O PODER DAS OPERACOES SIMULADAS.

Melhores corretores de opcoes binarias 2020:
  • Binomo
    Binomo

    O melhor corretor!
    Conta demo gratuita e treinamento para iniciantes!
    Inscreva-se bonus!

  • FinMax
    FinMax

    Corretor de opcoes binarias confiavel! Boa resposta!

EscolaTrader

…Aqui está o segredo do vencedor, em qualquer ramo e atividade de nossa vida.

E porque no Mercado financeiro tem que ser diferente? O que faz uma pessoa pensar que ele lê um simples artigo; faz um curso básico de análise técnica, isto quando faz! Digo isto, porque na maioria das vezes, o neófito no mercado financeiro, assiste um simples vídeo no youtube, e daí, já acha que o negócio é fácil demais, e tudo o que todo mundo sempre falou sobre candlesticks, análise gráfica, bandas de bollinger, oscilador estocástico, etc., é pura bobagem.

Então, o que ele faz. Vai até seu banco, tira todo o décimo terceiro que estava na poupança (faz muito bem hoje), e ao invés de colocá-lo em outro tipo de investimento melhor do que a poupança, fala para si mesmo: ” daqui até o fim do ano eu me aposento; vou ficar rico na bolsa, igual Warren Buffet”. Pega então seu dinheirinho e envia para a primeira corretora, cuja propaganda ele viu no mesmo vídeo que fez dele um expert em quinze minutos.

E,…pimba! Quinze dias depois, se muito, está quebrado.

“Bolsa é cassino!”

“Forex é maracutaia!”

“Opções binárias é jogo!”

Para dizer o mínimo do que ele sairá dizendo por aí, sobre o mercado financeiro.

Então, voltando a pergunta do início, por que não treinar também para se tornar um Operador Profissional?

Tem que treinar, e treinar muito mesmo, se quiser competir no mercado financeiro. É um lugar que não tem almoço grátis, e todo mundo quer ganhar!

Melhores corretores de opcoes binarias 2020:
  • Binomo
    Binomo

    O melhor corretor!
    Conta demo gratuita e treinamento para iniciantes!
    Inscreva-se bonus!

  • FinMax
    FinMax

    Corretor de opcoes binarias confiavel! Boa resposta!

Então, qual o fluxograma do treinamento de uma pessoa que almeja ser um operador/investidor de sucesso.

Primeiro: Procurar ler muito, bons livros de análise técnica, psicologia do mercado e do trader. Depois que leu bastante, leia mais um pouco. Eu disse bons livros.

Segundo: Inicie e termine pelo menos um curso presencial, online ou mesmo em dvd, de análise técnica, setups operacionais, indicadores, etc. Dois ou três, com professores diferentes, seria o ideal.

Terceiro: É a partir daqui, que o iniciante vai passar a pesquisar sobre uma boa corretora no mercado que ele deseja operar. Escolhida a corretora, abre sua conta, e ative-a com o depósito inicial, para ter à sua disposição a plataforma de operações, e outros softwares, além de um gestor de sua conta para lhe dar aconselhamentos. Nesta altura dos estudos, o iniciante já estará apto, inclusive, para fazer um juízo de valor mediano sobre os aconselhamentos que receba.

Agora então, é hora de fazer operações…SIMULADAS! SIMULADAS! SEM DINHEIRO!

Simuladas? Por que? E como?

Por que: Quando fazemos operações simuladas, com a plataforma e as ferramentas que iremos utilizar no dia a dia, chegamos bem perto das condições reais do mercado, sem sofrer o efeito psicológico de “perda” ou “lucro” do dinheiro real! Não importa se pouco ou muito, perder dinheiro causa depressão, e ganhar dinheiro causa euforia! E na hora que estamos operando, estes sentimentos ofuscam nossa análise e raciocínio. Então, vamos fazer operações simuladas, sem colocar dinheiro, até termos testado todo nosso método e setups nos mínimos detalhes e sabermos que ele tem uma margem de ganhos bem maior do que a margem de perdas. Terminada esta fase, inicia-se uma fase intermediária, em que o iniciante irá começar a operar com uma quantia, que se perder, não o fará sofrer muito, embora sofra!

