Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio2.unb.br/jspui/handle/10482/44823
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2022_FranciscoAlmeidaBarroso.pdf792,47 kBAdobe PDFVisualizar/Abrir
Título: Modelos de previsão de dificuldades financeiras de empresas com Machine Learning
Autor(es): Barroso, Francisco Almeida
Orientador(es): Cajueiro, Daniel Oliveira
Assunto: Dificuldades financeiras
Aprendizagem de máquina
Indicadores financeiros
Data de publicação: 15-Set-2022
Referência: 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.
Resumo: 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.
Abstract: 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.
Unidade Acadêmica: Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)
Departamento de Economia (FACE ECO)
Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.
Programa de pós-graduação: Programa de Pós-Graduação em Economia, Mestrado Profissional
Licença: A 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.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.