Este projeto utiliza métodos de pesquisa quantitativa, machine learning e análise de dados para resolver desafios nos setores financeiro e energético. A análise foca-se no desenvolvimento de modelos de preços para contratos de gás natural, estimativa de probabilidades de incumprimento de empréstimos e previsão de perdas para bancos. Foram utilizadas técnicas como clustering K-means, métodos de machine learning e decomposição de séries temporais para fornecer insights acionáveis.
Destaques do projeto:
Desenvolvimento de um protótipo de modelo de preços para contratos de gás natural, baseado em preços estimados para compra/venda em datas específicas, taxa de injeção/retiro do gás em armazenamento, e seus custos.
Estimativa da probabilidade de incumprimento de empréstimos e da perda esperada para um banco, analisando uma carteira de empréstimos com técnicas de machine learning.
Uso de quantização para categorizar scores FICO em buckets reduzidos, facilitando o manuseio dos dados e garantindo aplicabilidade do modelo em futuros conjuntos de dados.