PREVISÃO DE VALOR CORPORATIVO EM PERÍODOS DE CRISE: USO DE ALGORITMOS DE APRENDIZADO DE MÁQUINA EM EMPRESAS DO G20

Resumo

A pesquisa apresentada neste artigo avaliou a previsibilidade de criação e de destruição de valor corporativo em períodos de crise (pandemia de Covid-19 e invasão russa à Ucrânia) com base em indicadores econômico-financeiros. Nesse sentido, foram empregados algoritmos de aprendizado de máquina (AM) e regressão logística (RL) para realizar essa previsão em empresas de países do G20. A pesquisa quantitativa e descritiva foi realizada com base em dados de 12.282 empresas entre os anos de 2019 e 2022. Foram desenvolvidos modelos empregando os seguintes algoritmos de AM para fins de classificação:  árvores de decisão (decision tree – DT), k-nearest neighbors (KNN) e naive Bayes (NB). O desempenho de cada modelo desenvolvido para cada país anualmente foi avaliado com base em sua acurácia, sendo empregadas as seguintes técnicas de análise: estatística descritiva, teste de Shapiro Wilk e teste t de Student. Os resultados indicaram uma heterogeneidade na criação e na destruição de valor corporativo nas empresas dos diferentes países. Verificou-se que a destruição de valor observada na invasão da russa à Ucrânia foi bem maior que na pandemia de Covid-19 com base nas empresas analisadas. De forma geral, observou-se um desempenho médio bastante similar entre os modelos desenvolvidos com base em AM e a RL, apesar de uma frágil superioridade daqueles baseados no KNN sobre todos os demais. Por fim, observou-se uma ampla dispersão dos valores de desempenho dos modelos entre os países, indicando a necessidade de se compreender as características institucionais específicas para escolha dos melhores modelos de previsão.