Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos

Abstract

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.