Corporate bankruptcy

: can machine learning methods enhance the prediction of failure?

Resumo

Esta dissertação tem como objetivo melhorar o desempenho de modelos tradicionais de previsão de falência corporativa através da aplicação de técnicas e modelos de machine learning, e efeitos de indústria. A data usada incluí 3664 empresas das quais 144 faliram no período de 2000 até 2019, e foi estruturada para emular o desenho de variáveis que Campbell et al. (2008) utilizaram no seu estudo. Evidências foram encontradas que indicam a melhoria dos resultados de várias métricas através do uso de técnicas e modelos de machine learning. O modelo com maior F1-Score, isto é, o mais equilibrado, é o Logit com a aplicação de ajuste de hiperparâmetros e efeitos de indústria. O modelo com maior Recall, ou seja, a percentagem de falências corretamente previstas, é o Logit com a aplicação da técnica de sobre amostragem. Ademais, ambos os modelos de Máquina de Vetores de Suporte (MVS) e Redes Neurais Artificiais (RN) forneceram resultados equilibrados e melhorados em comparação com os modelos de referência (Atlman Z-Score e Logit Simples). As técnicas de melhoramento geraram resultados diferentes aos modelos. Sobre amostragem levou a maiores percentagens de falência prevista, enquanto o ajuste de hiperparâmetros e os efeitos de indústria forneceram aos modelos resultados mais precisos. A importância de variáveis nos diferentes tipos de modelo também foi analisada. Em geral, as variáveis de mercado de Campbell et al. (2008) (SIGMA, RSIZE, EXRET e PRICE) são bastante significativas para os resultados positivos dos três diferentes tipos de modelo estudados.

Data de atribuição	1 fev. 2021
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Dan Tran (Supervisor)