TÉCNICAS DE DATA MINING NA SELEÇÃO DE ATRIBUTOS PARA PREVISÃO DE INSOLVÊNCIA: APLICAÇÃO E AVALIAÇÃO USANDO DADOS BRASILEIROS RECENTES
Informações
Código: FIN1414
Divisão: FIN - Finanças
Tema de Interesse: FIN-B - Finanças Corporativas
Autores
Rui Américo Mathiasi Horta, Francisco José dos Santos Alves
Resumo
A partir do final da década de 90, questões como o aparecimento de novas técnicas demodelagem, a expansão dos mercados de capitais, os impactos dos mercados imperfeitos e dasinformações assimétricas, a crescente importância da gerência do risco de crédito e asconstantes mudanças no ambiente econômico das empresas trouxeram de volta o interesse pelaprevisão de insolvência de empresas. Nos dias atuais, para medir, gerir e prever a “saúdefinanceira” de empresas pode-se usar os chamados modelos de previsão de insolvência,construídos com apoio em técnicas de data mining, as quais são aplicadas para analisar índiceseconômico-financeiros selecionados a partir de demonstrativos contábeis. O objetivo principaldeste artigo é comparar duas abordagens de avaliação de subconjuntos de atributos, filtro ewrapper, selecionados para elaboração de modelos de previsão de insolvência, fundamentandoosem técnicas de data mining utilizadas em uma aplicação empírica de empresas comerciais eindustriais brasileiras, empregando dados para o período de 2004 a 2006. Neste trabalho sedemonstrou, para a amostra utilizada, que a abordagem filtro é mais eficiente do que abordagemwrapper, a abordagem filtro obteve melhores resultados de classificação tanto na técnica deregressão logística (86,90%) como de redes neurais (92,26%).
Abrir PDF