Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos

Esta dissertação investiga a previsão de falências corporativas no Brasil por meio de uma abordagem multiperíodo, comparando métodos tradicionais, como o modelo Z-Score de Altman, a técnicas de aprendizado de máquina, incluindo Random Forest e CatBoost. A análise concentra-se na avaliação da eficáci...

Descripción completa

Detalles Bibliográficos
Autor: Miranda, Diego Filippe Assis de
Tipo de recurso: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2024
País:Brasil
Institución:Instituição de Ensino Superior e de Pesquisa (INSPER)
Repositorio:Repositório Institucional da INSPER
Idioma:portugués
OAI Identifier:oai:repositorio.insper.edu.br:11224/7864
Acceso en línea:https://repositorio.insper.edu.br/handle/11224/7864
Access Level:acceso abierto
Palabra clave:Previsão de falências corporativas
Random Forest
CatBoost
Risco de Crédito
id BR_73ca3ccda67eaa02e3aa2cc166df355e
oai_identifier_str oai:repositorio.insper.edu.br:11224/7864
network_acronym_str BR
network_name_str Brasil
repository_id_str
spelling Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicosPrevisão de falências corporativasRandom ForestCatBoostRisco de CréditoEsta dissertação investiga a previsão de falências corporativas no Brasil por meio de uma abordagem multiperíodo, comparando métodos tradicionais, como o modelo Z-Score de Altman, a técnicas de aprendizado de máquina, incluindo Random Forest e CatBoost. A análise concentra-se na avaliação da eficácia desses modelos em diferentes horizontes temporais, com ênfase nas métricas estatísticas e nos impactos econômicos associados. Dentre os aspectos econômicos investigados, destacam-se o custo de classificação incorreta, a precificação de crédito e os efeitos no valor alavancado das empresas. Além disso, o trabalho destaca a importância de adaptar técnicas preditivas ao contexto brasileiro, que é caracterizado pela escassez de dados financeiros robustos e por desafios específicos ao ambiente econômico local. Os resultados evidenciam que os modelos de aprendizado de máquina não apenas superam os métodos tradicionais em termos de precisão preditiva, mas também apresentam potencial para aprimorar a tomada de decisões estratégicas, mitigar riscos financeiros e aumentar o valor das empresas no longo prazo.PAULO SERGIO OLIVEIRA RIBEIRO2025-06-25T13:33:35Z2024info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisDigital86 p.application/pdfhttps://repositorio.insper.edu.br/handle/11224/7864porreponame:Repositório Institucional da INSPERinstname:Instituição de Ensino Superior e de Pesquisa (INSPER)instacron:INSPERinfo:eu-repo/semantics/openAccessMiranda, Diego Filippe Assis de2025-06-26T07:00:57Zoai:repositorio.insper.edu.br:11224/7864Biblioteca Digital de Teses e Dissertaçõeshttps://www.insper.edu.br/biblioteca-telles/PRIhttps://repositorio.insper.edu.br/oai/requestbiblioteca@insper.edu.br || conteudobiblioteca@insper.edu.bropendoar:2025-06-26T07:00:57Repositório Institucional da INSPER - Instituição de Ensino Superior e de Pesquisa (INSPER)false
dc.title.none.fl_str_mv Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos
title Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos
spellingShingle Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos
Miranda, Diego Filippe Assis de
Previsão de falências corporativas
Random Forest
CatBoost
Risco de Crédito
title_short Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos
title_full Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos
title_fullStr Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos
title_full_unstemmed Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos
title_sort Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos
dc.creator.none.fl_str_mv Miranda, Diego Filippe Assis de
author Miranda, Diego Filippe Assis de
author_facet Miranda, Diego Filippe Assis de
author_role author
dc.contributor.none.fl_str_mv PAULO SERGIO OLIVEIRA RIBEIRO
dc.subject.por.fl_str_mv Previsão de falências corporativas
Random Forest
CatBoost
Risco de Crédito
topic Previsão de falências corporativas
Random Forest
CatBoost
Risco de Crédito
description Esta dissertação investiga a previsão de falências corporativas no Brasil por meio de uma abordagem multiperíodo, comparando métodos tradicionais, como o modelo Z-Score de Altman, a técnicas de aprendizado de máquina, incluindo Random Forest e CatBoost. A análise concentra-se na avaliação da eficácia desses modelos em diferentes horizontes temporais, com ênfase nas métricas estatísticas e nos impactos econômicos associados. Dentre os aspectos econômicos investigados, destacam-se o custo de classificação incorreta, a precificação de crédito e os efeitos no valor alavancado das empresas. Além disso, o trabalho destaca a importância de adaptar técnicas preditivas ao contexto brasileiro, que é caracterizado pela escassez de dados financeiros robustos e por desafios específicos ao ambiente econômico local. Os resultados evidenciam que os modelos de aprendizado de máquina não apenas superam os métodos tradicionais em termos de precisão preditiva, mas também apresentam potencial para aprimorar a tomada de decisões estratégicas, mitigar riscos financeiros e aumentar o valor das empresas no longo prazo.
publishDate 2024
dc.date.none.fl_str_mv 2024
2025-06-25T13:33:35Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.insper.edu.br/handle/11224/7864
url https://repositorio.insper.edu.br/handle/11224/7864
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv Digital
86 p.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da INSPER
instname:Instituição de Ensino Superior e de Pesquisa (INSPER)
instacron:INSPER
instname_str Instituição de Ensino Superior e de Pesquisa (INSPER)
instacron_str INSPER
institution INSPER
reponame_str Repositório Institucional da INSPER
collection Repositório Institucional da INSPER
repository.name.fl_str_mv Repositório Institucional da INSPER - Instituição de Ensino Superior e de Pesquisa (INSPER)
repository.mail.fl_str_mv biblioteca@insper.edu.br || conteudobiblioteca@insper.edu.br
_version_ 1853673689563791360
score 15,300724

Similares en LA Referencia