33877

Rui Américo Mathiasi Horta
Carlos Cristiano Hasenclever Borges
Frederico Antonio Azevedo de Carvalho
Francisco José dos Santos Alves

Sociedade, Contabilidade e Gestão

O tema previsão de insolvência vem cada vez mais sendo objeto de novos estudos e pesquisas ela permite que seja possível prever uma situação financeira difícil com certa antecedência, deforma que haja tempo hábil para serem adotadas medidas que reverta essa situação impedindo a geração de grandes custos sociais e financeiros. Este estudo tem adquirido mais importância também devido às mudanças ocorridas nos ambientes de negócios, o aumento das bases dedados e o desenvolvimento de novas tecnologias de sistemas computacionais. No Brasil os estudos neste tema ainda sofrem o efeito por se encontrar bases de dados de dimensão reduzidas devido à qualidade dos dados disponíveis, felizmente essa situação vem se alterando. Utilizando dados originados de demonstrativos contábeis de empresas brasileiras listada na BOVESPA, é apresentada uma metodologia de data mining que ataca o problema do desequilíbrio de classes, problema existente neste tema porque em ambientes econômicos normais o número de empresas classificadas como solventes são bem maiores do que aquelas classificadas como insolventes. Tal metodologia visa melhor caracterizar aquelas empresas que apresentam maiores potencias de virem a se tornar insolventes. De acordo com os resultados obtidos a metodologia obteve sucesso podendo ser considerado bem competitivo com outras metodologias apresentadas na literatura específica

Balanceamento de base de dados, Comitê de classificadores, Data mining, Previsão de insolvência, Variáveis contábeis

HORTA, R. A. M.; BORGES, C. C. H.; CARVALHO, F. A. A.; ALVES, F. J. D. S. Previsão de insolvência: uma estratégia para balanceamento da base de dados utilizando variáveis contábeis de empresas brasileiras. Sociedade, Contabilidade e Gestão, v. 6, n. 2, p. 21-36, 2011.

Horta, R. A. M., Borges, C. C. H., Carvalho, F. A. A., & Alves, F. J. D. S. (2011). Previsão de insolvência: uma estratégia para balanceamento da base de dados utilizando variáveis contábeis de empresas brasileiras. Sociedade, Contabilidade e Gestão, 6(2), 21-36.

https://www.spell.org.br/documentos/ver/33877/previsao-de-insolvencia--uma-estrategia-para-balanceamento-da-base-de-dados-utilizando-variaveis-contabeis-de-empresas-brasileiras/i/pt-br

Artigo

Português

ALTMAN, Edward I.; BAIDYA, Tara K. N.; DIAS, Luiz Manoel Ribeiro. Previsão de problemas financeiros em empresas. Revista de Administração de Empresas, v. 19, 1979, p. 17-28.

ALTMAN, Edward I.; GIANCARLO, Marco; FRANCO, Varetto. Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience). Journal of Banking & Finance, v. 18, n. 3, p. 505-529. 1994.

ALTMAN, E. I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, v. 23, 1968, p. 589-609.

ALTMAN, E. I.; HALDEMAN, R. G.; NARAYANAN, P. Zeta Analysis: A new model to identify bankruptcy risk of corporations. Journal of Banking and Finance, v. 1, 1977, p. 29-54.

ATIYA, Amir. F. Bankruptcy prediction for credit risk using neural network: a survey and new results. IEEE transactions on neural networks, v. 12, n. 4, July. 2001.

BALCAEN, Sofie; OOGHE, Hubert. 35 Years of studies on business failure: on overview of the classical statistical methodologies and their related problems. The British Accounting Review, v. 38, n. 1, p. 63-93. 2006.

BRAGANÇA, Luiz Augusto de; BRAGANÇA, Sérgio Luiz de. Rating previsão de concordatas e falências no Brasil. VII Congresso ABAMEC/1984.

