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.
