Título
[en] CORPORATE RATINGS GRADE PREDICTION
Título
[pt] PREDIÇÃO DO GRAU DE RATINGS CORPORATIVOS
Autor
[pt] ANDRE SIH
Vocabulário
[pt] REDE NEURAL
Vocabulário
[pt] SELECAO DE ATRIBUTOS
Vocabulário
[pt] PREDICAO DE RISCO
Vocabulário
[pt] RATINGS
Vocabulário
[pt] INVESTIMENTO
Vocabulário
[pt] ESTATISTICA
Vocabulário
[en] NEURAL NETWORKS
Vocabulário
[en] FEATURE SELECTION
Vocabulário
[en] RISK FORECAST
Vocabulário
[en] RATINGS
Vocabulário
[en] INVESTMENT
Vocabulário
[en] STATISTICS
Resumo
[pt] O objetivo desta dissertação é analisar a relevância de um conjunto inicial
de 18 atributos tais como Despesas Financeiras, Receitas e Liquidez Corrente,
dentre outros, em relação à classificação de risco (grau) de uma empresa:
especulação ou investimento, conforme classificação realizada pela agência
Standard & Poor s. Avaliou-se comparativamente a eficácia de métodos lineares e
não-lineares de seleção de atributos tais como Análise de Componentes
Principais (PCA), Informação Mútua (IM) e Informação Mútua para Seleção de
Atributos com Distribuição Uniforme (MIFS-U) e métodos lineares e não-lineares
de predição tais como Regressão Múltipla Linear, Discriminante Linear de Fisher
e Redes Neurais. Identificou-se através destes métodos e de conhecimento a
priori, um conjunto de cinco fatores (atributos) capaz de estimar com alto índice
de eficácia se o grau de uma empresa é de investimento ou especulação, a saber:
Lucro Líquido, EBIT, Receitas, Valor de Mercado e Setor.
Resumo
[en] The purpose of this thesis is to analyze and rank the
relevancy of 18
variables to S&P corporate ratings grades assignment.
Beyond, we predict
(classify) the Corporate Grades into two groups -
Investment or Speculative. To achieve this goal, we
applied and compared linear
and non-linear Statistics models and Machine Learning
Techniques (Multiple
Linear Regression, Linear Fisher´s Discriminant, Neural
Networks MLP) and
feature selection methods such as Principal Component
Analysis (PCA),
Correlation, Mutual Information (MI) and Mutual
Information for Features
Selection under Uniform Distribution MIFS-U). The 17 of
the initial set of 18
variables are financial variables such as Net Income,
Interest Expense and Market
Capitalization but one was the corporation´s Sector.
Combining linear and nonlinear
models and a priori knowledge, we identified a subset of
five features (Net
Income, EBIT, Total Revenues, Market Capitalization and
Sector) that together
reached up to 94.32% of success rate for the S&P grade
prediction.
Orientador(es)
CARLOS KUBRUSLY
Banca
CARLOS EDUARDO PEDREIRA
Banca
JOSE LEONARDO RIBEIRO MACRINI
Banca
MARCELO CUNHA MEDEIROS
Banca
CARLOS KUBRUSLY
Banca
ANDRE D ALMEIDA MONTEIRO
Banca
GUILHERME MARQUES CALOBA
Banca
CARLTON ANTHONY TAFT
Catalogação
2007-02-15
Apresentação
2006-08-15
Tipo
[pt] TEXTO
Formato
application/pdf
Formato
application/pdf
Formato
application/pdf
Formato
application/pdf
Formato
application/pdf
Formato
application/pdf
Formato
application/pdf
Idioma(s)
PORTUGUÊS
Referência [pt]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9530@1
Referência [en]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9530@2
Referência DOI
https://doi.org/10.17771/PUCRio.acad.9530
Arquivos do conteúdo
CAPA, AGRADECIMENTOS, RESUMO, ABSTRACT, SUMÁRIO E LISTAS PDF CAPÍTULO 1 PDF CAPÍTULO 2 PDF CAPÍTULO 3 PDF CAPÍTULO 4 PDF CAPÍTULO 5 PDF REFERÊNCIAS BIBLIOGRÁFICAS E APÊNDICES PDF