A carregar...
Publicação
Predicting financial vulnerability in the portuguese population : a machine learning approach
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.29 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Financial vulnerability is a real concern in Portugal with many households struggling to cope with a sudden shock equivalent to one month of income. This dissertation explores whether such vulnerability can be reliably predicted from survey responses, and which characteristics drive this prediction. Based on the 4th Survey on the Financial Literacy of the Portuguese Population (Banco de Portugal, CMVM and ASF, 2023), six supervised classifiers are trained on sociodemographic, behavioural, knowledge and attitudinal variables, with the binary target derived from a self-assessed item capturing the ability to absorb an expense equal to one month of personal income without borrowing. The performance of the models is assessed through nestedcross-validation and an independent hold-out test. XGBoost emerges as the strongest model(test ROC-AUC of 0.913; PR-AUC of 0.954, computed with the resilient class as the positive label), narrowly ahead of gradient boosting and random forest. The most informative predictors are not knowledge items, as much of the literacy literature would predict, but rather concrete savings behaviour, retirement planning confidence and household income. An error analysis suggests that the population most likely to be misclassified as resilient consists of mid-incomerespondents who hold retirement products and intend to fund their retirement from personal savings, but are still unable to absorb a one-month shock, a profile worth targeting for financial education.
A vulnerabilidade financeira é uma preocupação real em Portugal, com muitos agregados familiares a lutarem para lidar com um choque inesperado equivalente a um mês de rendimento. Esta dissertação explora se essa vulnerabilidade pode ser prevista de forma fiável através de respostas a inquéritos e quais as características que impulsionam essa previsão. Com base no4.º Inquérito à Literacia Financeira da População Portuguesa (Banco de Portugal, CMVM eASF, 2023), treinaram-se seis classificadores supervisionados com variáveis sociodemográficas, comportamentais, de conhecimento e de atitude. O target binário deriva da capacidade autoavaliada de suportar uma despesa igual a um mês de rendimento sem recorrer a empréstimos. O desempenho dos modelos foi avaliado via validação cruzada aninhada e um teste independente (hold-out). O XGBoost destacou-se como o modelo mais forte (ROC-AUC de 0,913; PR-AUC de 0,954, com a classe resiliente como positiva), seguido de perto pelo gradientboosting e random forest. Os preditores mais informativos não são os itens de conhecimento, ao contrário do previsto pela literatura, mas sim o comportamento de poupança, a confiança no planeamento da reforma e o rendimento familiar. Uma análise de erros sugere que a população mais erradamente classificada como resiliente engloba respondentes de rendimento médio com produtos de reforma e intenção de se autofinanciarem, mas incapazes de absorver o choque, um perfil prioritário para a educação financeira.
A vulnerabilidade financeira é uma preocupação real em Portugal, com muitos agregados familiares a lutarem para lidar com um choque inesperado equivalente a um mês de rendimento. Esta dissertação explora se essa vulnerabilidade pode ser prevista de forma fiável através de respostas a inquéritos e quais as características que impulsionam essa previsão. Com base no4.º Inquérito à Literacia Financeira da População Portuguesa (Banco de Portugal, CMVM eASF, 2023), treinaram-se seis classificadores supervisionados com variáveis sociodemográficas, comportamentais, de conhecimento e de atitude. O target binário deriva da capacidade autoavaliada de suportar uma despesa igual a um mês de rendimento sem recorrer a empréstimos. O desempenho dos modelos foi avaliado via validação cruzada aninhada e um teste independente (hold-out). O XGBoost destacou-se como o modelo mais forte (ROC-AUC de 0,913; PR-AUC de 0,954, com a classe resiliente como positiva), seguido de perto pelo gradientboosting e random forest. Os preditores mais informativos não são os itens de conhecimento, ao contrário do previsto pela literatura, mas sim o comportamento de poupança, a confiança no planeamento da reforma e o rendimento familiar. Uma análise de erros sugere que a população mais erradamente classificada como resiliente engloba respondentes de rendimento médio com produtos de reforma e intenção de se autofinanciarem, mas incapazes de absorver o choque, um perfil prioritário para a educação financeira.
Descrição
Palavras-chave
Financial vulnerability Financial literacy Machine learning Portugal Survey data XGBoost Predictive modelling Vulnerabilidade financeira Literacia financeira Aprendizagem automática Dados de inquérito Modelação preditiva
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC