o poss vel risco de um cliente quando ele o de cr for realizar uma operac a edito. O modelo foi desenvolvido na ferramenta Toolbox o dos valores de entrada para cada uma das vari Fuzzy do Matlab e a informac a aveis deve o de cr auxiliar o analista banc ario a calcular o risco de uma operac a edito. Experi encia Anterior; Comprometimento de Renda; Renda; Garantias; es. Condic o

Experi encia Anterior: Essa vari avel considera o hist orico do tomador de cr edido. Baseado nas experi encias, a pessoa pode ter seu benecio ou n ao. Chamaremos essa vari avel como exp. es mal sucedidas ou com Experi encia Negativa: Clientes com hist oricos de operac o atrasos constantes. Os valores denidos para esse cliente foi: exp 1.5. es. Os valores Experi encia Neutra: Clientes novos ou sem hist oricos de operac o denidos para esse cliente foi: 0.8 exp 2.2. es realizadas e com Experi encia Positiva: Clientes com bom hist orico de operac o pagamentos em dia. Os valores denidos para esse cliente foi: 1.5 exp.

Figura 2. Experiecia do tomador do credito.

poss Comprometimento de Renda: Com esta vari avel e vel informar a porcentagem do valor de renda j a comprometida pelo cliente podendo indicar a facilidade de honrar os compromissos das parcelas ou se ir a ocorrer o endividamento do tomador de recursos. Para esta vari avel podemos considerar os seguintes valores: 0% a 50% de renda livre: Renda Muito comprometida; 20% a 80% de renda livre: Renda Pouco comprometida; Acima de 50% de renda livre: Renda M nima comprometida.

comprometida do cliente. Figura 3. Renda ja

Renda: Esta vari avel deve especicar a faixa salarial que o tomador se enquadra. A unidade de medida escolhida para esta vari avel ser a a quantidade de sal arios m nimos recebidos. Segundo o Tribunal Regional do Trabalho de Minas Gerais, o sal ario vigente de 622,00. de 2012 e At e 2.5 sal arios m nimos (0 a 1555): renda Baixa; De 1.5 a 10 sal arios m nimos (933 a 6220): renda M edia; Acima de 9 sal arios m nimos (5598): renda Alta.

Figura 4. Faixa salarial do cliente.

Garantias: Esta vari avel possibilitar a especicar um ndice que o clientes (tomador de cr edito) pode disponibilizar atrav es de garantias como por exemplo im oveis como elementos garantidores de pagamento pelo cr edito tomado. Garantia de at e 50%: Garantia M nima; Garantia de 30% a 70%: Garantia Consider avel; Garantia acima de 50%: Garantia Aceit avel.

Figura 5. Garantias de Bens do cliente.

` s condic es econ Ambiente: Nesta vari avel ser a relacionado a o omicas vigentes. o do cr Podemos ter um ambiente favor avel ou n ao para a liberac a edito inuenciado pelo anunciado pelo governo. Chamaremos essa incentivo ou n ao do acesso ao cr edito que e o do mercado. Para essa vari avel como cond, e supomos valores ct cios para a condic a vari avel, determinamos os valores: . Favor avel: 1 cond Desfavor avel: cond 1.4

do Mercado. Figura 6. Condic ao

Risco do Cliente: O resultado ser a expresso em conceito para representar o n vel o de cr de risco que ser a atribu do ao cliente para uma poss vel operac a edito. Como resultado ser a poss vel atribuir aos clientes um dos cinco tipos de risco: Chamaremos essa vari avel como risco.

Risco A - Risco M nimo: 2 risco 3. Risco B - Risco Aceit avel: 1.5 risco 2.5. Risco C - Risco M edio: 1 risco 2. Risco D - Risco Consider avel: 0.5 risco 1.5. Risco E - Risco Alto: 0 risco 1.

