A comparison of corporate distress prediction models in Brazil: hybrid neural networks, logit models and discriminant analysis

Autores

  • Juliana Yim
  • Heather Mitchell

Palavras-chave:

redes neurais híbridas, falência de empresas.

Resumo

O presente artigo analisa o desempenho das redes neurais híbridas para prever falência de empresas no Brasil. Esta nova técnica foi comparada com modelos estatísticos tradicionais. Os resultados sugerem que as redes neurais híbridas são superiores as técnicas estatísticas um ano antes do evento. Isto sugere que para pesquisadores, políticos e outros interessados em “early warning systems”, redes neurais híbridas podem ser uma poderosa alternativa para prever falência de empresas.

Downloads

Publicado

2009-06-02

Como Citar

YIM, J.; MITCHELL, H. A comparison of corporate distress prediction models in Brazil: hybrid neural networks, logit models and discriminant analysis. Nova Economia, [S. l.], v. 15, n. 1, 2009. Disponível em: https://revistas.face.ufmg.br/index.php/novaeconomia/article/view/445. Acesso em: 24 abr. 2024.

Edição

v. 15 n. 1 (2005)

Seção

Números Regulares

Licença

Autore[a]s que publicam nesta revista concordam com os seguintes termos:

  1. Autore[a]s mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Atribuição 4.0 Internacional que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
  2. Autore[a]s têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
  3. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).