Modelos de previsão de dificuldades financeiras de empresas com Machine Learning

Abstract

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.