Resumo

Os avanços computacionais permitem que ferramentas de inteligência artificial estejam cada vez mais disponíveis, trazendo outros formatos de dados antes indisponíveis. Ao mesmo tempo, o cenário de Big Data traz em uma de suas dimensões o V de Variedade, que compreende os dados não estruturados, incluindo dados em texto, objeto de análise deste artigo, que vem sendo o foco de diversas pesquisas na área contábil-financeira pela sua flexibilidade e riqueza de informação, podendo gerar importantes insights para processos decisórios de diferentes naturezas.

O objetivo deste trabalho é propor uma medida de risco para instituições financeiras a partir do conteúdo das notas explicativas, baseada em técnicas de mineração de texto. Pretende-se analisar a possibilidade de mostrar a efetividade de gerenciamento de risco a partir de uma medida que utiliza o conteúdo textual das notas explicativas, dado que estas são o espaço de detalhamento informacional das demonstrações financeiras e que há uma crescente busca para aplicação de técnicas que possibilitam um melhor uso dessas informações para tomada de decisão.

Há na literatura evidências de que as informações de risco divulgadas por instituições financeiras estão cada vez mais extensas, mas desconectadas das demonstrações financeiras, tornando-as de difícil identificação de relevância pelos usuários. O campo ainda é incipiente no Brasil, considerando especificamente o texto das notas explicativas: os trabalhos ainda são mais focados em análises léxicas e volumétricas em relação a tamanho e quantidade de palavras, e não no seu conteúdo.

A pesquisa caracteriza-se como quantitativa e exploratória. Foram coletados 241 trechos de texto sobre gerenciamento de risco de 32 instituições financeiras autorizadas pelo Banco Central, sendo 18 Sociedades de Crédito, Financiamento e Investimentos e 14 Agências de Fomento. Os trechos foram comparados com o trecho da Resolução 4.557/17 que trata sobre gestão de riscos integrados através do cálculo da similaridade de cosseno, medida de distância de textos projetos em um espaço vetorial. Para comparação e benchmarking, foram utilizados os índices de Basiléia e Inad90 (Inadimplência 90 dias).

Apesar da Resolução mencionar seis tipos de riscos diferentes, nem todos aparecem relevância nos textos. Para Financeiras, houve destaque para complexidade de produtos, enquanto que para Agências apareceu o problema de lavagem de dinheiro. Ambas compartilharam a menção à inadequação de processos. Os achados permitem concluir que não há relação da medida com as métricas de risco. Ainda, foi possível levantar a hipótese de baixa variabilidade do texto por empresa, o que pode indicar afastamento do texto sobre risco da nota explicativa e a política de risco, ou até mesmo algum reuso do texto.

Para realizar uma comparação da efetividade da medida e uma reflexão sobre seu potencial, a similaridade de cosseno foi comparada com outras duas métricas de risco tradicionais. De uma forma geral, não houve evidência que suportasse a relação entre a similaridade de cosseno e os índices de risco. Essa baixa correlação com os índices quantitativos denota uma possível distância entre essa informação e a atual prática de gestão de risco das organizações. Ainda, houve baixa variabilidade, dentro de uma mesma instituição, entre os períodos, diferente do que ocorre com os índices de risco estudados.

Aggarwal, C. C., & Zhai, C. (2012). A survey of text clustering algorithms. In Mining text data (pp. 77-128). Springer, Boston, MA. Fisher, I. E., Garnsey, M. R., & Hughes, M. E. (2016). Natural language processing in accounting, auditing and finance: A synthesis of the literature with a roadmap for future research. Intelligent Systems in Accounting, Finance and Management, 23(3), 157-214 Ryan, S. G. (2012). Risk reporting quality: Implications of academic research for financial reporting policy. Accounting and business research, 42(3), 295-324.