O uso da aprendizagem de máquina para a criação de modelos preditivos de evasão de cotistas no mercado de fundos de investimentos

Abstract

O objetivo desse trabalho foi identificar a existência de variáveis comportamentais de cotistas de fundos de investimento que pudessem ajudar a explicar o encerramento de relacionamento com o banco e buscar modelos com a melhor performance preditora de evasão. A metodologia utilizou a pesquisa aplicada para gerar conhecimentos de aplicação prática com a abordagem quantitativa. O procedimento adotado foi por meio da pesquisa empírica a base de dados de uma instituição financeira do Brasil. Para garantir o atendimento à Lei 13.709 de 14 de agosto de 2018, todas as informações pessoais foram descaracterizadas e não disponibilizadas durante o processo de pesquisa, análise de dados e desenvolvimento dos modelos preditivos para a aprendizagem de máquinas. A população totalizou 2.907.270 clientes pessoas físicas dos segmentos de média a alta renda e amostra balanceada com a técnica under sampling de 200.000 clientes. As principais variáveis identificadas como importantes na predição da evasão foram a posse de produtos, saldo, perfil digital, dentre outras. Foi realizada a comparação de performance em relação a curva ROC para os modelos Regressão Logística, Árvore de Decisão, KNN, Naive Bayes, Randon Forest, XGBoost, LDA, MLP e SVC, e os resultados apontaram o XGBoost como o modelo de melhor performance preditiva com curva ROC de 0,7861 e matriz de confusão com acurácia de 71,16.

The objective of this work was to identify the existence of behavioral variables of investment fund shareholders that could help explain the termination of the relationship with the bank and seek models with the best performance predictor of dropout. The methodology used applied research to generate knowledge of practical application with the quantitative approach. The procedure adopted was through empirical research on the database of a financial institution in Brazil. To ensure compliance with Law 13,709 of August 14, 2018, all personal information was de-characterized and not made available during the research process, data analysis and development of predictive models for machine learning. The population totaled 2,907,270 individual customers from the middle to high income segments and a balanced sample with the under sampling technique of 200,000 customers. The main variables identified as important in predicting dropout were product ownership, balance, digital profile, among others. A comparison of performance was performed in relation to the ROC curve for the Logistic Regression, Decision Tree, KNN, Naive Bayes, Random Forest, XGBoost, LDA, MLP and SVC models, and the results pointed to XGBoost as the model with the best predictive performance. with a ROC curve of 0.7861 and a confusion matrix with an accuracy of 71.16.