E como? Já falei.

Utilize a plataforma da corretora, utilize sua plataforma gráfica preferida, configurada da forma que achar melhor para você, e faça as operações no horário em que o mercado está aberto! Isto é muito importante!

Faça operações mentais!

Programe entrada e saída(expiração quando com opções)!

Faça gestão de capital, e programe seus objetivo de lucros e limite de tolerância de perdas.

Faça desta forma, até enjoar mesmo.

Somente daí em diante então, é que ao longo do tempo, os lucros fluirão para sua conta, e sua curva de capital acumulado se inclinará vertiginosamente para cima, na direção da almejada aposentadoria e liberdade financeira.

O PODER DAS OPERACOES SIMULADAS.

Access to raw data

O Poder Discriminante das Operações de Crédito das Instituições Financeiras Brasileiras

Abstract

This study aimed to verify, between December 2005 and December 2006, the behavior of the credit rating systems of Brazilian Financial Institutions (FIs) regarding one of the main issues to be observed in the procedures for the credit rating system validation: the discriminant power of the system. The results showed that the credit rating system from the vast majority of the FIs surveyed, had discriminant power. The results also shown that there was no relationship between the FI control and the discriminant power, and neither between the discriminant power and the credit type operated by FI. However, it has been verified that there was a significant relationship between discriminant power and the FI size. The proportion of FIs of micro size, commonly credit union, whose systems hadn’t discriminant power was significantly greater than the expected value.

O Poder Discriminante das Operações de Crédito das Instituições .

O Poder Discriminante das Operações de Crédito das Instituições .

Trabalhos para Discussão

O Poder Discriminante das Operações de Crédito das Instituições Financeiras Brasileiras Clodoaldo Aparecido Annibal Julho, 2008

ISSN 1519-1028 CGC 00.038.166/0001-05 Trabalhos para Discussão

Trabalhos para Discussão Editado pelo Departamento de Estudos e Pesquisas (Depep) – E-mail: [email protected] Editor: Benjamin Miranda Tabak – E-mail: [email protected] Assistente Editorial: Jane Sofia Moita – E-mail: [email protected] Chefe do Depep: Carlos Hamilton Vasconcelos Araújo – E-mail: carlos[email protected] Todos os Trabalhos para Discussão do Banco Central do Brasil são avaliados em processo de double blind referee. Reprodução permitida somente se a fonte for citada como: Trabalhos para Discussão nº 167. Autorizado por Mário Mesquita, Diretor de Política Econômica.

Controle Geral de Publicações Banco Central do Brasil Secre/Surel/Dimep SBS – Quadra 3 – Bloco B – Edifício-Sede – 1º andar Caixa Postal 8.670 70074-900 Brasília – DF Telefones: (61) 3414-3710 e 3414-3567 Fax: (61) 3414-3626 E-mail: [email protected]

As opiniões expressas neste trabalho são exclusivamente do(s) autor(es) e não refletem, necessariamente, a visão do Banco Central do Brasil. Ainda que este artigo represente trabalho preliminar, citação da fonte é requerida mesmo quando reproduzido parcialmente. The views expressed in this work are those of the authors and do not necessarily reflect those of the Banco Central or its members. Although these Working Papers often represent preliminary work, citation of source is required when used or reproduced.

Central de Atendimento ao Público Endereço:

Secre/Surel/Diate Edifício-Sede – 2º subsolo SBS – Quadra 3 – Zona Central 70074-900 Brasília – DF

O Poder Discriminante das Operações de Crédito das Instituições Financeiras Brasileiras∗

Clodoaldo Aparecido Annibal**

Este Trabalho para Discussão não deve ser citado como representando as opiniões do Banco Central do Brasil. As opiniões expressas neste trabalho são exclusivamente do autor e não refletem, necessariamente, a visão do Banco Central do Brasil.

