Resumo

Em busca de melhor capacidade preditiva, estudos têm sido realizados para a identificação de dificuldades financeiras de empresas. Altman (1968) foi o grande precursor na definição de modelos preditivos para a investigação da saúde financeira organizacional. Ao realizar previsões, o surgimento de dificuldades financeiras pode ser dificultado, devido a identificação dos gargalos insolventes e a resolução deles, antes da aparição de números negativos na demonstração dos dados contábeis (SUSS; TREITEL, 2019).

Este estudo busca responder o seguinte problema: Como se comportam os modelos de aprendizado de máquina na identificação do risco de insolvência no mercado acionário brasileiro, conforme os setores de atuação? Diante disso, o objetivo do estudo é analisar o comportamento de modelos de aprendizado de máquina na identificação do risco de insolvência no mercado acionário brasileiro, considerando o foco setorial.

A insolvência corporativa é compreendida como o indicativo de que existem problemas para honrar os acordos feitos com os credores de uma empresa (KALBUANA et al., 2022). A avaliação de desempenho financeiro tornou-se uma prática essencial para estimar os riscos de inadimplência de uma empresa. Dessa forma, foram desenvolvidos modelos que auxiliam na prevenção das consequências procedentes da falência, o que permite determinar a tendência de uma empresa enfrentar problemas financeiros (GIMENES; URIBE-OPAZO, 2009).

O modelo escolhido para o agrupamento de empresas com alto ou baixo risco de insolvência foi o K-means. A variável utilizada no K-means foi o Z-Score sugerido por Citterio e King (2023). Para a análise empírica deste estudo, foram utilizados modelos supervisionados de aprendizado de máquina, como naive bayes, random forest, logit, K-NN, bagging e boosting, sendo avaliados pelas seguintes métricas: acurácia, sensibilidade, especificidade, Mean Absolut Error (MAE), Root Mean Squared Error (RMSE), Area Under the ROC Curve (AUC) e a curva Receiver Operating Characteristic (ROC).

Diante das análises apresentadas, a depender da métrica utilizada para avaliar os acertos de aprendizado de máquina, há escolhas de modelos diferentes para cada setor. Diante disso, o modelo K-NN apresentou melhores resultados para o setor de Bens Imóveis e Aluguel e Leasing e para o setor de Serviços de Utilidade Pública. Dessa forma, o K-NN representa um forte candidato para as empresas destes dois ramos. Para o setor de Informação, as métricas que apresentaram resultados compatíveis foi o de acurácia e AUC, apontando o random forest como um bom modelo.

A eficácia dos modelos é considerada de suma importância para as empresas, investidores e outras partes interessadas, uma vez que permite a adoção de medidas para mitigar o risco de insolvência e reavaliar a adequação dos ativos para inclusão em carteiras de investimento. Nesse sentido, os atores ligados aos negócios saberão com maior precisão a situação financeira dessas organizações. O modelo K-NN apresentou melhores resultados para os setores de Bens Imóveis e Aluguel e Leasing de Serviços de Utilidade Pública. O random forest apresentou melhores resultados para o setor de Informação.

ALTMAN, Edward L. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, v. 23, n. 4, p. 589-609, set. 1968. KALBUANA, Nawang; TAQI, Muhamad; UZLIAWATI, Lia; RAMDHANI, Dadan. The Effect of Profitability, Board Size, Woman on Boards, and Political Connection on Financial Distress Conditions. Cogent Business & Management, v. 9, n. 1, p. 1-22, 20 nov. 2022. SUSS, Joel; TREITEL, Henry. Predicting bank distress in the UK with machine learning. Staff Working Paper: Bank of England, p. 1-45, out. 2019