| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.73 MB | Adobe PDF |
Orientador(es)
Resumo(s)
This dissertation aims to assess if the output from the KMV-Merton model, the so-called distance to default, can contribute to the support vector machines model with the ultimate goal of better forecasting the bankruptcy of a company. The considered dataset covers 248 non-financial U.S. companies between 2000 and 2018. It was found evidence that the distance to default contributes, within a given range of variables considered, to a better F1-Score using both cross-validation and percentage ratio split. Additionally, the results show that the distance to default is a better predictor than a simpler market-based variable such as the debt-to-equity ratio. This suggests that the Merton-model setup per se is useful for default prediction. As expected, taking the F1-Score as a reference, the results also indicate that using company information a year prior to default provides better results than using data two years prior to default. Lastly, given the dataset used and the assumptions stated, this study is not conclusive regarding which out-of-sample evaluation method offers better results, the percentage ratio split, or the stratified K-fold cross-validation.
Esta dissertação tem como objetivo avaliar se o resultado do modelo KMV-Merton, a conhecida distância ao incumprimento, pode contribuir para o modelo de máquinas de vetor de suporte com o objetivo final de prever melhor a falência de empresas. O conjunto de dados considerado abrange 248 empresas não financeiras dos E.U.A entre 2000 e 2018. Encontra-se evidência que a distância ao incumprimento contribui, dentro de um determinado grupo de variáveis, para um melhor F1-Score utilizando tanto a validação cruzada como a divisão percentual. Além disso, os resultados mostram que a distância ao incumprimento é um melhor previsor comparativamente a uma variável de mercado mais simples tal como a dívida sobre o valor de mercado do capital próprio. Isso sugere que a configuração do modelo Merton por si só é útil para a previsão de falência. Como esperado, considerando o F1-Score como referência, os resultados também indicam que o uso de informações da empresa um ano antes da falência fornece melhores resultados do que o uso de dados dois anos antes da falência. Por fim, dado o conjunto de dados usados e as premissas assumidas, este estudo não é conclusivo em relação a qual método de avaliação out-of-sample oferece melhores resultados, a divisão percentual ou a validação cruzada.
Esta dissertação tem como objetivo avaliar se o resultado do modelo KMV-Merton, a conhecida distância ao incumprimento, pode contribuir para o modelo de máquinas de vetor de suporte com o objetivo final de prever melhor a falência de empresas. O conjunto de dados considerado abrange 248 empresas não financeiras dos E.U.A entre 2000 e 2018. Encontra-se evidência que a distância ao incumprimento contribui, dentro de um determinado grupo de variáveis, para um melhor F1-Score utilizando tanto a validação cruzada como a divisão percentual. Além disso, os resultados mostram que a distância ao incumprimento é um melhor previsor comparativamente a uma variável de mercado mais simples tal como a dívida sobre o valor de mercado do capital próprio. Isso sugere que a configuração do modelo Merton por si só é útil para a previsão de falência. Como esperado, considerando o F1-Score como referência, os resultados também indicam que o uso de informações da empresa um ano antes da falência fornece melhores resultados do que o uso de dados dois anos antes da falência. Por fim, dado o conjunto de dados usados e as premissas assumidas, este estudo não é conclusivo em relação a qual método de avaliação out-of-sample oferece melhores resultados, a divisão percentual ou a validação cruzada.
Descrição
Palavras-chave
Bankruptcy prediction Machine learning Structural credit models Support vector machines Previsão de falência Modelos estruturais de crédito Máquinas de vetor de suporte