Figura 7. N vel de risco

6. Modelo Pr atico
No modelo pr atico foi utilizado as vari aveis de entrada: Experi encia Anterior; Comprometimento de Renda; Renda; Ambiente; Garantia; E como vari avel de sa da: Risco do Cliente. o est As regras escolhidas na aplicac a ao descritas a seguir: Negativa) e (Comprometimento de Renda e Muito) e 1. Se (Experi encia Anterior e Baixa) e (Garantia e M Desfavor (Renda e nima) e (Ambiente e avel) ent ao (Risco Risco E); do Cliente e Negativa) e (Comprometimento de Renda e Muito) e 2. (Experi encia Anterior e Baixa) e (Garantia e M Favor (Renda e nima) e (Ambiente e avel) ent ao (Risco Risco E); do Cliente e Negativa) e (Comprometimento de Renda e Muito) e 3. (Experi encia Anterior e Baixa) e (Garantia e Consider Desfavor (Renda e avel) e (Ambiente e avel) ent ao Risco E); (Risco do Cliente e Neutra) e (Comprometimento de Renda e pouca) e 4. Se (Experi encia Anterior e M M Desfavor (Renda e edia) e (Garantia e nima) e (Ambiente e avel) ent ao (Risco Risco E); Do Cliente e Neutra) e (Comprometimento De Renda e pouca) e 5. Se (Experi encia Anterior e M M Favor (Renda e edia) e (Garantia e nima) e (Ambiente e avel) ent ao (Risco Risco D); Do Cliente e Neutra) e (Comprometimento De Renda e pouca) e 6. Se (Experi encia Anterior e M Consider Desfavor (Renda e edia) e (Garantia e avel) e (Ambiente e avel) ent ao Risco D); (Risco Do Cliente e

 Neutra) e (Comprometimento De Renda e pouca) e 7. Se (Experi encia Anterior e M Aceit Favor (Renda e edia) e (Garantia e avel) e (Ambiente e avel) ent ao (Risco Risco C); Do Cliente e Neutra) e (Comprometimento De Renda e M 8. Se (Experi encia Anterior e nima) M Consider Favor e (Renda e edia) e (Garantia e avel) e (Ambiente e avel) ent ao Risco C); (Risco Do Cliente e Neutra) e (Comprometimento De Renda e M 9. Se (Experi encia Anterior e nima) e alta) e (Garantia e Consider Favor (Renda e avel) e (Ambiente e avel) ent ao (Risco Do Cliente e Risco C); Positiva) e (Comprometimento De Renda e Muito) e 10. Se (Experi encia Anterior e Baixa) e (Garantia e M Favor (Renda e nima) e (Ambiente e avel) ent ao (Risco Do Risco C); Cliente e Positiva) e (Comprometimento De Renda e Muito) 11. Se (Experi encia Anterior e M Consider Favor e (Renda e edia) e (Garantia e avel) e (Ambiente e avel) ent ao Risco C); (Risco Do Cliente e Positiva) e (Comprometimento De Renda e Muito) e 12. Se (Experi encia Anterior e M Aceit Favor (Renda e edia) e (Garantia e avel) e (Ambiente e avel) ent ao (Risco Risco C); Do Cliente e Positiva) e (Comprometimento De Renda e pouca) 13. Se (Experi encia Anterior e M Consider Favor e (Renda e edia) e (Garantia e avel) e (Ambiente e avel) ent ao Risco B); (Risco Do Cliente e Positiva) e (Comprometimento De Renda e pouca) e 14. Se (Experi encia Anterior e (Renda e alta) e (Garantia e M nima) e (Ambiente e Favor avel) ent ao (Risco Do Risco B); Cliente e Positiva) e (Comprometimento De Renda e pouca) e 15. Se (Experi encia Anterior e alta) e (Garantia e Consider Desfavor (Renda e avel) e (Ambiente e avel) ent ao Risco B); (Risco Do Cliente e Positiva) e (Comprometimento De Renda e pouca) e 16. Se (Experi encia Anterior e alta) e (Garantia e Consider Favor (Renda e avel) e (Ambiente e avel) ent ao (Risco Risco A); Do Cliente e Positiva) e (Comprometimento De Renda e pouca) e 17. Se (Experi encia Anterior e alta) e (Garantia e Aceit Favor (Renda e avel) e (Ambiente e avel) ent ao (Risco Do Risco A); Cliente e Positiva) e (Comprometimento De Renda e M 18. Se (Experi encia Anterior e nima) e alta) e (Garantia e M Desfavor (Renda e nima) e (Ambiente e avel) ent ao (Risco Risco B); Do Cliente e Positiva) e (Comprometimento De Renda e M 19. Se (Experi encia Anterior e nima) e alta) e (Garantia e M Favor (Renda e nima) e (Ambiente e avel) ent ao (Risco Do Risco A); Cliente e Positiva) e (Comprometimento De Renda e M 20. Se (Experi encia Anterior e nima) alta) e (Garantia e Consider Desfavor e (Renda e avel) e (Ambiente e avel) ent ao Risco B); (Risco Do Cliente e Positiva) e (Comprometimento De Renda e M 21. Se (Experi encia Anterior e nima) e alta) e (Garantia e Consider Favor (Renda e avel) e (Ambiente e avel) ent ao (Risco Risco A); Do Cliente e Positiva) e (Comprometimento De Renda e M 22. Se (Experi encia Anterior e nima) e alta) e (Garantia e Aceit Favor (Renda e avel) e (Ambiente e avel) ent ao (Risco Do Risco A); Cliente e

