Professional Documents
Culture Documents
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.
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
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.
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.
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.
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.
` 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
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.
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$; Garantia: 85%; Ambiente: 1.7. Resultado: O Risco do Cliente Geraldo foi de 1.29, ele est a entre o risco D e C. Surface do Exmplo 1:
Figura 8. Renda.
2. Banco: Banco Central Pessoa: Marcilio Pereira Dados para Emprestimo: Experi encia Anterior: 1.5; Comprometimento de Renda: 80% Renda: 622 R$; 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:
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.