BRAGA-NETO, U.; HASHIMOTO, R.; DOUGHERT, Edward R. Nguyen, DANH V.; CARROLL, Rymond J. Is cross-validation better than resubstitution for ranking genes? vol. 20, n. 2, p. 253-258, 2004. doi: 10.1093/bioinformatics/btg399.

CANBAS S, A.; CABUK, S. B.; KILIC. Prediction of commercial bank failure via multivariate statistical analysis of financial structure: The Turkish case. European Journal of Operational Research, v. 166, 2005, p. 528-546.

CHAUDHURI, Arindam; KAJAL De. Fuzzy Support Vector Machine for Bankruptcy Prediction. Applied Soft Computing Journal (2010), doi: 10.1016/j.asoc.2010.10.003.

CHAWLA, n. V.; BOWYER, K. W.; HALL, L. O.; KEGELMEYER, W. P. SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, v. 16, 2002, p. 321-357.

CHEN, Hsueh-Ju; HUAND, Shaio Yan; LIN, Chi-Shie. Alternative diagnosis of corporate bankruptcy: A neuro fuzzy approach. Expert Systems with Applications, v. 36, n. 4, 2009, p. 7710-7720.

CHEN,Wei-Sen; DU, Yin-Kuan. Using neural networks and data mining techniques for the financial distress prediction model. Expert Systems with Applications, v. 36, n. 2, 2009, p. 4075-4086.

CHEN, Wun-Hwa; SHIH, Jen-Ying. A study of Taiwan's n.r credit rating systems using support vector machines. Expert Systems with Applications, v. 30, n. 3, april 2006, p. 427-435.

CHYE, Koh Hian; CHIN Tan We. Credit scoring using data mining techniques. Singapore Management Review, v. 26, n. 2, 2004.

CORNETT, M. M. ;MARCUS, A. J.;SAUNDERS, A.;TEHRANIAN, H., “The impact of institutional ownership on corporate operating performance. Journal of Bank & Finance, v. 31, n. 6, 2007, p. 1771-1794.

DIMITRAS A. I.;SLOWINSKI R.; SUSMAGA, R. Zopounidis, C. Business failure prediction using rough sets. European Journal of Operational Research, v. 114, n. 2, 1999, p. 263-280.

DING, Yongsheng; SONG, Xinping, ZEN,Yueming. Forecasting financial condition of Chinese listed companies based on support vector machine. Expert Systems with Applications, v. 34, n. 4, 2008, p. 3081-3089.

GARY M. Weiss; KATE Mccarthy; BIBI, Zabar. Cost-Sensitive Learning vs. Sampling: Which is Best for Handling Unbalanced Classes with Unequal Error Costs? In: Proceedings of the 2007 International Conference on Data Mining, CSREA Press, 35-41.

GESTEL, Tony Van; BAESENS, Bart; MARTENS, David. From linear to non-linear kernel based classifiers for bankruptcy prediction. Neurocomputing, v. 73, p. 2955-2970. 2010.

HASLEM J.; SCHERAGA, A.; BEDINGFIELD, C.A.; JAMES, P. An Analysis of the Foreign and Domestic Balance Sheet Strategies of the U.S. Banks and Their Association to Profitability Performance. Management International Review. First Quarter, Wiesbaden, 1992.

HORTA, Rui Américo Mathiasi. Utilização de indicadores contábeis na previsão de insolvência: Análise empírica de uma amostra de empresas comerciais e industriais brasileiras. Dissertação apresentada no programa de mestrado em Ciência Contábeis da Universidade Estadual do Rio de Janeiro em 2001.

HUANG., C. L., CHEN M. C., WANG., C.J. Credit scoring with a data mining approach based on support vector machines. Expert Systems with Applications, v. 33, n. 4, 2007, p. 847-856.

HUA, Zhongsheng; WANG, Yu; XU, Xiannoyan; ZHANG, Bin; LIANG, Liang. Predicting corporate financial distress based on integration of support vector machine and logistic regression. Expert Systems with Applications, v. 33, n. 2, 2007, p. 434-440.