 Positiva) e (Comprometimento De Renda e M 23. Se (Experi encia Anterior e nima) alta) e (Garantia e Aceit Desvor e (Renda e avel) e (Ambiente e avel) ent ao (Risco Risco B); Do Cliente e

7. Exemplo de Teste
o, foram realizados 2 testes com diferentes tipos de Ap os a modelagem da aplicac a es poss o. entrada, retornando assim, as soluc o veis e o gr aco (surface) para cada situac a Usaremos nomes ct cios de pessoas f sicas e nome de Banco para o desenvolvimento dos exemplos. 1. Banco: Banco Geral Pessoa: Geraldo de Almeida Dados para Emprestimo: Experi encia Anterior: 2.5; Comprometimento de Renda: 90% Renda: 7.000 R$; Garantia: 85%; Ambiente: 1.7. Resultado: O Risco do Cliente Geraldo foi de 1.29, ele est a entre o risco D e C. Surface do Exmplo 1:

Figura 8. Renda.

Graco exemplo 1: Experiencia Anteriro X Comprometimento de

 Figura 9. Graco exemplo 1: Experiencia Anteriro X Renda.

Figura 10. Graco exemplo 1: Experiencia Anteriro X Ambiente.

Figura 11. Graco exemplo 1: Experiencia Anteriro X Garantia.

 Figura 12. Graco exemplo 1: Comprometimento de Renda X Renda.

Figura 13. Graco exemplo 1: Comprometimento de Renda X Ambiente.

Figura 14. Graco exemplo 1: Comprometimento de Renda X Garantia.

 Figura 15. Graco exemplo 1: Renda X Ambiente.

Figura 16. Graco exemplo 1: Renda X Garantia.

Figura 17. Graco exemplo 1: Ambiente X Garantia.

2. Banco: Banco Central Pessoa: Marcilio Pereira Dados para Emprestimo: Experi encia Anterior: 1.5; Comprometimento de Renda: 80% Renda: 622 R$; Garantia: 25%; Ambiente: 2. Resultado: O Risco do Cliente Geraldo foi de 0.496, ele est a entre o risco E. Surface do Exmplo 2:

Figura 18. Graco exemplo 2: Experiencia Anteriro X Comprometimento de Renda.

Figura 19. Graco exemplo 2: Experiencia Anteriro X Renda.

