Usando redes Bayesianas para a previsão da rentabilidade de empresas

Abstract

O presente trabalho emprega Redes Bayesianas para a previsão da rentabilidade de empresas. Define-se como rentabilidade superior as empresa que obtiveram retorno para os acionistas classificados acima de 81,5% em relação às demais. Adota-se a metodologia de seleção dos indicadores proposta por Sun e Shenoy (2007), que seleciona as variáveis explicativas segundo suas correlações com a variável classificadora. Obtêm-se, ao final, dois modelos sendo o primeiro com dois estados de classificação de empresas, superior e inferior; o segundo com três estados (superior mediano e inferior). Assim como Sun e Shenoy (2007), tenta-se validar o modelo Bayesiano com a regressão logística. Constata-se que não é possível afirmar que as média das taxas de sucesso dos dois modelos sejam diferentes ao se prever rentabilidade superior, entretanto a regressão tem melhor desempenho ao se prever rentabilidade baixa. A variável mais significativa tanto para o primeiro quanto para o segundo modelos foi a classificação atual da empresa, ou seja, empresas que figuram em um determinado ano no estado de rentabilidade superior são as mais propensas a repetir o resultado do que as demais. Os resultados apontam taxas de acerto que vão de 14,70% em 1999 (ano da crise cambial quando a rentabilidade média das empresas foi de 2,74%) a 52,94% em 1997 (ano cuja rentabilidade média foi de 11,76%) para o primeiro modelo e de 11,76 % (1999) a 56,60 % (2004, rentabilidade média de 10,76%) para o segundo modelo. Apesar dos modelos ainda não conseguirem alcançar uma estabilidade nas previsões os resultados são animadores quando se desenvolve a hipótese de utilidade para um possível investidor e a expectativa de retorno acumulado, ao longo dos dez anos, passa de 70,37%, que é a rentabilidade média acumulada do período, para 357,07% e 410,10 % para o primeiro e o segundo modelo respectivamente.

This work use the knowledge obtained from Bayesian networks studies of bankruptcy prediction and applied it for forecasting companies' profitability. Higher profitability is defined as the company that had returns for shareholders classified over 81.5% compared to the others. Adopting the methodology of selection of the explanatory variables proposed by Sun and SHENOY (2007) based on correlations among them with the classification variable. As a result it is obtained two models, the first one with two classification states for de classification variable, upper and low, and the second one with three states (upper, middle and low). As Sun and SHENOY (2007), the Bayesian model was compared with a logistic regression. It cannot be say that the average success rates of the two models are different for forecasting higher profitability; otherwise, for low profitability forecasts the regression model was superior. The most significant variable for both the first and for the second model was the previous company's return for the shareholders, i.e. companies that are in a given year in the state of upper profitability are more likely to repeat the resulting the next year. The results show success rates ranging from 14.70% in 1999 (year of the currency crisis when the average profitability of the companies was 2.74%) to 52.94% in 1997 (average return rate was 11.76 %) for the first model and from 11.76% (1999) to 56.60% (2004, average return rate was 10.76%) for the second model. Although the models still fail to achieve stability in the estimates the results are encouraging when developing the hypothesis of possible investor profitability when the expectation of return accumulated over the ten years, range from 70.37%, which is the average profitability accumulated in the period to 357.07% and 410.10% respectively for the first and second model.