Early Warning System para distress bancário no Brasil

Abstract

Esta tese é composta por três artigos que cobrem tópicos sobre o tema de early warning system para crises bancárias e distress bancário: uma pesquisa bibliométrica sobre early warning system (EWS) para crises bancárias e distress, um estudo empírico que estima um early warning system para distress de bancos brasileiros com regressão logística e um estudo empírico que constrói um early warning system com técnicas de aprendizagem de máquina supervisionada. O primeiro artigo apresenta um panorama do estado da literatura sobre EWS para crises bancárias e distress bancário por meio de uma revisão bibliométrica da literatura apresentando as principais ideias, principais conceitos, principais relacionamentos com outros tipos de crises, principais métodos utilizados, principais indicadores de crises e de distress. Foi realizada uma pesquisa em nas bases da Scopus e da Web of Science, onde, a partir de critérios de seleção, foram encontrados 124 artigos que foram devidamente classificados e codificados mediante importantes critérios para a área de estudo. Foi apresentado a evolução dos estudos na área, as gerações e tipos de EWS e os principais indicadores micro e macroprudencias apresentados pelos estudos da amostra. Como um resultado das lacunas da literatura na área é proposta uma agenda estruturada, visando guiar novos estudos por meio da apresentação de lacunas com grande potencial para ser explorada e reforçar o estado da arte em EWS. Adicionalmente, os resultados demonstram que mais estudos são necessários em EWS com relação à determinação dos horizontes de tempo para as previsões do modelo, com relação a estudos que tratam da América do Sul, América Central e África. Futuros estudos também devem considerar a possibilidade de utilização de modelos de aprendizagem de máquina, inteligência artificial e métodos computacionais, pois ainda existem poucos estudos e os resultados são promissores. O segundo artigo contribuiu com algumas inovações, como a construção e utilização de uma nova base dados de eventos de distress de bancos brasileiros, incluindo 179 eventos considerados como distress bancário de acordo com a definição de ?, incluindo 8 casos de RAET, 9 casos de intervenção, um caso de PROER, 11 casos de privatizações, 32 casos de incorporação e fusão, 13 casos de transformação em outros tipos de instituições financeiras, 32 caso de transformação de bancos em outros tipos de instituições, 21 casos de cancelamento e 52 casos de liquidação extrajudicial. Foi construído um painel de dados a partir de 54.087 balancetes de 359 bancos, englobando o período de julho de 1994 a novembro de 2016, juntamente com dados do setor bancário brasileiro e dados macroeconômicos. Para tratar do problema de eventos raros. O presente estudo utilizou a abordagem SMOTE (Synthetic Minority Over-sampling Technique) que pode aumentar a performance do modelo em termos da área sob a curva ROC (Area under the Receiver Operating Characteristic curve - AUC), uma técnica que que maximiza a área sob a curva ROC (AUC - area under the curve). Outra contribuição do segundo estudo foia comparação de modelos de acordo com o horizonte de tempo das previsões, característica importante para um EWS. Verificou-se que o modelo com o horizonte de tempo de 6 meses foi o modelo com maior área sob a curva ROC, para os dados da amostra utilizada, considerando-se o período de julho de 1994 até novembro de 2016. No terceiro artigo, foram utilizadas duas técnicas de aprendizagem de máquina supervisionada para construir EWSs: random forest e SVM (support vector machines) que obtiveram resultados superiores ao modelo de regressão logística apresentado no segundo estudo. Ambos os modelos de aprendizagem de máquina superam a regressão logística, em termos de acurácia, área sob a curva AUC (Area Under the Curve –AUC), sensibilidade (valor preditivo positivo) e especificidade (valor preditivo negativo). E o modelo random forest também superou o SVM em termos de acurácia, área sob a curva (AUC), sensibilidade e especificidade. Verificou-se também que os modelos random forest apresentaram melhor qualidade de previsão com as janelas de tempo de 32 e 34 meses, mostrando-se adequados às necessidades das autoridades.