O uso de machine learning na análise de crises financeiras

• Autor(a) principal: Coelho, Felipe da Motta Alves
• Data de Publicação: 2019
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/14130
• topic: Crises financeiras; Machine learning; Redes neurais; Regressão logística; Análise de componentes principais; Aprendizado de máquina; Crise financeira; Rede neural; Regressão logística; Financial crises; Neural network; Logistics regression; Principal components analysis

Os Bancos Centrais possuem um papel fundamental na gestão de crises financeira, garantindo a estabilidade e o bom funcionamento do sistema financeiro do país. De modo a auxiliar os decisores a tomar medidas preventivas para diminuir os riscos de crise, os sistemas de alertas devem produzir sinais claros que uma crise econômica é iminente. Dentro desse contexto e com o objetivo de prever eventos relevantes na economia, este trabalho desenvolveu dois modelos de classificação, regressão logística com análise de componentes principais e redes neurais, a partir de uma base dados (Bloomberg e Reuters) com diferentes indicadores econômicos locais e mundiais. Os dois modelos foram comparados em 32 diferentes cenários, variando 4 grupos de atributos (intraday, diária, 5 dias e todos atributos), a presença dos registros referentes a crise de 2008, a comparação entre o desempenho do Brasil e de países emergentes e a utilização de ferramentas para balanceamento de classes. No melhor cenário, com todos os atributos e balanceamento de classes e sem a comparação com países emergentes e sem dados da crise de 2008, dentro de uma amostra de 538 dias, onde 38 eram dias de crise, o modelo de redes neurais conseguiu prever 87% desses dias ao mesmo tempo que foram gerados 66 alarmes falsos, em um cenário. Dentro deste mesmo cenário, o modelo de regressão logística foi capaz de prever 76% dos dias, gerando um total de 80 alarmes falsos. Os resultados mostraram também que os registros da crise de 2008 não interfiram no desempenho dos modelos, por outro lado os dados comparando o Brasil a outros países emergentes gerou um ganho de, aproximadamente, 13% e 19% para a regressão logística e redes neurais, respectivamente. Em relação aos atributos, as variações de 5 dias tiveram maior importância no desempenho, onde 7 dos 10 atributos mais importante eram variações de 5 dias. Os conhecimentos adquiridos ao longo deste trabalho geram a oportunidade para que em trabalhos futuros seja estudado mais a fundo o potencial das redes neurais e analisado outros indicadores econômicos e períodos mais longos, a fim de auxiliar a tomada de decisão da necessidade de intervenção na economia