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

• Ano de defesa: 2021
• Autor(a) principal: Guimarães, Olavo Severo
• Orientador(a): Monteiro, Sergio Marley Modesto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Crise econômica; Moeda; Dívida pública
• Palavras-chave em Inglês: Machine learning; Decision trees; Early warning signals; Sovereign debt crises
• Link de acesso: http://hdl.handle.net/10183/234780

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.