Resumo Um sistema de classificação de risco de crédito eficiente é fundamental para que uma instituição financeira (IF) possa realizar uma boa gestão de risco de crédito. No Brasil, as provisões para créditos de liquidação duvidosa de IFs estão diretamente relacionadas às classificações de risco de crédito atribuídas por estas IFs às suas operações. Também no Novo Acordo de Capital da Basiléia, o capital requerido das IFs possui relação direta com o risco de crédito das operações. Esta pesquisa teve como objetivo verificar, no período compreendido entre dezembro de 2005 e dezembro de 2006, o comportamento dos sistemas de classificação das IFs brasileiras no que diz respeito a um dos principais aspectos a serem observados nos procedimentos de validação de sistemas de classificação de risco de crédito, qual seja, o poder discriminante do sistema. A medição do poder discriminante foi realizada utilizando o método chamado Receiver Operating Characteristic (ROC). Realizada essa medição, foi verificado se existem relações significantes entre o poder discriminante observado e algumas das características das IFs, quais sejam, tipo de controle, tipo de IF e porte da IF. Os resultados alcançados mostraram que os sistemas de classificação de risco de crédito da grande maioria das IFs brasileiras possuíam poder discriminante. Mostraram também que não havia relação entre o tipo de controle da IF e o poder discriminante. Entretanto, foi verificado que IFs de micro porte, normalmente cooperativas de crédito, apresentam um número maior que o esperado de sistemas de classificação sem poder discriminante. Palavras-chave: risco de crédito; validação, poder discriminante; ROC. Classificação JEL: C12, C19, G21, M42. ∗

Agradeço os comentários e sugestões de Sérgio Mikio Koyama e a colaboração de Plínio César Romanini e Henrique Cláudio Ferreira na obtenção dos dados. ** Departamento de Estudos e Pesquisas, Banco Central do Brasil. E-mail:[email protected] 3

Após 1994, com o advento do Plano Real e a estabilização da moeda, as instituições financeiras (IFs) sofreram uma redução significativa da renda com float, ou seja, do ganho decorrente do fato de não corrigir monetariamente alguns de seus passivos, especialmente seus depósitos à vista. Tal fato, aliado à redução da taxa nominal de juros, contribuiu para um sensível aumento na aplicação em operações de crédito por essas IFs. Segundo Primo (2003), em dezembro de 1994, as operações de crédito e arrendamento mercantil representavam 29% do ativo circulante e realizável a longo prazo das IFs brasileiras. Já em dezembro de 2001, essa relação era de 36%. Com o aumento dos ativos de crédito das IFs em relação ao total de recursos aplicados, eleva-se a relevância da correta constituição de provisões para créditos de liquidação duvidosa, pois se trata do maior item de despesa das instituições bancárias dos principais países do mundo e o seu correto reconhecimento e mensuração é crucial para a estabilidade da instituição e do sistema financeiro global (BEATTIE apud PRIMO, 2003). Além das aplicações de gestão de crédito inerentes a sistemas de classificação de risco, outra aplicação relevante desses sistemas é a determinação do capital regulamentar e econômico de uma IF no contexto do Novo Acordo de Capital da Basiléia. 1 Em essência, o Novo Acordo de Capital da Basiléia ou Basiléia II procura resolver os problemas encontrados com inovações financeiras que surgiram após 1988 – securitizações de crédito, por exemplo – e com o descasamento entre capital regulamentar e capital econômico. Em face desses problemas, Basiléia II foi fundamentado em três princípios básicos (BCBS, 2006): 1

Entende-se como Capital Regulamentar o capital mínimo exigido pelas autoridades de supervisão bancária como condição para o exercício das atividades de instituições financeiras. Já o Capital Econômico é o capital mínimo que a instituição financeira julga necessário para merecer a confiança de seus depositantes (CHIANAMEA, 2006). 4

