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

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: LEPPANEN, Rony Erik Mikael da Franca
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Economia
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Séries Temporais financeiras
Macroeconomia
Econometria
Link de acesso: https://repositorio.ufpe.br/handle/123456789/36875
Resumo: 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.
id UFPE_9c23d01fac08aa207229289482419d26
oai_identifier_str oai:repositorio.ufpe.br:123456789/36875
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling Predicting payment flows with deep learning : case study of BNDES credit cardSéries Temporais financeirasMacroeconomiaEconometriaA 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.The prediction of upcoming events can aid organisations and enterprises in making more informed decisions resulting in more desirable outcomes in terms of strategic alignment. However, financial and economic time series forecasting is a challenging task due to nonlinear dependencies and nonstationary property that real-world data commonly exhibits, among other issues. With transactional data such as payments, these issues become more apparent and relevant. This thesis seeks to find evidence whether linear modelling is sufficient for understanding the complexities that real-world financial data offers by comparing its performance to more complex models via a forecasting case study. Since the empirical data consists of payments from the BNDES Credit Card usage thus being transactional in nature, underlying interdependencies and regional market dynamics in Brazil are also discussed through descriptive statistics and illustrations. The main contributions of this thesis include developing and implementing a forecasting methodology that suits for deep learning-based methods with uni- and multivariate inputs derived from payment data. The competitiveness of deep learning methods is verified via various metrics and statistical testing. Furthermore, the literature on evaluating the regional influence of BNDES in Brazil is expanded, and the empirical application to the BNDES Credit Card data is the first of its kind.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em EconomiaRAMOS, Francisco de SousaTÁVORA JÚNIOR, José Lamartinehttp://lattes.cnpq.br/1190610699976105http://lattes.cnpq.br/7901516389944655LEPPANEN, Rony Erik Mikael da Franca2020-03-05T22:06:12Z2020-03-05T22:06:12Z2019-08-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfLEPPANEN, Rony Erik Mikael da Franca. Predicting payment flows with deep learning: case study of BNDES credit card. 2019. Dissertação (Mestrado em Economia) – Universidade Federal de Pernambuco, Recife, 2019.https://repositorio.ufpe.br/handle/123456789/36875porAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2020-03-06T05:17:02Zoai:repositorio.ufpe.br:123456789/36875Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212020-03-06T05:17:02Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv Predicting payment flows with deep learning : case study of BNDES credit card
title Predicting payment flows with deep learning : case study of BNDES credit card
spellingShingle Predicting payment flows with deep learning : case study of BNDES credit card
LEPPANEN, Rony Erik Mikael da Franca
Séries Temporais financeiras
Macroeconomia
Econometria
title_short Predicting payment flows with deep learning : case study of BNDES credit card
title_full Predicting payment flows with deep learning : case study of BNDES credit card
title_fullStr Predicting payment flows with deep learning : case study of BNDES credit card
title_full_unstemmed Predicting payment flows with deep learning : case study of BNDES credit card
title_sort Predicting payment flows with deep learning : case study of BNDES credit card
author LEPPANEN, Rony Erik Mikael da Franca
author_facet LEPPANEN, Rony Erik Mikael da Franca
author_role author
dc.contributor.none.fl_str_mv RAMOS, Francisco de Sousa
TÁVORA JÚNIOR, José Lamartine
http://lattes.cnpq.br/1190610699976105
http://lattes.cnpq.br/7901516389944655
dc.contributor.author.fl_str_mv LEPPANEN, Rony Erik Mikael da Franca
dc.subject.por.fl_str_mv Séries Temporais financeiras
Macroeconomia
Econometria
topic Séries Temporais financeiras
Macroeconomia
Econometria
description 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.
publishDate 2019
dc.date.none.fl_str_mv 2019-08-30
2020-03-05T22:06:12Z
2020-03-05T22:06:12Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv LEPPANEN, Rony Erik Mikael da Franca. Predicting payment flows with deep learning: case study of BNDES credit card. 2019. Dissertação (Mestrado em Economia) – Universidade Federal de Pernambuco, Recife, 2019.
https://repositorio.ufpe.br/handle/123456789/36875
identifier_str_mv LEPPANEN, Rony Erik Mikael da Franca. Predicting payment flows with deep learning: case study of BNDES credit card. 2019. Dissertação (Mestrado em Economia) – Universidade Federal de Pernambuco, Recife, 2019.
url https://repositorio.ufpe.br/handle/123456789/36875
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Economia
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Economia
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856041856666697728

Registros relacionados