Este estudo desenvolve um modelo preditivo para estimar o risco de inadimplência em Fundos de Investimento em Direitos Creditórios (FIDCs) no Brasil, utilizando exclusivamente dados públicos padronizados divulgados pela Comissão de Valores Mobiliários (CVM). A pesquisa cobre o período de novembro de 2020 a março de 2025 e integra três etapas principais: (i) extração de fatores latentes via Análise Fatorial Exploratória (EFA), identificando padrões estruturais comuns de inadimplência; (ii) segmentação dos FIDCs em clusters de risco semelhantes por meio de técnicas de agrupamento; e (iii) modelagem preditiva com econometria em painel e algoritmos de aprendizado de máquina, como Random Forest, XGBoost, Elastic Net e Redes Neurais Profundas. O desempenho dos modelos foi avaliado com rolling forecast multihorizonte e validado estatisticamente pelo Model Confidence Set (MCS), além de combinação por ensemble ponderado por acurácia. Os resultados evidenciam que a integração de fatores latentes, clusterização e previsão supervisionada permite antecipar trajetórias de inadimplência com elevada precisão, inclusive em fundos sem rating formal, promovendo maior transparência, eficiência e acessibilidade no mercado de securitização brasileiro

This study develops a predictive model to estimate default risk in Brazilian Receivables Investment Funds (FIDCs), relying exclusively on standardized public data released by the Brazilian Securities and Exchange Commission (CVM). The research covers the period from November 2020 to March 2025 and integrates three main stages: (i) extraction of latent factors via Exploratory Factor Analysis (EFA), identifying common structural patterns of default; (ii) segmentation of FIDCs into similar risk clusters using clustering techniques; and (iii) predictive modeling with panel econometrics and machine learning algorithms, such as Random Forest, XGBoost, Elastic Net, and Deep Neural Networks. Model performance was assessed with multi-horizon rolling forecasts and statistically validated by the Model Confidence Set (MCS), in addition to an accuracy-weighted ensemble. The results show that integrating latent factors, clustering, and supervised forecasting makes it possible to anticipate default trajectories with high accuracy—even for funds without a formal rating—thus promoting greater transparency, efficiency, and accessibility in Brazil’s securitization market.