Pilar I – Exigência de capital mínimo O objetivo desse fundamento é determinar o montante de capital requerido dado o nível de risco dos ativos de uma IF. Esse requerimento mínimo de capital, por sua vez, é obtido por meio da avaliação dos três principais riscos a que estão sujeitas as IFs, são eles: −

risco de mercado;

risco de crédito; e

Pilar II – Processo de revisão pela supervisão

Pilar III – Disciplina de mercado

Delimitação do problema e questão de pesquisa

Basiléia II traz duas abordagens distintas para o tratamento do risco de crédito (BCBS, 2006), quais sejam: a.

abordagem padronizada – baseada em classificações de risco de crédito atribuídas por agências de classificação de risco de crédito, também conhecidas como agências de rating; é a abordagem mais simples;

abordagem IRB (Internal Ratings Based Approach) – é uma abordagem mais sofisticada, em que a classificação de risco de crédito é baseada em componentes de risco gerados pelos próprios sistemas das IFs, que são: −

Probabilidade de Inadimplência (PD – Probability of Default);

Perda Dada a Inadimplência (LGD – Loss Given Default);

Exposição no Momento da Inadimplência (EAD – Exposure At Default); e

Prazo de Vencimento Residual (M – Maturity).

A abordagem IRB ainda possui duas variantes: a básica e a avançada. Em ambas as variantes, as PDs serão estimadas pelas IFs. Já os demais componentes de risco são fornecidos pela autoridade de supervisão bancária, no caso da básica, ou estimados pelas IFs, no caso da avançada.

O desenvolvimento de Basiléia II induziu o estudo a respeito de métodos de validação de sistemas de classificação de risco de crédito de IFs. Percebe-se que, na literatura a respeito da validação desses métodos, os principais fatores observados são: o poder de discriminação, ou seja, a capacidade do sistema em distinguir, em um determinado horizonte de tempo, as operações que se tornarão inadimplentes daquelas que não se tornarão; e a calibração do sistema, isto é, a precisão dos cálculos de PDs cuja verificação se dá por meio da comparação entre o valor das PDs estimadas e o valor das PDs efetivamente observadas. Na Ilustração 1, pode ser observado como esses fatores estatísticos estão inseridos no processo de validação de sistemas de classificação de risco de crédito.

Validação pela Instituição de Crédito

Desenho do Modelo

Qualidade de Dados

Aplicação Interna (Teste de Uso)

Ilustração 1 – Processo de validação de sistemas de classificação de risco de crédito Fonte: Adaptado de DEUTSCHE BUNDESBANK, 2003, p.60.

Nesse contexto, este estudo buscará resposta à seguinte questão: Qual o poder discriminante das classificações de risco das operações de crédito divulgadas pelas IFs brasileiras nas notas explicativas de seus balanços? 6

Objetivo da pesquisa

O objetivo geral do estudo será verificar, por meio de pesquisa empírica, qual o poder discriminante das classificações de risco de crédito divulgadas pelas IFs brasileiras em suas demonstrações contábeis segundo o que estabelece a Resolução 2.682/1999 do Conselho Monetário Nacional (CMN). Além do objetivo geral citado acima, o estudo possui ainda objetivos específicos que auxiliam na compreensão da situação encontrada, quais sejam: a. verificar se existe relação entre o tipo de controle da IF – público, privado nacional ou privado estrangeiro – e o poder discriminante de seu sistema de classificação de risco de crédito; b. verificar se IFs de maior porte possuem sistemas de classificação de risco de crédito com maior poder discriminante que IFs de menor porte; c. verificar se existe relação entre o tipo de IF e o poder discriminante. 2

Principais Métodos de Validação do Poder Discriminante de Modelos de Classificação de Risco de Crédito

