Predicting payment flows with deep learning : case study of BNDES credit card

Abstract

A previsão de eventos futuros pode ajudar organizações e empresas a tomar decisões mais informadas, levando a resultados mais desejáveis em termos de alinhamento estratégico. Entretanto, a previsão de séries temporais financeiras e econômicas é uma tarefa desafiadora devido a dependências não lineares e propriedades não estacionárias que os dados do mundo real geralmente exibem, entre outras questões. Com dados transacionais, como pagamentos, esses problemas se tornam mais aparentes e relevantes. Esta tese busca encontrar evidências de que a modelagem linear é suficiente para entender as complexidades que os dados financeiros do mundo real oferecem, comparando seu desempenho a modelos mais complexos por meio de um estudo de caso de previsão. Como os dados empíricos consistem em pagamentos provenientes do uso do cartão de crédito do BNDES, sendo de natureza transacional, as interdependências estruturais e a dinâmica do mercado regional no Brasil também são discutidas por meio de estatísticas e ilustrações descritivas. As principais contribuições desta tese incluem o desenvolvimento e a implementação de uma metodologia de previsão adequada para métodos baseados em aprendizagem profunda com entradas uni e multivariadas derivadas de dados de pagamento. A competitividade dos métodos de aprendizagem profunda é verificada através de várias métricas e testes estatísticos. Além disso, a literatura sobre a avaliação de impacto regional do BNDES no Brasil é ampliada, e a aplicação empírica dos dados do cartão de crédito do BNDES é a primeira de seu tipo.