Resumo

Diversos estudos vêm sendo desenvolvidos a respeito de decisões de financiamento com ênfase no emprego de variáveis determinantes do nível de endividamento das empresas. Apesar da relevância desse fenômeno, poucos estudos abordaram essa temática em momentos de crises, especialmente as recentes: pandemia de Covid-19 e invasão da Ucrânia pela Rússia. Ademais, usualmente são empregados modelos estatísticos para previsão de endividamento corporativo, mas ainda há poucos resultados em termos do uso de algoritmos de inteligência artificial (IA) em estudos relacionados às finanças corporativas.

Reconhecendo e explorando a lacuna supracitada, a pesquisa, cujos resultados são apresentados neste trabalho, propôs a seguinte questão de pesquisa: qual o desempenho de algoritmos de IA na previsão do nível de endividamento corporativo considerando períodos de crise? Nesse sentido, o estudo visou avaliar o desempenho de algoritmos de IA na previsão do nível de endividamento de empresas em períodos de crise. Para isso, foram analisados dados de 11.944 empresas de países que fazem parte do Grupo dos Vinte (G20) entre 2019 e 2022.

Usualmente, enfocam-se modelos estatísticos para análise do nível de endividamento a partir de variáveis clássicas determinantes, apesar do aumento expressivo da aplicação de algoritmos de IA, tais como: Redes Neurais Artificiais (RNA) e Random Forest (RF). Ademais, em países considerados desenvolvidos, são esperadas informações contábeis com maior qualidade, assim como maior eficiência de mercado para a precificação das informações, devido ao melhor ambiente institucional, com segurança jurídica e proteção aos acionistas minoritários, o que tende a melhorar o desempenho dos modelos estimados.

Foi realizado um estudo descritivo e aplicado com base em dados secundários de 11.944 empresas de capital aberto dos países que compõem o G20, entre os anos de 2019 e 2022. Calcularam-se algumas das principais variáveis clássicas usadas como determinantes de endividamento. Estimaram-se regressões múltiplas lineares (RL) para cada país por ano. Foram usados 80% dos dados da amostra anualmente para o treinamento dos algoritmos de IA e 20% para avaliar o seu desempenho. Empregaram-se as seguintes técnicas para análise de dados: análise de regressão, estatística descritiva e teste de Mann-Whitney.

As variáveis clássicas determinantes do nível de endividamento foram consistentemente significantes em explicar o fenômeno estudado nas empresas do G20, mesmo em períodos de crise. A análise descritiva demonstrou superioridade dos modelos baseados em algoritmos de IA, porém, apenas em alguns períodos essa superioridade foi estatisticamente significante. Os modelos estimados para empresas de países desenvolvidos (usualmente com maior eficiência de mercado e da qualidade da informação contábil), foram consistentemente superiores àqueles estimados para países emergentes.

As variáveis clássicas determinantes do nível de endividamento foram significantes de forma consistente nos modelos analisados, ratificando sua importância para explicação desse fenômeno mesmo em períodos de crise. Já os modelos estimados com base em algoritmos de IA não apresentaram desempenhos significantes e consistentemente superiores aos modelos baseados em RL durante todo o período de análise. Contudo, verificou-se que os modelos baseados em tais algoritmos estimados para empresas de países desenvolvidos tenderam a apresentar desempenho superior em relação aos países emergentes.

Ferreira, F. G. D. C., Gandomi, A. H., & Cardoso, R. T. N. (2021). Artificial intelligence applied to stock market trading: a review. IEEE Access, 9, 30898-30917. Prakash, N., Maheshwari, A., & Hawaldar, A. (2023). The impact of Covid-19 on the capital structure in emerging economies: evidence from India. Asian Journal of Accounting Research, 8(3), 236-249. Rundo, F., Trenta, F., Di Stallo, A. L., & Battiato, S. (2019). Machine learning for quantitative finance applications: A survey. Applied Sciences, 9(24), 5574.