Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3

Abstract

A análise de crédito é um tema crucial no setor financeiro, especialmente considerando os desafios na concessão de crédito a indivíduos e empresas, que frequentemente se deparam com a falta de indicadores confiáveis para avaliar o perfil do tomador de crédito. Este artigo visa analisar o risco de default de empresas listadas na B3, focando principalmente na análise de balanços financeiros em formato tanto de cross section quanto painel. Para enriquecer esta análise, serão empregadas ferramentas de machine learning, regressão logística e um algoritmo de Árvore de decisão. O objetivo é identificar padrões nas demonstrações financeiras que possam conferir um poder preditivo ao modelo, auxiliando significativamente na tomada de decisão dos credores. Além disso, a regressão logística será aplicada para equilibrar os grupos de controle e tratamento, minimizando assim o viés de seleção e garantindo a robustez dos resultados.

Credit analysis is a critical theme in the financial sector, particularly given the challenges in granting credit to individuals and businesses, often compounded by a lack of reliable indicators to assess the credit taker's profile. This paper aims to analyze the default risk of companies listed on the B3 stock exchange, primarily focusing on the analysis of financial statements in both cross-sectional and panel data formats. To augment this analysis, machine learning tools, Logistic Regression and Decision Tree algorithms, will be utilized. The objective is to identify patterns in financial statements that can impart predictive power to the model, significantly aiding creditors' decision-making process. Furthermore, logistic regression will be employed to balance the control and treatment groups, thereby minimizing selection bias and ensuring the robustness of the results.