Anais
Resumo do trabalho
Finanças · Governança Corporativa, Risco e Compliance
Título
PREVISÃO DE DIFICULDADE FINANCEIRA COM XGBOOST: Evidências no Setor de Utilidade Pública da América Latina
Palavras-chave
Risco de Crédito
Insolvência
Estresse Financeiro
Agradecimento:
CAPES processo: 88887.823303/2023-00
Autores
-
João Pedro Silva MendesUNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU)
-
Daniel Vitor Tartari GarrutiUNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU)
-
Flavio Luiz de Moraes BarbozaUNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU)
Resumo
Introdução
O mercado financeiro latino-americano é marcado por alta volatilidade e riscos, com empresas enfrentando desafios como inadimplência e dificuldade financeira (FD). O setor de utilidade pública, essencial para a economia, demanda ferramentas robustas para prever FD. Este estudo explora o poder preditivo do XGBoost nesse contexto, visando identificar variáveis financeiras críticas e auxiliar na tomada de decisão.
Problema de Pesquisa e Objetivo
A previsão de FD em empresas latino-americanas é complexa devido à não-linearidade dos dados financeiros. O objetivo é avaliar a eficácia do XGBoost na previsão de FD no setor de utilidade pública, comparando-o com modelos tradicionais e identificando variáveis determinantes.
Fundamentação Teórica
A FD é definida como a incapacidade de cumprir obrigações financeiras, precedendo a falência. Modelos tradicionais, como regressão logística, têm limitações em capturar padrões não-lineares. O XGBoost destaca-se por sua precisão e capacidade de interpretação, superando abordagens clássicas (Huang; Yen, 2019; Barboza; Altman, 2024).
Metodologia
Foram analisados dados de 103 empresas do setor de utilidade pública (2000-2019), utilizando variáveis contábeis e de mercado. O XGBoost foi aplicado com divisão cronológica (treino: 2000-2014; teste: 2015-2019) e balanceamento por Undersampling. Métricas como AUC, acurácia e erros tipo I/II foram avaliadas. Além disso, o estudo adota quatro definições distintas de FD, baseadas em critérios contábeis, de mercado e na combinação entre ambos.
Análise dos Resultados
O XGBoost apresentou acurácia superior a 94% para FD1 e FD4, com erro tipo II zero. Variáveis como EPS e CPB foram as mais relevantes, dependendo da definição de FD (contábil ou de mercado). O modelo superou regressão logística e Random Forest em precisão e interpretabilidade.
Conclusão
O XGBoost mostrou-se eficaz na previsão de FD, especialmente em contextos setoriais específicos. A abordagem combinou alta acurácia com explicabilidade, destacando variáveis críticas como rentabilidade e valor de mercado.
Contribuição / Impacto
O estudo valida o uso de XGBoost em mercados emergentes, oferecendo uma ferramenta robusta para analistas e reguladores. A segmentação setorial aprimorou a qualidade preditiva, com implicações práticas para gestão de risco e decisões estratégicas.
Referências Bibliográficas
ALTMAN, Edward I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, v. 23, n. 4, p. 589-609, 1968.
BARBOZA, Flavio; ALTMAN, Edward. Predicting financial distress in Latin American companies: A comparative analysis of logistic regression and random forest models. The North American Journal of Economics and Finance, v. 72, p. 102158, 2024.
BARBOZA, Flavio. Data and Code (in R) for predicting Financial Distress in Latin America [Conjunto de Dados]. V1. 2023. Harvard Dataverse. https://doi.org/10.7910/DVN/ODLGNJ.
BARBOZA, Flavio; ALTMAN, Edward. Predicting financial distress in Latin American companies: A comparative analysis of logistic regression and random forest models. The North American Journal of Economics and Finance, v. 72, p. 102158, 2024.
BARBOZA, Flavio. Data and Code (in R) for predicting Financial Distress in Latin America [Conjunto de Dados]. V1. 2023. Harvard Dataverse. https://doi.org/10.7910/DVN/ODLGNJ.