Van Deventer e Imai (2003, p. 96) observam que, embora a validação de modelos de classificação de risco de crédito esteja em seus primeiros estágios, os métodos estatísticos que podem ser aplicados para esse propósito já estão bem estabelecidos, uma vez que são bastante utilizados em outras áreas de conhecimento, tais como a física, a eletrônica e principalmente a medicina. De fato, vários autores (TASCHE, 2006, p. 14; DEUTSCHE BUNDESBANK, 2003, p. 61; SUN; WANG, 2005, p. 3; ENGELMANN et al., 2003, p. 1) mencionam que existem diversos métodos que podem ser utilizados para validar o poder discriminante de um sistema de classificação de risco. Contudo, observa-se na literatura certa convergência na escolha desses métodos. Observando o Quadro 1, fica nítida a maior incidência dos métodos ROC (Receiver Operating Characteristic), cujo índice relacionado é a AUROC (Area Under a ROC 7

curve) ou coeficiente de Pietra; e CAP (Cumulative Accuracy Profile), também conhecido como curva de Gini e curva de Lorentz (BANK OF JAPAN, 2005, p. 45; DANMARKS NATIONALBANK, 2005, p. 28), cujo índice relacionado é o AR (Accuracy Ratio). Quadro 1 – Métodos de validação do poder discriminante Técnica Sugerida ou Utilizada / Schetchman Índice et al (2004) Relacionado

CAP / AR; Gini; Lorentz

ROC / AUROC; Coeficiente de Pietra

Sobehart Karakoulas et al (2005) (2000)

Escore de Brier

Autor(es) Gouvêa e Iscanoglu Gonçalves (2005) (2006)

Van Servigny e Hornik et Deventer e Renault al (2005) Imai (2003) (2004)

Taxa de Erro Bayesiana

Valor da Informação

Kendall’s τ e Somers’ D

Além de serem os métodos predominantes na literatura, Engelmann et al. (2003) demonstram que existe uma relação linear entre o índice que sumariza a curva CAP, o AR, e o índice que sumariza a curva ROC, o AUROC, com a seguinte forma: AR = 2 * AUROC − 1

Sendo assim, conhecendo o valor da AUROC, o valor de AR pode ser calculado diretamente e vice-versa, logo, pode-se afirmar que ambos os índices contêm a mesma informação a respeito do poder discriminante do modelo e que a qualidade da medição realizada é a mesma, não importando o método utilizado. Posto isso, foi utilizado o método ROC para a medição do poder discriminante pois, conforme poderá ser verificado adiante, esse método apresenta uma forma bastante intuitiva de estimação de seu índice.

Receiver Operating Characteristic (ROC) e Area Under a ROC curve (AUROC)

O ROC é um método visual que pode ser construído a partir de duas amostras de escores, uma para casos anormais, como devedores inadimplentes, e outra para casos normais. O método possui a conveniência de não exigir que a composição da amostra utilizada para a estimação da AUROC reflita a proporção de casos anormais e normais da população (BCBS, 2005a, p. 30). Segundo Braga (2000), a análise ROC teve origem na teoria de decisão estatística e foi desenvolvida entre 1950 e 1960, na avaliação de sinais de radar e na psicologia sensorial. A análise ROC foi, desde então, aplicada com sucesso a uma grande variedade de testes de diagnósticos, sobretudo no diagnóstico de imagem médica. Engelmann et al. (2003) ilustram como construir uma curva ROC. Primeiramente, é necessário determinar duas curvas de distribuição de escores de classificação, uma para devedores que, posteriormente ao processo de classificação, se mostraram inadimplentes (defaulters); e outra para aqueles que se mostraram adimplentes (nondefaulters). Exemplos dessas curvas encontram-se no Gráfico 1. Os autores observam ainda que, em um sistema de classificação perfeito, as curvas de distribuição estariam completamente separadas; todavia, em sistemas normais de classificação, as curvas estarão sobrepostas, tais como estão no Gráfico 1.2 O passo seguinte na construção da curva ROC é determinar um ponto de corte C. Supondo que alguém tenha, ex ante, de determinar, a partir das classificações de risco atribuídas pelo sistema, quais devedores se tornarão inadimplentes e quais não se tornarão, uma das possibilidades de se realizar essa tarefa é por meio do estabelecimento de um ponto de corte C tal como ilustrado no Gráfico 1. Procedendo dessa forma, todos os devedores com escore inferior a C serão classificados como inadimplentes, e os com escore superior, como adimplentes.

