1. RI UFLA
  2. Faculdade de Ciências Sociais Aplicadas - FCSA
  3. Departamento de Administração e Economia - DAE
  4. DAE - Artigos publicados em periódicos
Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/39608
Registro completo de metadados
Campo DCValorIdioma
dc.creatorPrado, José Willer do-
dc.creatorCarvalho, Francisval de Melo-
dc.creatorBenedicto, Gideon Carvalho de-
dc.creatorLima, André Luis Ribeiro-
dc.date.accessioned2020-03-31T19:44:40Z-
dc.date.available2020-03-31T19:44:40Z-
dc.date.issued2019-
dc.identifier.citationPRADO, J. W. do et al. Analysis of credit risk faced by public companies in Brazil: an approach based on discriminant analysis, logistic regression and artificial neural networks. Estudios Gerenciales, Cali, v. 35, n. 153, p. 347-360, oct./dic. 2019.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/39608-
dc.description.abstractThe aims of the present article are to identify the economic-financial indicators that best characterize Brazilian public companies through credit-granting analysis and to assess the most accurate techniques used to forecast business bankruptcy. Discriminant analysis, logistic regression and neural networks were the most used methods to predict insolvency. The sample comprised 121 companies from different sectors, 70 of them solvent and 51 insolvent. The conducted analyses were based on 35 economic-financial indicators. Need of working capital for net income, liquidity thermometer, return on equity, net margin, debt breakdown and equity on assets were the most relevant economic-financial indicators. Neural networks recorded the best accuracy and the Receiver Operating Characteristic Curves (ROC curve) corroborated this outcome.pt_BR
dc.languageenpt_BR
dc.publisherUniversidad Icesi - Facultad de Ciencias Administrativas y Económicaspt_BR
dc.rightsacesso abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.sourceEstudios Gerencialespt_BR
dc.subjectCredit riskpt_BR
dc.subjectBankruptcypt_BR
dc.subjectFinancial indicatorspt_BR
dc.subjectRiesgo de créditopt_BR
dc.subjectBancarrotapt_BR
dc.subjectIndicadores financierospt_BR
dc.subjectRisco de créditopt_BR
dc.subjectFalênciapt_BR
dc.subjectIndicadores financeirospt_BR
dc.titleAnalysis of credit risk faced by public companies in Brazil: an approach based on discriminant analysis, logistic regression and artificial neural networkspt_BR
dc.title.alternativeAnálisis del riesgo de crédito que enfrentan las empresas de capital abierto en Brasil: un enfoque utilizando análisis discriminante regresión logística y redes neuronales artificialespt_BR
dc.title.alternativeAnálise de risco de crédito enfrentada por empresas de capital aberto no Brasil: uma abordagem utilizando análise discriminante de regressão logística e redes neurais artificiaispt_BR
dc.typeArtigopt_BR
dc.description.resumoO objetivo deste artigo é identificar quais são os indicadores econômico-financeiros que melhor distinguem as empresas de capital aberto brasileiras por meio da concessão de credito e avaliar quais das técnicas utilizadas são as mais precisas para prever a falência das empresas. Os métodos utilizados para antecipar a insolvência foram analise discriminante, regressão logística e redes neurais. A amostra foi composta por 121 empresas de diversos setores, sendo 70 solventes e 51 insolventes. As analises utilizaram 35 indicadores econômico-financeiros. Os indicadores-econômico-financeiros mais relevantes foram: necessidade de capital de giro sobre lucro líquido, termômetro de liquidez, retorno sobre patrimônio líquido, margem de lucro, índice de dívida e patrimônio líquido sobre ativos. O modelo de rede neural apresentou maior precisão e foi corroborado pela curva ROC.pt_BR
Aparece nas coleções:DAE - Artigos publicados em periódicos

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
ARTIGO_Analysis of credit risk faced by public companies in Brazil an approach based on discriminant analysis, logistic regression and artificial neural networks.pdf509,64 kBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Este item está licenciada sob uma Licença Creative Commons Creative Commons