Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Chaves, Rubens Marques
Orientador(a): Garcia, Luís Paulo Faina
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: http://repositorio.unb.br/handle/10482/49835
Resumo: Dissertação (Mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.
id UNB_ca8f9f848484cb87c08c1fe6d4b56abb
oai_identifier_str oai:repositorio.unb.br:10482/49835
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Chaves, Rubens MarquesGarcia, Luís Paulo Faina2024-08-13T21:09:22Z2024-08-13T21:09:22Z2024-08-132023-07-20CHAVES, Rubens Marques. Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados. 2023. 104 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2023.http://repositorio.unb.br/handle/10482/49835Dissertação (Mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.As previsões de falência corporativas são importantes para empresas, investidores e autoridades regulatórias. No entanto, como a maioria dos modelos de previsão de falência em estudos anteriores foram baseados em uma única dimensão de tempo, eles tendem a ignorar as duas principais características de dados de dificuldades financeiras, conjuntos de dados desequilibrados e desvio de conceito do fluxo de dados. Para supera-los, este estudo tenta identificar as técnicas mais adequadas para o tratamento desses problemas em demonstrações financeiras fornecidas trimestralmente a CVM, utilizando um sistema de janelas deslizantes e com mecanismo de esquecimento para evitar a degradação do modelo preditivo. Um experimento empírico foi realizado em uma amostrada de dados coletados do portal de dados abertos da CVM, em um período de 10 anos (2011 a 2020), com 905 corporações distintas, 23.468 registros com 102 indicadores cada, sendo 21.750 de empresas sem dificuldade financeira e 1.718 de empresas com dificuldade financeira. Devido a características do problema, em especial o desbalanceamento, o desempenho do modelo foi medido através de AUC (área sob a curva ROC), G-measure e F-measure.Instituto de Ciências Exatas (IE)Departamento de Ciência da Computação (IE CIC)Programa de Pós-Graduação em InformáticaporA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessPredição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dadosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisAprendizagem de máquinaInteligência artificialFalênciaDificuldades financeirasreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNBORIGINALRubensMarquesChaves_DISSERT.pdfapplication/pdf21418479http://repositorio.unb.br/bitstream/10482/49835/1/RubensMarquesChaves_DISSERT.pdfc7c49d6965aa806b0d8b4e69ed7ff923MD51open access10482/498352025-02-27 15:14:23.417open accessoai:repositorio.unb.br:10482/49835Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2025-02-27T18:14:23Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.pt_BR.fl_str_mv Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados
title Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados
spellingShingle Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados
Chaves, Rubens Marques
Aprendizagem de máquina
Inteligência artificial
Falência
Dificuldades financeiras
title_short Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados
title_full Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados
title_fullStr Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados
title_full_unstemmed Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados
title_sort Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados
author Chaves, Rubens Marques
author_facet Chaves, Rubens Marques
author_role author
dc.contributor.author.fl_str_mv Chaves, Rubens Marques
dc.contributor.advisor1.fl_str_mv Garcia, Luís Paulo Faina
contributor_str_mv Garcia, Luís Paulo Faina
dc.subject.keyword.pt_BR.fl_str_mv Aprendizagem de máquina
Inteligência artificial
Falência
Dificuldades financeiras
topic Aprendizagem de máquina
Inteligência artificial
Falência
Dificuldades financeiras
description Dissertação (Mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.
publishDate 2023
dc.date.submitted.none.fl_str_mv 2023-07-20
dc.date.accessioned.fl_str_mv 2024-08-13T21:09:22Z
dc.date.available.fl_str_mv 2024-08-13T21:09:22Z
dc.date.issued.fl_str_mv 2024-08-13
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv CHAVES, Rubens Marques. Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados. 2023. 104 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2023.
dc.identifier.uri.fl_str_mv http://repositorio.unb.br/handle/10482/49835
identifier_str_mv CHAVES, Rubens Marques. Predição de falência utilizando dados sequenciais não estacionários em uma abordagem de fluxo de dados. 2023. 104 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2023.
url http://repositorio.unb.br/handle/10482/49835
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
bitstream.url.fl_str_mv http://repositorio.unb.br/bitstream/10482/49835/1/RubensMarquesChaves_DISSERT.pdf
bitstream.checksum.fl_str_mv c7c49d6965aa806b0d8b4e69ed7ff923
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1876329247717457920

Registros relacionados