No trabalho de Engelmann et al. (2003), são utilizados os termos defaulters e non-defaulters, que optamos por traduzir livremente como, respectivamente, inadimplentes e adimplentes. 9

Adotando o procedimento descrito acima, quatro diferentes resultados de predição são possíveis: −

o escore está abaixo do ponto de corte C e o devedor mostrou-se inadimplente, ou seja, resultado correto;

o escore está acima do ponto de corte C e o devedor mostrou-se inadimplente, ou seja, resultado incorreto;

o escore está abaixo do ponto de corte C e o devedor mostrou-se adimplente, ou seja, resultado incorreto;

o escore está acima do ponto de corte C e o devedor mostrou-se adimplente, ou seja, resultado correto.

Escore Gráfico 1 – ROC – Distribuição de escores Fonte: Adaptado de ENGELMANN et al., 2003, p. 84.

Utilizando a notação de Engelmann et al. (2003), uma taxa de acerto, ou hit rate (HR), pode ser definida como:

Onde: H (C ) é o número de devedores inadimplentes classificados corretamente, ex

ante, utilizando o ponto de corte C, cujo valor é igual à de cor amarela no Gráfico 1; N D é o número total de devedores inadimplentes na amostra.

Já uma taxa de falso alarme, ou false alarm rate (FAR), cujo valor é igual à área marrom no Gráfico 1, é definida pelos autores como sendo:

F (C ) é o número de falsos alarmes, ou seja, o número de devedores adimplentes

que foram classificados, ex ante, incorretamente como inadimplentes ao utilizar o ponto de corte C; −

N ND é o número total de devedores adimplentes na amostra.

Definidas essas razões, o passo seguinte para a construção da curva ROC é, para cada valor possível de C no intervalo de escores do sistema, calcular os respectivos valores de HR(C ) e FAR(C ) . Obtidos esses valores de HR(C ) e FAR(C ) , a curva ROC é, então, traçada conforme pode ser observado no Gráfico 2.

Modelo em Análise

Gráfico 2 – Curva ROC. Fonte: Adaptado de ENGELMANN et al., 2003, p. 84.

Um sistema de classificação será tão melhor quanto maior for sua proximidade em relação ao ponto (0,1), uma vez que esse ponto representa uma taxa de acerto igual a 100% e uma taxa de falso alarme igual a 0%. Ainda segundo Engelmann et al. (2003), a área abaixo da curva, denominada area under a ROC curve (AUROC), pode ser calculada segundo a seguinte equação: 1

AUROC = ∫ HR( FAR)d ( FAR) 0

Essa área possui um valor igual a 0,5 para modelos de classificação aleatórios sem nenhum poder discriminante e valor igual a 1,0 para modelos de classificação perfeitos. Assim sendo, para modelos de classificação reais com algum poder discriminante, espera-se encontrar valores entre 0,5 e 1,0.3 Existem, ainda, outros métodos de estimação da AUROC. Dentre eles, um bastante intuitivo é o da aproximação à estatística U de Wilcoxon-Mann-Whitney. O método pode ser entendido como um simples processo de pontuação em que é extraída uma amostra de tamanho n A de uma população A de casos anormais e uma amostra de tamanho n N de uma população N de casos normais, para que sejam feitas todas as 3

O modelo de classificação aleatório, o modelo de classificação perfeito e uma hipótese de modelo real estão representados no Gráfico 2, respectivamente, pelas curvas radom model, perfect model e rating model. 12

comparações possíveis dos pares de valores de x observados em n A e n N . Os pares S obtidos são, então, pontuados de acordo com a seguinte regra: ⎡1 quando x A > x N S ( xA , xN ) = ⎢ ⎢1 2 quando x A = x N ( somente em casos discretos ) ⎢⎣0 quando x A . Acesso em: 22/11/2007. BRAGA, Ana Cristina da Silva. Curvas ROC: aspectos funcionais e aplicações. Braga, 2000. Tese (doutorado em Engenharia de Produção e Sistemas) – Escola de Engenharia, Universidade do Minho. BRADLEY, A. P.; LONGSTAFF, I. D. Sample Size Estimation Using the Receiver Operating Characteristic Curve. Proceedings of the 17th International Conference on Pattern Recognition. v. 4, p. 428-431, 2004. Disponível em: Acesso em 10/12/2007. CARNEIRO, Fabio F. L. et al. Novo Acordo da Basiléia: estudo de caso para o contexto brasileiro. Resenha BM&F. São Paulo: Bolsa de Mercadorias & Futuros, n. 63, 2004. CHIANAMEA, Dante Ricardo. Basiléia II: risco de concorrência bancária. Boletim Economia Política Internacional: Análise Estratégica. Campinas: Unicamp, n. 8, p. 53-62, 2006. Disponível em : . Acesso em: 13/5/2007. CONSELHO MONETÁRIO NACIONAL. Resolução 2.607, de 27/05/1999. Brasília, 1999a. Disponível em: . Acesso em 18/12/2007. ______.Resolução 2.682, de 21/12/1999. Brasília, 1999b. Disponível em: . Acesso em 7/12/2007. DALENIUS, Tore; HODGES Jr., Joseph L. Minimum Variance Stratification. Journal of the American Statistical Association. [S.I.]: American Statistical Association, v. 54, n. 285, p. 88-101, 1959. Disponível em: . Acesso em 18/12/2007.

DANMARKS NATIONALBANK. Testing the Assumptions of Credit-scoring Models. Working Paper 28/2005. Copenhagen, 2005. Disponível em: . Acesso em: 22/11/2007. DEUTSCHE BUNDESBANK. Approaches to the validation of internal rating systems. Deutsche Bundesbank Monthly Reports. [Berlim], v. 55, n. 9, p. 59-71, 2003. ENGELMANN Bernd et al. Testing Rating Accuracy. Risk. [S.l.], v. 16, n. 1, p. 82-86, 2003. Disponível em: Acesso em: 31/5/2007. GARCIA, Valéria Salomão. Gerenciamento de riscos em instituições financeiras e o Novo Acordo de Capital. In: DUARTE JUNIOR, Antônio Marcos; VARGA, Gyorgy (org.). Gestão de Riscos no Brasil. 1. ed. Rio de Janeiro: Financial Consultoria, 2003. GOUVÊA, Maria Aparecida; GOLÇALVES, Eric Bacconi. Análise de risco de crédito com o uso de modelos de redes neurais a algoritmos genéricos. IX SEMEAD – SEMINÁRIOS EM ADMINISTRAÇÃO FEA-USP. Resumo dos Trabalhos. São Paulo, 2006. Disponível em: . Acesso em 26/11/2007. HAIR, Joseph F. et al. Multivariate Data Analysis. 5. ed. New Jersey: Prentice Hall, 1998. HANLEY, James A.; MCNEIL, Bárbara J. A Method of Comparing the Areas under Receiver Operating Characteristic Curves Derived from the Same Cases. Radiology. Oak Brook: The Radiological Society of North America, v. 148, p. 839-843, 1983. HORNIK, Kurt et al. Validation of Credit Rating Systems Using Multi-Rater Information. Risk Management Abstracting Journal. [S.I]: FEN Subject Matter Journals, n. 5, v. 6, 2006. Disponível em: Acesso em: 15/5/2007. ISCANOGLU, Aysegul. Credit Scoring Methods and Accuracy Ratio. Ankara, 2005. Dissertação (Mestrado em Matemática Aplicada) – Department of Financial Mathematics, Institute of Applied Mathematics, The Middle East Technical University. Disponível em: . Acesso em: 21/5/2007. KARAKOULAS, Grigoris. Validação empírica de modelos de scoring de crédito para varejo. Tecnologia de Crédito. São Paulo: Serasa, n. 9, v. 51, p. 7-21, 2005. MANN, H. B.; WHITNEY, D. R. On a Test of Whether one of Two Random Variables is Stochastically Larger Than the Other. The Annals of Mathematical Statistics. n. 1, v. 18, p. 50-60, 1947. Disponível em: . Acesso em 10/12/2007. MAROCO, João. Análise estatística com utilização do SPSS. 2. ed. Lisboa: Sílabo, 2003. 42