HUNG, Chihli; CHEN, Jing-Hong. A selective ensemble based on expected probabilities for bankruptcy prediction. Expert systems with applications, v. 36, n. 3, 2009, p. 3297-5309.

JAPKOWICZ N.; STEPHEN, S. The Class Imbalance Problem: A Systematic Study. Intelligent Data Analysis, v. 6, n. 5, 2002, p. 429-450.

JONES S.; HENSHER, D.A. Predicting firm financial distress: A mixed logit model. Accounting Review, v. 79, n. 4, 2004, p. 1011-1038.

JOSHI, M. V. Learning Classier Models for Predicting Rare Phonemena. PhD thesis, University of Minnesota, Twin Cites, Minnesota, USA, 2002.

KANITZ, Stephen Charles. Como prever falências. São Paulo: Mc Graw-Hill do Brasil, 1978.

KÄUCK, H. Bayesian formulations of multiple instance learning with applications to general object recognition. Master's thesis, University of British Columbia, Vancouver, BC, Canada, 2004.

KIM, Hong Sik; SOHN, So Young. Support vector machines for default prediction of SMEs based on technology credit. European Journal of Operational Research, In Press, Corrected Proof, Available online 1 april 2009.

LACHERR. C.; COATS, P. K.; SHARMA, S.C.; FANT, L. F. A neural network for classifying the financial health of a firm. European Journal of Operations Research, v. 85, 1995, p. 53-65.

LEE, Tian-Shyug; CHENG, I-Fei. A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines. Expert Systems with Applications, v. 28, n. 4, 2005, p. 743-752.

LI HUI, JIE SUN. Majority voting combination of multiple case-based reasoning for financial distress prediction. Expert Systems with Applications, v. 36, 2009, p. 4363-4373.

MARTIN, D. Early warning of bank failure: A logit regression approach. Journal of Banking and Finance, v. 1, 1977, p. 249-276.

MATIAS, Alberto Borges. Contribuição às técnicas de análise financeira: um modelo de concessão de crédito. (Trabalho apresentado ao Departamento de Administração da Faculdade de Economia e Administração da USP.) São Paulo: [s.n.], 1978, p. 82, 83, 90.

MIN, Jae H. Lee; YOUNG-CHAN. Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters. Expert Systems with Applications, v. 28, n. 4, 2005, p. 603-614.

MIN,Sung-Hwan.; LEE, Jumin,;HAN. Ingoo. Hybrid genetic algorithms and support vector machines for bankruptcy prediction. Expert Systems with Applications, v. 31, n. 3, 2006, p. 652-660.

MOROZINI, João Francisco; OLINQUEVITCH, José Leônidas; HEIN, Nelson. Seleção de índices na análise de balanços: uma aplicação da técnica estatística ‘ACP’. Revista Contabilidade & Finanças, vol. 2, n. 41, 2006.

NANNI, Loris; LUMINI, Alessandra. An experimental comparison of ensemble of classifiers for bankruptcy prediction and credit scoring. Expert Systems with Applications, v. 36, n. 2, 2009, p. 3028-3033.

ODOM, M.; SHARDA, R. A neural network model for bankruptcy prediction. In: Proceedings of the international joint conference on neural networks, vol. 2, IEEE Press, Alamitos, CA, 1990, p. 163-168.

OHLSON, J.A. Financial ratios and the probabilisitic prediction of bankruptcy. Journal of Accounting Research, v. 18, 1980, p. 109-131.

PARK, Cheol-Soo; HAN, Ingoo. A case-based reasoning with the feature weights derived by analytic hierarchy process for bankruptcy prediction. Expert Systems with Applications, v. 23, n. 3, 2002, p. 255-264.

RAVI, V.; KURNIAWAN, H.; THAI, Peter Nwee Kok,; KUMAR, P. Ravi. Soft computing system for bank performance predition. Applied Soft Computing, v. 8, jan., 2008, p. 305-315.

