Previsão de dificuldades financeiras em empresas latino-americanas via aprendizagem de máquina
Financial distress prediction in latin american companies via machine learning
| dc.contributor | Barboza, Flávio Luiz de Moraes | |
| dc.contributor | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4137269E3 | |
| dc.contributor | Penedo, Antônio Sérgio Torres | |
| dc.contributor | Albuquerque, Pedro Henrique Melo | |
| dc.creator | Marra, Vinicius Nogueira | |
| dc.date | 2019-04-01T13:50:58Z | |
| dc.date | 2019-04-01T13:50:58Z | |
| dc.date | 2019-02-14 | |
| dc.date.accessioned | 2023-09-28T20:17:44Z | |
| dc.date.available | 2023-09-28T20:17:44Z | |
| dc.identifier | MARRA, Vinicius Nogueira. Previsão de dificuldades financeiras em empresas latino-americanas via aprendizagem de máquina. 2019. 81 f. Dissertação (Mestrado em Administração) - Universidade Federal de Uberlândia, Uberlândia, 2019. Disponível em: http://dx.doi.org/10.14393/ufu.di.2019.947 | |
| dc.identifier | https://repositorio.ufu.br/handle/123456789/24750 | |
| dc.identifier | http://dx.doi.org/10.14393/ufu.di.2019.947 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9047322 | |
| dc.description | The ability to foresee financial distress in business is paramount, as decisions regarding inappropriate credit concessions may have direct and indirect financial consequences throughout the economy. Predicting bankruptcies and measuring credit scores are two important research topics, in both accounting and finance, and this study aims to demonstrate the direction of academic researches on credit risk management from the perspective of machine learning. Interest in simultaneously examining these two topics emerged after noting that remnants and feelings of the last financial crisis still lingers in society, even a decade after it occurred. Paired with this fact, the increasing development and application of Artificial Intelligence in finance promises to increase the rigor and improvement of financial information analysis processes. Through a structured process to select scientifically relevant articles in the chosen research field, a final sample of 168 studies deemed able to guide the directions of use of machine learning - sub-area of Artificial Intelligence - applied to finance was obtained. From this sample of studies, a deeper analysis was carried out through their readings and it was identified that machine learning algorithms are being explored, improved and taken to extreme to detect subtle combinations and better describe credit risk. From the results and gaps found in the research, in this study proposed the use of a novel algorithm used to teach machines to seek the best classification according to the data previously provided. Xgboost is a model that appeared in 2016 and has been gaining notoriety due to its accuracy and its computational optimization. Because it is a relatively new model, studies with its application in finance, per se, have not been found. Thus, in this context, the proposed model was able to present better results when compared to Logistic Regression and Random Forest. The results were interesting as they identified other gaps and possibilities for future research. The intention to prove that the use of artificial intelligence adds value to credit analysis has been demonstrated and, in this way, it is believed that by advancing this research, interesting results should be achieved, both for suppliers, analysts, managers, and investors. | |
| dc.description | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | |
| dc.description | Dissertação (Mestrado) | |
| dc.description | A capacidade de prever dificuldades financeiras nos negócios é primordial, pois decisões quanto a inapropriadas concessões de crédito podem ter consequências financeiras diretas e indiretas em toda economia. A previsão de falências e a mensuração do escore de crédito são dois importantes tópicos de pesquisa, tanto no campo contábil quanto no financeiro e este estudo almejou apresentar a direção das pesquisas acadêmica sobre a gestão de risco de crédito sob a ótica da aprendizagem de máquina. O interesse pelo estudo simultâneo desses dois tópicos surgiu após notar que ainda há resquícios e sentimentos da última crise financeira, mesmo uma década após seu acontecimento. Aliado a esse fato, o crescente desenvolvimento e aplicação da Inteligência Artificial às finanças prometem aumentar o rigor e aprimoramento de processos de análise de informações financeiras independentemente de quem seja o cliente. Por meio de um processo de seleção de artigos cientificamente relevantes no campo de pesquisa escolhido, obteve-se uma amostra final de 168 estudos considerados hábeis a nortear os rumos do uso da aprendizagem de máquinas – uma subárea da Inteligência Artificial - aplicados às finanças. A partir dessa amostra de estudos, foi realizada uma análise mais profunda por meio de suas leituras e descobriu-se que os algoritmos de aprendizagem de máquina estão sendo explorados, aprimorados e levados ao extremo para detectar combinações sutis e melhor descrever o risco de crédito. A partir dos resultados e lacunas encontrados na pesquisa, neste estudo foi proposto o uso de um modelo de algoritmo baseado em aprendizagem de máquinas para buscar a melhor previsão de acordo com os dados previamente fornecidos. Xgboost é um modelo que surgiu em meados de 2016 e vem ganhando notoriedade devido a sua acurácia e sua optimização computacional. Por ser um modelo relativamente novo, estudos com sua aplicação em finanças, especificamente, não foram encontrados. Neste contexto, o modelo proposto foi capaz de apresentar melhores resultados, quando comparados com Regressão Logística e Random Forest. Os resultados encontrados foram interessantes, pois identificaram outras lacunas e possibilidades de pesquisas futuras. A intenção de comprovar que o uso de inteligência artificial agrega valor à análise de credito é demonstrado. | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Uberlândia | |
| dc.publisher | Brasil | |
| dc.publisher | Programa de Pós-graduação em Administração | |
| dc.rights | Acesso Aberto | |
| dc.subject | Extreme Gradient Boosting, | |
| dc.subject | Administração. | |
| dc.subject | Análise de risco de crédito, | |
| dc.subject | Administração de risco | |
| dc.subject | Aprendizagem de máquina | |
| dc.subject | Aprendizado por computador. | |
| dc.subject | Administração de empresas - Aspectos econômicos. | |
| dc.subject | Extreme Gradient Boosting | |
| dc.subject | Credit risk analysis | |
| dc.subject | Machine learning | |
| dc.subject | CNPQ::CIENCIAS SOCIAIS APLICADAS::ADMINISTRACAO::ADMINISTRACAO DE EMPRESAS::ADMINISTRACAO FINANCEIRA | |
| dc.title | Previsão de dificuldades financeiras em empresas latino-americanas via aprendizagem de máquina | |
| dc.title | Financial distress prediction in latin american companies via machine learning | |
| dc.type | Dissertação |