Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/11187
Título: Risco de crédito: uma abordagem utilizando análise discriminante, regressão logística e redes neurais artificiais
Título(s) alternativo(s): Credit risk: an approach using discriminant analysis, logistic regression and artificial neural networks
Autor : Prado, José Willer do
Lattes: http://lattes.cnpq.br/0368409333816349
Primeiro orientador: Carvalho, Francisval de Melo
Primeiro membro da banca: Lima, André Luis Ribeiro
Segundo membro da banca: Mendonça, Fabrício Molica de
Terceiro membro da banca: Benedicto, Gideon Carvalho de
Palavras-chave: Modelo Dinâmico
Modelo Fleuriet
Risco de crédito
Falências
Indicadores financeiros
Dynamic Model
Fleuriet Model
Credit risk
Bankruptcy
Financial indicators
Data da publicação: 24-Mai-2016
Agência(s) de fomento: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Referência: PRADO, J. W. do. Risco de crédito: uma abordagem utilizando análise discriminante, regressão logística e redes neurais artificiais. 2016. 228 p. Dissertação (Mestrado em Administração)-Universidade Federal de Lavras, Lavras, 2016.
Resumo: Diante da relevância das pesquisas sobre risco de crédito, da diversidade de modelos e indicadores existentes, esta dissertação objetivou verificar se o Modelo Fleuriet contribui para discriminação de empresas brasileiras de capital aberto na análise de concessão de crédito. Especificamente, pretendeu-se i) identificar os indicadores econômico-financeiros utilizados em modelos de risco de crédito; ii) identificar quais indicadores econômico-financeiros melhor discriminam empresas na análise de concessão de crédito e iii) aferir quais das técnicas utilizadas (análise discriminante, regressão logística e redes neurais) apresentam melhor acurácia para prever a falência empresarial. Para tanto, o referencial teórico abordou conceitos de análise financeira que introduziram temas relativos ao processo de avaliação empresarial; considerações sobre o crédito, risco e análise; Modelo Fleuriet e seus indicadores e, por fim, apresentaram-se as técnicas para análise de crédito baseadas em análise discriminante, regressão logística e redes neurais artificiais. Metodologicamente, a pesquisa foi definida como quantitativa quanto à natureza e explicativa quanto ao tipo e desenvolvida por meio de dados oriundos de pesquisa bibliográfica e documental. As demonstrações financeiras foram coletadas por meio do Economática ® e do site BM&FBOVESPA. A amostra foi composta por 121 empresas, sendo 70 solventes e 51 insolventes de diversos setores. Nas análises foram utilizados 22 indicadores do Modelo Tradicional e 13 do Modelo Fleuriet, totalizando 35. Os indicadores econômico-financeiros que fizeram parte de pelo menos um dos três modelos finais foram: X1 (Capital de Giro sobre Ativo), X3 (NCG sobre Ativo), X4 (NCG sobre Receita líquida), X8 (Tipo de Estrutura Financeira), X9 (Termômetro de liquidez), X16 (Patrimônio líquido dividido pelo exigível total), X17 (Giro do ativo), X20 (Rentabilidade do Patrimônio Líquido), X25 (Margem Líquida), X28 (Composição do Endividamento) e X31 (Patrimônio líquido sobre ativo). Os modelos finais apresentaram valores de acerto: 90,9% (análise discriminante); 90,9% (regressão logística) e 97,8% (redes neurais). A modelagem em redes neurais apresentou maior acurácia, o que também foi confirmado pela curva ROC. Conclui-se que os indicadores, do Modelo Fleuriet apresentaram resultados relevantes, para as pesquisas de risco de crédito, especialmente, se modelados por meio de redes neurais.
Abstract: Considering the relevance of researches concerning credit risk, model diversity and the existent indicators, this thesis aimed at verifying if the Fleuriet Model contributes in discriminating Brazilian open capital companies in the analysis of credit concession. We specifically intended to i) identify the economic-financial indicators used in credit risk models; ii) identify which economic-financial indicators best discriminate companies in the analysis of credit concession; iii) assess which techniques used (discriminant analysis, logistic regression and neural networks) present the best accuracy to predict company bankruptcy. To do this, the theoretical background approached the concepts of financial analysis, which introduced themes relative to the company evaluation process; considerations on credit, risk and analysis; Fleuriet Model and its indicators, and, finally, presented the techniques for credit analysis based on discriminant analysis, logistic regression and artificial neural networks. Methodologically, the research was defined as quantitative, regarding its nature, and explanatory, regarding its type. It was developed using data derived from bibliographic and document analysis. The financial demonstrations were collected by means of the Economática ® and the BM$FBOVESPA website. The sample was comprised of 121 companies, being those 70 solvents and 51 insolvents from various sectors. In the analyses, we used 22 indicators of the Traditional Model and 13 of the Fleuriet Model, totalizing 35 indicators. The economic-financial indicators which were a part of, at least, one of the three final models were: X1 (Working Capital over Assets), X3 (NCG over Assets), X4 (NCG over Net Revenue), X8 (Type of Financial Structure), X9 (Net Thermometer), X16 (Net Equity divided by the total demandable), X17 (Asset Turnover), X20 (Net Equity Profitability), X25 (Net Margin), X28 (Debt Composition) and X31 (Net Equity over Asset). The final models presented setting values of: 90.9% (discriminant analysis); 90.9% (logistic regression) and 97.8% (neural networks). The modeling in neural networks presented higher accuracy, which was confirmed by the ROC curve. In conclusion, the indicators of the Fleuriet Model presented relevant results for the research of credit risk, especially if modeled by neural networks.
URI: http://repositorio.ufla.br/jspui/handle/1/11187
Publicador: Universidade Federal de Lavras
Idioma: por
Aparece nas coleções:DAE - Administração - Mestrado (Dissertações)



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.