O risco de crédito a pessoas físicas tem sido avaliado empiricamente ou por sistemas de credit score. No entanto, com o crescimento do mercado de crédito ao varejo, o assunto passou a merecer maior preocupação em razão da elevação das taxas de inadimplência, que vem causando enormes prejuízos aos doadores de recursos. Redes Neurais Artificiais (RNA) podem ser treinadas utilizando grandes quantidades de exemplos significativos. Utilizando esta técnica, as avaliações podem ser modeladas através de exemplos encontrados nos históricos dos clientes das aplicações de crédito. Contudo, a topologia e os parâmetros de aprendizado das RNA precisam ser apropriadamente estabelecidos para que a rede funcione eficientemente. Para resolver este tipo de problema, recentemente vêm sendo utilizados Algoritmos Genéticos (AG), algoritmos baseados em mecanismos genéticos e de seleção natural, que podem ser utilizados para encontrar as arquiteturas mais eficientes. O objetivo deste projeto é investigar como o projeto de RNA pode se beneficiar de AG para a determinação de sua arquitetura e o comportamento de RNA como técnica para análise de risco crédito financeiro. Para avaliar os modelos desenvolvidos, foram utilizados dois conjuntos de dados diferentes, compostos de informações sobre aplicações reais de crédito. O primeiro deles é constituído por dados de aplicações de cartão de crédito, cujo objetivo do modelo é "imitar" a avaliação humana. O segundo é constituído por dados de clientes de crédito bancário e seus históricos de pagamento com o objetivo de prever o comportamento de futuros clientes.

However, with the growth of the massive credit market, this activity arnacted more aúention, mainly due to the increase of indebt rates, which has occasioned largelosses to the donors of the resources. Artificial Neural Networks (AIIN) can be trained using avery large quantity of significant examples. Using this technique, the credit evaluation can be modeled through the Ãamples found in the historical data of the credit applicants. Nevertheless, the topology and the learning parameters of ANNs must be adequately set for an efficient performance to be achieved. Recently Genetic Algorithms (GA) have been proposed to overcome these problems. These algorithms are based on natural selection and gãnetic mechanisms, that can be used to find adequate neural a¡chitectures. The objectives of this work is to investigate how the ANN design can benefit from the use of GA to the determination of its architecture and the behavior of ANN as a tool for financial credit analysis. To evaluate the models developed two different data sets, composed by real information about credit applications, were used. The first of these data sets is composed úy data from credit card applications, whose purpose is to imitate the human evaluation. The second data set is composed by information about banking credit customers and their payment historical data. Its pu{pose is to predict the behavioral of new customers.