MASON, Robert Deward et al. Statistical Techniques in Business and Economics. 10. ed. [S.I.]: Irwin McGraw-Hill, 1999. PRIMO, Uverlan Rodrigues. Relação da provisão para créditos de liquidação duvidosa das instituições financeiras do Brasil com a inadimplência do setor. 3º Congresso USP Controladoria e Contabilidade. São Paulo, 2003. SCHETCHMAN, Ricardo et al. Aferindo o poder discriminatório dos modelos de classificação de risco de crédito. In: Semana da Contabilidade, 10. Brasília, 2004. Disponível em: . Acesso em: 21/5/2007. SERVIGNY, Arnaud de; RENAULT, Olivier. Measuring and Managing Credit Risk. New York: McGraw-Hill, 2004. SICSÚ, Abraham Laredo. Desenvolvimento de um Sistema de Credit Scoring. In: DUARTE JUNIOR, Antônio Marcos; VARGA, Gyorgy (org.). Gestão de riscos no Brasil. 1. ed. Rio de Janeiro: Financial Consultoria, 2003. SOBEHART, Jorge et al. Benchmarking Quantitative Default Risk Models: A Validation Methodology. Moody’s Rating Methodology. New York: Moody’s Investors Service, 2000. Disponível em: . Acesso em: 21/5/2007. SPSS, Inc. Spss Statistical Algorithms. 2. ed. Chicago: SPSS, 1996. SUN, Ming-Yi; WANG, Szu-Fang. Validation of Credit Rating Models – A Preliminary Look at Methodology and Literature Review. JCIC Column. Taipei: Joint Credit Information Center, v. 1, n. 1, 03/2005. Disponível em: . Acesso em: 12/5/2007. TASCHE, Dirk. Validation of internal rating systems and PD estimates. Working Paper. [S.I], 2006. Disponível em: . Acesso em 19/5/2007. VAN DEVENTER, Donald R; IMAI Kenji. Credit Risk Models & the Basel Accords. Singapura: Jonh Wiley & Sons, 2003. VICENTE, Paula et al. Sondagens: a amostragem como factor decisivo de qualidade. 2. ed. Lisboa: Edições Silabo, 2001.

Apêndice 1 – Testes Qui-Quadrado E Anova

Código de Estimativa AUROC = Tipo de Porte da Identificação da AUROC 0,5 Controle da IF IF da IF

Tipo de IF – Transformado

Não-bancário – Sociedade de Arrendamento Mercantil Outros

Não-bancário – Sociedade de Arrendamento Mercantil Outros

Melhores corretores de opcoes binarias 2020:
  • Binomo
    Binomo

    O melhor corretor!
    Conta demo gratuita e treinamento para iniciantes!
    Inscreva-se bonus!

  • FinMax
    FinMax

    Corretor de opcoes binarias confiavel! Boa resposta!

Like this post? Please share to your friends:
Como negociar opções binárias
Deixe uma resposta

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: