Aplicação de redes neurais na classificação de rentabilidade futura de empresas

Este trabalho tem por motivação evidenciar a eficiência de redes neurais na classificação de rentabilidade futura de empresas, e desta forma, prover suporte para o desenvolvimento de sistemas de apoio a tomada de decisão de investimentos. Para serem comparados com o modelo de redes neurais, foram escolhidos o modelo clássico de regressão linear múltipla, como referência mínima, e o de regressão logística ordenada, como marca comparativa de desempenho (benchmark). Neste texto, extraímos dados financeiros e contábeis das 1000 melhores empresas listadas, anualmente, entre 1996 e 2006, na publicação Melhores e Maiores – Exame (Editora Abril). Os três modelos foram construídos tendo como base as informações das empresas entre 1996 e 2005. Dadas as informações de 2005 para estimar a classificação das empresas em 2006, os resultados dos três modelos foram comparados com as classificações observadas em 2006, e o modelo de redes neurais gerou o melhor resultado.

The motivation of this work is to verify the efficiency of neural networks as a tool for classifying forecasts of companies’ return on equity, so that they can be used in order to provide support for the development of investment decision support systems. The results obtained by the proposed neural networks mode are compared to those obtained by the use of the classic multiple linear regression as a minimum reference and, as a benchmark, to those obtained via ordinal logistic multiple regression. In this work, we gathered top 1000 companies’ financial and accounting data, annually listed by Melhores e Maiores – Exame publication (Editora Abril), from 1996 to 2006. The three models were built using data relative to the period between 1996 and 2004. Using the 2005 data as input in order to forecast companies’ classification in 2006, the three models’ outputs were compared to the observed 2006 classification, and the neural network model yielded the best results.