ROY, J.; COSSET, C. The determinants of country risk ratings. Journal of International Business Studies, p. 135-139. First Quarter. 1990.

SANTOS, Samuel Cruz Dos. Um modelo de análise discriminante múltipla para previsão de inadimplência em empresa. Dissertação de Mestrado, Departamento de Administração, PUC/RJ. Rio de Janeiro: PUC, 1996.

SANVICENTE, Antônio Zoratto:, MINARDI, Andréa Maria A. F. Identificação de indicadores contábeis significativos para previsão de concordata de empresas. Disponível: . Acesso em: 23/10/2005.

SAUNDERS, A. ALLEN; DELONG, G. L. N.s in the credit risk modeling of retail markets. Journal of Bank & Finance, v. 28, 2004.

SAUNDERS, A.; CORNETT M. M. Financial Institutions Management: A Risk Management Approach. Paperback edition. McGraw-Hill/Irwin, 2008.

SAUNDERS, ANTHONY. Medindo o risco de crédito. Rio de Janeiro: Qualitymark Editora, 2000.

SHARDA R.; WILSON, R. L. Neural network experiments in business-failure forecasting: Predictive performance measurement n.s, International. Journal of Computational Intelligence and Organizations, v. 1, n. 2, 1996, p. 107-117.

SHIN, Kyung-Shik; LEE, Yong-Joo; KIM, Hyun-Jung. An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, v. 28, n. 1, 2005, p. 127-135.

SILVA BRITO, Giovani Antônio; ASSAF NETO, Alexandre; CORRAR, Luiz João. Sistemas de classificação de risco de crédito: uma aplicação a companhias abertas no Brasil. Revista Contabilidade & Finanças, vol. 20, n. 51, p. 28-43, 2009.

SILVA, José Pereira da. Gestão e análise de risco de crédito. 5ª ed. São Paulo: Atlas, 2006.

TAM K. Y.; KIANG, M. Y. Managerial applications of neural networks: The case of bank failure predictions. Management Science, v. 38, n. 7, 1992, p. 926-947.

TAY Francis E. H.; SHEN, Lixiang. Economic and financial prediction using rough sets model. European Journal of Operational Research, v. 141, n. 3, 2002, p. 641-659.

TSAI., C. F.; WU J. W. Using neural network ensembles for bankruptcy prediction and credit scoring. Expert Systems with applications, v. 34, n. 4, 2008, p. 2639-2649.

VERIKAS, Antanas; KALSYTE, Zivile; BACAUSKIENE, Marija; GELZINIS, Adas. Hybrid and ensemble-based soft computing techniques in bankruptcy prediction: a survey. Soft Comput v. 14, 2010, p. 995-1010.

WEST, David; DELLANA, Scott; QIAN, Jingxia. Neural network ensemble strategies for financial decision applications. Computers & Operations Research, v. 32, n. 10, 2005, p. 2543-2559.

WILSON, R. L.; SHARDA, R. Bankruptcy prediction using neural networks. Decision Support Systems, v. 11, jun. 1994, p. 545-557.

WITTEN, Ian. H.; FRANK, Eibe. Data Mining: Practical Machine Learning Tools and Techniques. The Morgan Kaufmann Series in Data Management Systems, 2ª ed. 2005.

YOUN, Hyewon; ZHENG GUYU, L.; WAUNG, S.; LAI, K. K. Predicting Korean lodging firm failures: An artificial neural network model along with a logistic regression model. International Journal of Hospitality Management, v. 26, jul. 2009.

YU, L. WAUNG; LAI, K. K. Credit risk assessment with a multistage neural network ensemble learning approach. Expert Systems with Applications, v. 34, fev., 2008, p. 1434-1444.

ZHANG, Guoqiang Zhang; MICHAEL Y. HU; EDDY, Patuwo W.; DANIEL C. Indro. Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research, v. 116, jul. 1999, p. 16-32.