Previsão de default da dívida pública : uma aplicação de machine learning

Abstract

Este trabalho utilizou um método de machine learning para auxiliar a previsão de defaults da dívida pública de 66 países, detectando sinais prévios. Por conta de sua transparência, o algoritmo C4.5 de árvores de classificação foi adotado. Tal algoritmo obteve êxito na previsão das crises da década de 1980 e do início da década de 1990, registrando, a partir daí, perda na capacidade de aprendizado para prever as crises das duas décadas seguintes. Limitações do próprio algoritmo e mudanças estruturais da economia internacional na década de 1990, com diminuição do número de crises moratórias, podem ter contribuído para este resultado. As árvores decisórias obtidas com o método também foram exploradas a fim de se avaliar a própria lógica algorítmica, tentando traçar sua relação com a teoria econômica atinente, que também foi exposta neste trabalho, e com fatos da história econômica mundial. Em termos de variáveis preditivas, o algoritmo corroborou a existência de “serial defaulters”, posto que o histórico de default dos países quase sempre figurou como importante sugestivo de crises futuras. Outras variáveis que se mostraram importantes para prever crises foram aquelas relacionadas com as reservas internacionais – principalmente a variação das reservas e a taxa da dívida a curto prazo sobre as reservas. Isto demonstra o forte nexo existente entre crises moratórias e cambiais, sobretudo nos defaults da década de 1980, que o algoritmo conseguiu prever. Por fim, os juros globais e a variação do PIB também se mostraram variáveis relevantes. Conclui-se que, apesar de suas limitações, o algoritmo pode contribuir para o estudo de crises moratórias por conta de sua transparência e capacidade de estabelecer relações condicionais e não lineares.

This thesis has used a machine learning method to help forecast 66 countries' sovereign debt defaults by detecting early warning signals. Due to its transparency, the C4.5 classification trees algorithm was chosen. This algorithm has succeeded while trying to forecast sovereign debt defaults in the 1980's decade and in the beginning of the 1990's decade, having decayed, after that, its learning capacity to forecast the two following decade's crises. The algorithm's own limitations and structural changes in the international economy in the 1990 decade, with debt crises reduction, may have contributed to this result. The decision trees obtained with the method were also explored to assess the own algorithm rationale, trying to trace its relation with the pertaining economic theory, which was also exposed in this thesis, and with the world economic history facts. Regarding predicting variables, the algorithm has corroborated the existence of "serial defaulters" since the countries' default history was always an important suggestive of future crises. Other important variables were those related to international reserves - mainly the reserves variation and the short-term debt ratio over reserves. This demonstrates the strong nexus among debt and currency crises, especially regarding 1980's decade defaults, which the algorithm has succeeded in forecasting. Finally, global rates and GDP variation were shown as relevant variables. It is concluded that, despite its limitations, the algorithm may contribute to the study of debt crises due to its transparency and capacity for establishing conditional and non-linear relations.