dc.contributor.author | Lima, Thais Maíra Gonçalves de | |
dc.date.accessioned | 2022-05-06T22:08:26Z | |
dc.date.available | 2022-05-06T22:08:26Z | |
dc.date.issued | 2022-04-07 | |
dc.identifier.citation | LIMA, Thais Maíra Gonçalves de. Um estudo sobre a provisão de consórcio com séries temporais e machine learning. 2022. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/16067. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/16067 | |
dc.description.abstract | The consortium sector of a particular company works by dividing its customers into groups that start and finish at the same time the payment of installments of a combined amount to obtain their own vehicle. The acquisition of this car is carried out by drawing lots that take place at any time between the payment of the installments. The provision is a capital that the company needs to maintain in the event that customers in this group withdraw from paying these installments. If, at the end of the group, the company is unable to obtain the amount it had determined, another sector of the same organization will supply the necessary with the loan that will be essential for the group. Therefore, the greater the group’s default, the greater the loan amount that the company must reimburse in the consortium. In order to find ideal models that can estimate the necessary forecast of the provision and the value of the loan over time, two of the usual time series models were used: ARIMA and Exponential Smoothing - Holt Winters, which more approached the predicted values; and a Booosting - Machine Learning application. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Alisamento exponencial | por |
dc.subject | ARIMA | por |
dc.subject | Consórcio | por |
dc.subject | Empréstimo | por |
dc.subject | Previsão | por |
dc.subject | Provisão | por |
dc.subject | Machine learning | eng |
dc.title | Um estudo sobre a provisão de consórcio com séries temporais e machine learning | por |
dc.title.alternative | A study on consortium provisioning with time series and machine learning | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Moura, Maria Sílvia de Assis | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9410151859448447 | por |
dc.description.resumo | O setor de consórcio de uma determinada empresa tem como funcionamento a divisão de seus clientes em grupos que iniciam e finalizam ao mesmo tempo o pagamento de parcelas de um valor combinado para a obtenção de um veículo próprio. A aquisição desse automóvel é realizada por sorteios que acontecem em qualquer momento entre o pagamento das parcelas. A provisão é um capital que a empresa necessita manter para o caso em que houver desistência dos clientes desse grupo do pagamento dessas prestações. Se no encerramento do grupo a empresa não conseguir obter o valor que havia determinado, outro setor da mesma organização suprirá o necessário com o empréstimo que será essencial para o grupo. Logo, quanto maior a inadimplência do grupo, maior será o valor de empréstimo que a empresa deverá ressarcir no consórcio. Para encontrar modelos ideais que consigam estimar a previsão necessária da provisão e o valor do empréstimo em relação ao tempo, foram utilizadas duas das modelagens usuais de séries temporais: ARIMA e Alisamento Exponencial - Holt Winters, que mais se aproximou dos valores previstos; e uma aplicação de Booosting - Machine Learning. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::INFERENCIA EM PROCESSOS ESTOCASTICOS | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/3227699549617808 | por |
dc.publisher.course | Estatística - Es | por |