Modelos de previsão de dificuldades financeiras de empresas com Machine Learning

Detalhes bibliográficos
Autor(a) principal: Barroso, Francisco Almeida
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/44823
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.
id UNB_257502abdb6b5600d75458bed6fb4b6d
oai_identifier_str oai:repositorio.unb.br:10482/44823
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Modelos de previsão de dificuldades financeiras de empresas com Machine LearningDificuldades financeirasAprendizagem de máquinaIndicadores financeirosDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.Identificar antecipadamente se uma empresa tem propensão a enfrentar dificuldades financeiras é de grande relevância para diversos agentes da economia, em especial para credores e investidores. Neste estudo, com a utilização de técnicas de Machine Learning, comparamos alguns modelos que podem contribuir para diagnosticar antecipadamente possíveis dificuldades financeiras de empresas no futuro próximo. Para realizar nossa análise capturamos dados históricos de empresas reais listadas na Bolsa de Valores do Brasil (Brasil Bolsa Balcão - B3) do período de 2002 a 2021. Nosso objetivo é prever antecipadamente o estágio de dificuldade financeira de uma empresa que possa levá-la a oficializar um pedido de Recuperação Judicial (RJ) ou um pedido de Recuperação Extrajudicial (RE) no trimestre seguinte, representando um risco para credores e investidores. Temos um problema de classificação binária, em que nossa variável dependente é a possibilidade de pedir RJ ou RE no trimestre seguinte, ou não. Para compor as variáveis explicativas extraímos indicadores financeiros das demonstrações contábeis das empresas. Com esse objetivo, testamos diferentes técnicas de classificação considerando vários algoritmos de Machine Learning, tais como Random Forest (RF), Gradient Boosting (GB), Logistic Regression (LR), Naive Bayes (NB), Suport Vector Machine (SVM) e Artificial Neural Networks (ANN). Os resultados obtidos demonstram que a maioria dos modelos estudados apresentam bom desempenho no cenário testado, sendo que o RF e o GB, considerando a métrica F1-score, superam os demais em todas as simulações. Após a execução do processo de Cross Validation K-fold, o RF supera o GB. Adicionalmente, uma importante contribuição do nosso trabalho foi demonstrar que os indicadores financeiros de liquidez, rentabilidade e endividamento desempenham um papel importante na previsão de dificuldades financeiras das empresas e que esses indicadores são, predominantemente, referentes aos três trimestres anteriores ao pedido de RJ ou RE oficializado pelas empresas.Identifying in advance whether a company is likely to face financial difficulties is of great importance for various agents of the economy, especially for creditors and investors. In this study, using Machine Learning techniques, we compare some models that can help to diagnose in advance possible financial difficulties of companies in the near future. To carry out our analysis, we captured historical data from real companies listed on the Brazilian Stock Exchange (Brasil Bolsa Balcão - B3) from 2002 to 2021. Our objective is to predict in advance the stage of financial difficulty of a company that could lead it to formalize a request for Judicial Recovery (RJ) or a request for Extrajudicial Recovery (RE) in the following quarter, representing a risk for creditors and investors. we have a problem with binary classification, in which our dependent variable is the possibility of ordering RJ or RE in the following quarter, or not. To compose the explanatory variables, we extracted financial indicators from the companies’ financial statements. With that objective, we tested different classification techniques considering several Machine Learning algorithms, such as Random Forest (RF), Gradient Boosting (GB), Logistic Regression (LR), Naive Bayes (NB), Support Vector Machine (SVM) and Artificial Neural Networks (ANN ). The results obtained demonstrate that most of the models studied present good performance in the tested scenario, and the RF and GB, considering the F1-score metric, outperform the others in all simulations. After performing the K-fold Cross Validation process, the RF exceeds the GB. Additionally, an important contribution of our work was to demonstrate that the financial indicators of liquidity, profitability and indebtedness play an important role in predicting the financial difficulties of companies and that these indicators are predominantly referring to the three quarters prior to the RJ or RE request made official by the companies.Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)Departamento de Economia (FACE ECO)Programa de Pós-Graduação em Economia, Mestrado ProfissionalCajueiro, Daniel OliveiraBarroso, Francisco Almeida2022-09-15T21:32:41Z2022-09-15T21:32:41Z2022-09-152022-06-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfBARROSO, Francisco Almeida. Modelos de previsão de dificuldades financeiras de empresas com Machine Learning. 2022. 56 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/44823A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2023-11-17T12:26:14Zoai:repositorio.unb.br:10482/44823Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2023-11-17T12:26:14Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Modelos de previsão de dificuldades financeiras de empresas com Machine Learning
title Modelos de previsão de dificuldades financeiras de empresas com Machine Learning
spellingShingle Modelos de previsão de dificuldades financeiras de empresas com Machine Learning
Barroso, Francisco Almeida
Dificuldades financeiras
Aprendizagem de máquina
Indicadores financeiros
title_short Modelos de previsão de dificuldades financeiras de empresas com Machine Learning
title_full Modelos de previsão de dificuldades financeiras de empresas com Machine Learning
title_fullStr Modelos de previsão de dificuldades financeiras de empresas com Machine Learning
title_full_unstemmed Modelos de previsão de dificuldades financeiras de empresas com Machine Learning
title_sort Modelos de previsão de dificuldades financeiras de empresas com Machine Learning
author Barroso, Francisco Almeida
author_facet Barroso, Francisco Almeida
author_role author
dc.contributor.none.fl_str_mv Cajueiro, Daniel Oliveira
dc.contributor.author.fl_str_mv Barroso, Francisco Almeida
dc.subject.por.fl_str_mv Dificuldades financeiras
Aprendizagem de máquina
Indicadores financeiros
topic Dificuldades financeiras
Aprendizagem de máquina
Indicadores financeiros
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-09-15T21:32:41Z
2022-09-15T21:32:41Z
2022-09-15
2022-06-24
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv BARROSO, Francisco Almeida. Modelos de previsão de dificuldades financeiras de empresas com Machine Learning. 2022. 56 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/44823
identifier_str_mv BARROSO, Francisco Almeida. Modelos de previsão de dificuldades financeiras de empresas com Machine Learning. 2022. 56 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/44823
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508315125743616

Registros relacionados