Resumo

Com rápido desenvolvimento nos sistemas de informação e a acelerada disseminação da globalização econômica, a forma de se conduzir uma avaliação eficaz do risco de crédito é uma questão de suma importância no campo de finanças. O efeito do elevado índice de insucessos empresariais pode ser devastador para investidores, acionistas, fornecedores, sociedade e de forma geral, para a economia de um país. Uma reduzida melhora na precisão da previsibilidade do risco pode proporcionar maiores retornos e minimizar os efeitos negativos na disfunção do sistema e no crescimento econômico.

Considerando a importância na gestão da incerteza e de riscos, na maximização da riqueza, na circulação corrente de recursos na economia e consequentemente, maior estabilidade econômica, o problema que estimulou esta pesquisa foi: como se apresenta o desempenho das características e das condições de desenvolvimento das literaturas relacionadas ao risco de crédito? Assim, este estudo adotou uma perspectiva para avaliar as diversas pesquisas acadêmicas com as múltiplas visões sobre risco de crédito com enfoque em financial distress, classificação de crédito, falência e Artificial Intelligence.

A gestão do risco de crédito baseada em modelos estatísticos tradicionais e em Artificial Intelligence (AI), foi pesquisada por diversos autores, tais como: Ohlson (1980) com a Regressão Logística, Beaver (1966), Altman (1968) e Taffler (1982) usaram a Multiple Discriminate Analysis, Tam e Kiang (1992), Altman, Marco e Varetto (1994), Barboza, Kimura e Altman (2017), Sun, Lang, Fujita e Li (2018), García, Marqués e Sánchez (2019), utilizaram modelos baseados em AI. As pesquisas sobre risco de crédito dividem opiniões, devido a evidência de estudos empíricos com resultados contraditórios.

A demanda para se atualizar os modelos de gestão de risco de crédito, com conjuntos de dados maiores, atualizados e por um período de tempo maior, pode trazer implicações mais amplas em termos de resultados. Altman (2002) discorre que os fatores motivacionais neste sentido incluem o refinamento das técnicas tradicionais, a inovação das soluções analíticas, com base de dados maiores e melhoradas. É necessário avaliar o nível de dependência entre as variáveis, explicando o grau de influência entre elas, de forma a implementar uma perspectiva de análise fundamentalista aos modelos computacionais.

Pode-se afirmar que a aplicação da tecnologia computacional no âmbito de análise da gestão do risco de crédito, vem angariando atenção de forma singular, principalmente após a crise financeira ocorrida em meados de 2007/2008. A melhoria na infraestrutura e evolução dos recursos computacionais contribui para armazenar e transacionar uma vasta quantidade de dados, aperfeiçoando os métodos e técnicas baseados em Artificial Intelligence. A demanda para se identificar e introduzir novas variáveis, classificadores e métodos mais assertivos de forma conjunta com a análise fundamentalista é constante.

ALTMAN, E. I., MARCO, G., VARETTO, F. Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks the Italian experience. Journal of Banking Finance, 183, 505–529, 1994. LIANG, D., TSAI, C.-F., DAI, A.-J., EBERLE, W. A novel classifier ensemble approach for financial distress prediction. Knowledge and Information Systems, 542, 437–462, 2017. TAM, K. Y., KIANG, M. Y. Managerial Applications of Neural Networks: The Case of Bank Failure Predictions. Management Science, 387, 926–947, 1992.