Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes

Abstract

Previsão de falências pode ter grande utilidade para instituições financeiras e não financeiras no que se refere a tomar, antecipadamente, as melhores decisões possíveis quanto a empréstimos ou investimentos. Na literatura específica, muitos modelos de previsão de falência têm feito uso de técnicas de data mining (mineração de dados). O pré-processamento é passo importante para selecionar dados de boa qualidade para utilização em operações de mineração. Mesmo assim, apesar de a seleção de atributos poder ser muito benéfica para pré-selecionar dados representativos visando melhorar o desempenho da previsão final, não se sabe que método de seleção é o melhor. Este trabalho tem como objetivo principal comparar as duas abordagens mais utilizadas de avaliação de subconjuntos de atributos: Filtro e Wrapper. Apesar de serem fundamentadas em técnicas de mineração de dados e muito utilizadas na etapa de seleção de atributos em modelos de previsão de insolvência, essas técnicas são muito pouco utilizadas para tratar dados obtidos em demonstrativos contábeis de empresas brasileiras. Por isso, a base empírica deste estudo consiste em uma amostra de empresas comerciais e industriais brasileiras, coletando-se dados relativos ao período 2004-2011. Os resultados indicaram que, na amostra estudada, a abordagem Filtro foi a mais eficiente, fornecendo melhores resultados de classificação tanto para a técnica de regressão logística (91,80%), quanto para redes neurais (93,98%). Foi demonstrada, ainda, a importância da explicitação da etapa de avaliação da seleção de atributos para a obtenção de melhores resultados em aplicações de técnicas de mineração de dados na previsão de insolvência. Uma conclusão específica a respeito das vantagens da abordagem Filtro aponta que ela pode ser a preferida para avaliar os atributos que irão compor os modelos preditivos.

Predicting financial distress in publicly-traded companies

“…Horta, Borges, Carvalho, and Alves (2011) and Horta, Alves, and Carvalho (2013) report that bankruptcy forecasting models offer an advanced tool for analysts and credit managers that is free from subjective influences and that makes it possible to obtain a reliable classification regarding a company's future ability to continue honoring its financial commitments.…”

As restrições financeiras de firmas brasileiras têm relação com a governança corporativa?

“…Na prática, quando uma empresa consegue melhorar seu desempenho e seus indicadores econômico-financeiros, ela também consegue reduzir suas falhas operacionais, realinhar sua gestão de caixa e gerar maior segurança aos stakeholders (Horta, Alves & Carvalho, 2014). Estudos clássicos e seminais como os de Beaver (1966) e Altman (1968) encontraram relações financeiras determinantes do fracasso empresarial e verificaram indicadores financeiros com o intuito de prever falências organizacionais.…”

Predição De Insolvência De Empresas Através Da Inteligência Artificial - Técnicas De Aprendizado De Máquina

“…Alguns dos principais trabalhos de pesquisa, nos quais foi utilizado o modelo de análise discriminante, ficou conhecido como termômetro da insolvência de Kanitz e o Z-score de Altman no Brasil. Ainda assim, encontramos poucos trabalhos de pesquisa no âmbito acadêmico fazendo junção da teoria financeira com abordagem tecnológica Carvalho, 2014;Rebouças, 2015).…”

“…Tal valor será estimado utilizando os demais atributos (os de entrada). Assim, o objetivo do aprendizado de máquina é aprender, a partir de um subconjunto de dados, denominado conjunto de treinamento, um modelo ou hipótese capaz de relacionar os valores de atributos de entrada de um objeto de conjunto de treinamento ao valor de seu atributo de saída (Horta et al, 2014).…”