 Figura 20. Graco exemplo 2: Experiencia Anteriro X Ambiente.

Figura 21. Graco exemplo 2: Experiencia Anteriro X Garantia.

Figura 22. Graco exemplo 2: Comprometimento de Renda X Renda.

 Figura 23. Graco exemplo 2: Comprometimento de Renda X Ambiente.

Figura 24. Graco exemplo 2: Comprometimento de Renda X Garantia.

Figura 25. Graco exemplo 2: Renda X Ambiente.

 Figura 26. Graco exemplo 2: Renda X Garantia.

Figura 27. Graco exemplo 2: Ambiente X Garantia.

8. Conclus ao
A modelagem feita na ferramenta Toolbox Fuzzy do Matlab possibilitou o desen muito simples fazer volvimento de um modelo demonstrativo simples e ex vel, pois e mudanc as nos crit erios adotados, visando restringir ou exibilizar a concess ao de cr edito. o nanceira utiliza regras e par Cada instituic a ametros diferenciados para a analise de risco de seus clientes sendo que as regras propostas no modelo apenas foram criadas o. para demonstrac a o apenas as vari Apesar de a modelagem apresentada levar em considerac a aveis o da l mais importantes, destaca-se a import ancia de utilizac a ogica Fuzzy em sistemas de apoio a decis ao, pois uma modelagem bem feita de regras e vari aveis ajudaria bastante as es nanceiras a diminu instituic o rem o seus riscos e tornar ecaz o processo de concess ao de cr edito.

9. Refer encias Refer encias

o Financeira. 10. ed. S [1] J. Gitman, Lawrence. Princ pios de Administrac a ao Paulo: Bo o. okman, 1997 Edic a o da L [2] Diego O. Froes e Janser L. Ferreira. Utilizac a ogica Fuzzy em um Sistema de ` Decis Apoio a ao na Concess ao de Cr edito Pessoal. Jo ao Monlevade: UFOP Campus Monlevade, 2012. [3] Wolfgang Kurt Schrickel. AlunoAula No 2 Os Cs do Cr edito Faculdade On-Line UVB. http://arquivos.unama.br/nead/gol/gol_adm_ 6mod/adm_creditos_cobrancas/pdf/aula02.pdf ` Pequena Empresa: [4] Maur cio Piragibe de Carvalho Faria. An alise de Cr edito a An alise Fatorial e L ogica Fuzzy Faculdade de Economia e Financ as IBMEC. http://www.ibmecrj.br/sub/RJ/files/Disserta%C3% A7%C3%A3o%20-Maur%C3%ADcio%20Piragibe.pdf o a L [5] Lu s Carlos Dill Junges. Introduc a ogica Fuzzy Universidade Federal de Santa Catarina. http://s2i.das.ufsc.br/tikiwiki/apresentacoes/ logica-fuzzy.pdf es Incertas: L [6] Fl avio Vin cius Cruzeiro Martins. Racioc nio em Situac o ogica Fuzzy e Redes Baysianas Universidade Federal de Ouro Preto. 9 de abril de 2010 [7] Grupo PET - Engenharia El etrica. Curso de MATLAB Universidade Federal de Mato do Grosso do Sul. http://www.del.ufms.br/tutoriais/matlab/ apresentacao.htm#matlab [8] Profa. Dra. Mariangela, Msc. Anderson Luiz Souza e Prof. Dr. La ecio Carvalho Barros. Manual do uso da teoria dos conjuntos Fuzzy no MATLAB 6.5 FEAGRI & IMECC/ UNICAMP. http://www.celiomoliterno.eng.br/ Arquivos/Mfuzzy.pdf o do Sal [9] Tribunal Regional do Trabalho - 3a Regi ao - Minas Gerais. Evoluc a ario M nimo Justic a do Trabalho de Minas Gerais http://www.trt3.jus.br/ informe/calculos/minimo.htm