PT
Este estudo investiga a aplicação de técnicas de aprendizagem supervisionada Machine
Learning (ML) na avaliação de crédito pessoal, com especial atenção à sua relevância para
populações sub-bancarizadas e às potenciais implicações para o setor bancário português.
Devido a restrições de privacidade no acesso a dados bancários reais, recorreu-se a um
conjunto de dados sintéticos da plataforma LendingClub. Embora tenha origem num contexto
de peer-to-peer lending, o dataset foi reinterpretado sob a ótica da banca comercial e
mapeado, tanto quanto possível, com os critérios de avaliação de solvabilidade definidos pelo
sistema bancário.
A investigação seguiu a metodologia CRISP-DM (Cross-Industry Standard Process for
Data Mining), abrangendo compreensão dos dados, pré-processamento, análise de correlação
e seleção de variáveis, modelação e avaliação. Foram testados diversos algoritmos de
aprendizagem supervisionada em cenários de classes equilibradas e não-equilibradas,
refletindo a predominância de casos de não-incumprimento nos mercados de crédito. Os
métodos de ensemble, em particular o LightGBM e o AdaBoost, superaram os modelos
tradicionais em termos de recall, accuracy e AUC-ROC, demonstrando forte capacidade
discriminatória na identificação de incumprimentos. A Regressão Logística, usada como
referência, manteve relevância devido à sua interpretabilidade e alinhamento regulatório.
Para além da performance técnica, o estudo evidencia a importância da transparência e da
equidade na avaliação de crédito. A análise de importância das variáveis confirmou que os
modelos de ML priorizam critérios próximos dos do Banco de Portugal, reforçando a sua
pertinência institucional.
Combinando rigor metodológico e reflexão sobre inclusão financeira, a investigação
mostra como o ML pode complementar práticas tradicionais em Portugal, aumentando a
precisão preditiva e promovendo acesso mais justo ao crédito.
EN
This study investigates the application of machine learning (ML) techniques in personal credit
assessment, with particular attention to their relevance for underbanked populations and their
implications for the banking sector. Due to strict privacy and governance restrictions on
access to real banking data, a synthetic dataset from the LendingClub platform was employed.
While originating in a peer-to-peer lending context, the dataset was reinterpreted through the
lens of commercial banking and mapped, as far as possible, against the creditworthiness
assessment criteria defined by the Bank of Portugal.
The research followed the Cross-Industry Standard Process for Data Mining
(CRISP-DM), covering data understanding, preprocessing, feature selection, modeling, and
evaluation. Multiple supervised learning algorithms were tested under both unbalanced and
balanced class distributions, reflecting the prevalence of non-default cases in real credit
markets. Ensemble methods, particularly LightGBM and AdaBoost, outperformed traditional
models in recall, accuracy, and AUC-ROC, demonstrating strong discriminatory capacity in
identifying defaults. Logistic Regression, used as a benchmark, retained value due to its
interpretability and regulatory alignment.
Beyond technical performance, the study emphasizes transparency and fairness in credit
scoring. Feature importance analysis confirmed that ML models prioritize variables aligned
with Portuguese credit assessment practices, reinforcing their institutional relevance. By
combining methodological rigor with a reflection on inclusiveness, this research contributes
to ongoing debates on responsible credit risk modeling. The findings suggest that ML can
complement traditional approaches in Portugal, improving predictive accuracy while
supporting more equitable access to credit.
