Early Warning System para distress bancário no Brasil

Tese (doutorado)—Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade e Gestão Pública, Programa de Pós-Graduação em Administração, 2017.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.This thesis consistis of three articles covering topics in early warning system (EWS) for bank crises and distress: an empirical study that estimates an early warning system for distress of Brazilian banks with logistic regression and an empirical study that builds an early warning system with techniques Of supervised machine learning. The first article presents an overview of the literature on EWS for bank crises and bank distress through a bibliometric review of the literature presenting the main ideas, main concepts, main relationships with other types of crises, main methods used, main crisis indicators And distress. A survey was carried out in the databases of Scopus and the Web of Science, where, based on selection criteria, 124 articles were found that were duly classified and codified by important criteria for the study area. The evolution of the studies in the area, the generations and types of EWS and the main micro and macroprudential indicators presented by the sample studies were presented. As a result of the literature gaps in the area, a structured agenda is proposed, aimed at guiding new studies through the presentation of gaps with great potential to be explored and to reinforce the state of the art in EWS. In addition, the results demonstrate that more studies are needed in EWS regarding the determination of time horizons for model predictions, in relation to studies dealing with South America, Central America and Africa. Future studies should also consider the possibility of using machine learning models, artificial intelligence and computational methods, as there are still few studies and the results are promising. The article contributed some innovations such as the construction and use of a new database of distress events of Brazilian banks, including 179 events considered as bank distress according to the definition of ?, including 8 cases of RAET (Temporary Special Administration Scheme), 9 cases of intervention, one PROER (The Program of Incentives for the Restructuring and Strengthening of the National Financial System) case, 11 cases of privatization, 32 cases of incorporation and merger, 13 cases of transformation in other types of financial institutions, 32 cases of transformation of banks into other types of institutions, 21 cases of cancellation and 52 cases of extrajudicial liquidation. A data panel was constructed from 54,087 balance sheets of 359 banks, covering the period from July 1994 to November 2016, together with data from the Brazilian banking sector and macroeconomic data. In order to address the problem of rare events, the present study used the Synthetic Minority Over-sampling Technique (SMOTE) approach that can increase the model’s performance in terms of the Area under the Receiver Operating Characteristic curve (AUC), a technique that maximizes the area under the ROC curve (AUC). Another contribution of the second study was the comparison of models according to the time horizon of the forecasts, an important feature for an EWS. It was verified that the model with the time horizon of 6 months was the model with the largest area under the ROC curve, for the data of the sample used, considering the period from July 1994 to November 2016. In the third article, two supervised machine learning techniques were used to construct EWSs: random forest and SVM (support vector machines) that obtained results superior to the logistic regression model presented in the second study. Both models of machine learning outperform logistic regression in terms of accuracy, area under the AUC curve, sensitivity (positive predictive value) and specificity (negative predictive value). And the random forest model also surpassed the SVM in terms of accuracy, area under the curve (AUC), sensitivity and specificity. It was also verified that the random forest models presented better quality of prediction with the forecast time horizons of 32 and 34 months, being adapted to the needs of the authorities