ENDá para saber antes quem vai ter a nota de crédito rebaixada?
A pesquisa comparou seis modelos de aprendizado de máquina com dados de milhares de empresas avaliadas pela S&P. Os feitos de muitas árvores de decisão anteciparam quase sem erro quem seria rebaixado ou daria calote, e um método de explicação mostrou o que pesou em cada faixa de risco. Explicada em 12 telas.
A nota de crédito é a opinião de um comitê
Agências como a S&P dão às empresas uma nota, o rating, que diz quão provável é que paguem suas dívidas. A escala tem 23 degraus, de AAA (o mais seguro) a D (calote). Quando a nota cai, a dívida fica mais cara e cláusulas de contratos podem ser acionadas.
Toque num degrau. Cada artigo da tese agrupou os degraus de um jeito.
Tabelas 2.5 e 3.2 e seção 3.2.3 da tese. A Tabela 3.2 põe o degrau CC na faixa B; mantivemos como está.
Seis jeitos de separar as empresas que vão cair
Todos recebem os mesmos números de cada empresa e aprendem, com exemplos do passado, a traçar uma fronteira entre as que caíram e as que não caíram. Mudam no formato da fronteira que conseguem desenhar.
Ilustração nossa com 60 empresas inventadas e só dois números por empresa. Os modelos da tese usam dezenas de informações ao mesmo tempo.
Quase 28 mil notas, seis em cada dez dos Estados Unidos
O primeiro artigo juntou, na base S&P Capital IQ Pro, 3.453 empresas com rating de 20 países, de 2018 a 2024, e 51 informações de cada uma: 43 números financeiros (dívida, caixa, margens, coberturas) e 8 avaliações do negócio (risco do setor, do país, governança).
Como a mistura de notas muda muito de um país para outro, o autor treinou um modelo por país. Toque num país.
Onde há mais empresas, os modelos se separam
Cada modelo tentou acertar a classe (A, B, C ou D) de empresas que não tinha visto. Na maioria dos países, quase todos passaram de 90%. Nos Estados Unidos, com mais empresas e mistura maior, a rede neural e as árvores abriram distância dos tradicionais. Toque num país.
Acerto médio em 5 repetições de validação cruzada com 10 partes (Tabela 2.6). A árvore de decisão isolada ficou abaixo; a tese não publica seus números.
Agora a pergunta é outra: esta empresa vai cair nos próximos 12 meses?
O segundo artigo usou 31.151 observações de empresas (2017 a 2022) e 46 informações. Em vez de adivinhar a nota, cada modelo responde sim ou não: a empresa terá a nota rebaixada ou dará calote no ano seguinte? E há um modelo para cada uma das seis faixas de risco.
Para imitar o uso real, os modelos aprenderam com 2017 a 2021 e foram testados em 2022, um ano que nunca tinham visto.
Altura = parcela de casos de rebaixamento ou calote em cada faixa (Tabela 3.1).
Acertar quem cai sem soar alarme à toa
Quando poucas empresas caem, “acertar muito” engana: quem diz que ninguém vai cair acerta quase sempre e não serve para nada. Por isso a tese mede duas coisas ao mesmo tempo: dos que caíram, quantos o alarme pegou e dos alarmes, quantos eram de verdade. O F1 junta as duas numa nota de 0 a 1.
Mexa na sensibilidade do alarme.
Ilustração com 100 empresas inventadas, 20 delas a caminho de um rebaixamento. A tese também usa a AUC (de 0,5, sorteio, a 1, separação perfeita) e o MCC (de −1 a 1).
XGBoost e Random Forest quase não erraram em nenhuma faixa
Os dois modelos de árvores ficaram perto do máximo (1) nas seis faixas; o XGBoost chegou a 1,000 nas pontas da escala. A regressão logística e o SVM foram razoáveis nas faixas boas e tropeçaram na faixa BB e nas de maior risco.
Tabela 3.4 (validação cruzada com 5 partes) e Tabela 3.7 (aprende com 2017–2021, testa em 2022). Altura proporcional ao valor, a partir do zero.
Diante de 2022, o SVM foi o que mais perdeu
Um modelo pode ir bem nos dados com que aprendeu e falhar no ano seguinte. Compare, faixa por faixa, o resultado na validação cruzada (●) com o do teste em 2022 (◆). O XGBoost praticamente não se moveu; o SVM despencou nas faixas BB e CCC.
Gestão e governança pesam mais em todas as faixas; a liquidez ganha peso com o risco
Para explicar as previsões, a tese usou o SHAP, um método que mede quanto cada informação empurrou a resposta do modelo. Na média, a avaliação de gestão e governança ficou em primeiro nas seis faixas. Logo abaixo, nas faixas mais seguras vem o setor; da faixa BB para baixo, a liquidez, o caixa à mão para pagar contas.
Valores aproximados, lidos dos gráficos da Figura 3.3 (média do SHAP em valor absoluto, as sete informações mais influentes de cada faixa).
Sem a nota anterior, o acerto cai, sobretudo na faixa de maior risco
Resultados tão perto da perfeição levantam suspeita. O autor refez a análise de duas formas: sem as informações de tamanho da empresa (receita, dívida em valores) e sem o histórico de rating (a nota anterior e a última ação da agência).
Sem o tamanho, nada mudou. Sem o histórico, o F1 caiu, pouco no XGBoost e muito no Random Forest. Na faixa de maior risco, o Random Forest foi de 0,93 para 0,25. Toque numa faixa.
Um alarme que explica por que tocou
Bancos e investidores
O XGBoost serve onde deixar passar uma empresa que vai cair custa caro; o Random Forest, quando pesa o custo de computação. A regressão logística fica como referência para carteiras de baixo risco.
Monitoramento de risco
O que sinaliza perigo muda com a faixa: nas faixas de risco, olhar liquidez e cobertura de encargos; nas seguras, o setor e a escala.
Reguladores
Regras como as da autoridade bancária europeia e do Fed exigem explicar e validar os modelos. O SHAP mostra o que pesou em cada previsão.
Pesquisadores
Próximos passos sugeridos: notícias, relatórios e dados de mercado (CDS), análise em tempo real e modelos que já nasçam explicáveis.
O que esta pesquisa não diz
- Uma fonte, um ano de teste. Dados de uma única base (S&P) e teste em 2022 apenas; outros ciclos econômicos podem mudar o quadro. · segundo o autor
- Só números estruturados. Ficaram de fora notícias, relatórios de analistas e sinais de mercado. · segundo o autor
- Explicação depois do fato. O SHAP explica o modelo pronto; o autor sugere modelos que já nasçam explicáveis. · segundo o autor
- Quase perfeito, com ajuda do histórico. Parte do acerto vem de saber a nota anterior (Apêndice D), informação que não aparece na lista de variáveis da Tabela 3.3. · observação nossa
- Sem a comparação com um modelo único. A tese defende um modelo por faixa, mas não mostra o resultado de um modelo para todas as faixas juntas. · observação nossa
Créditos
OLIVEIRA, Nazário Augusto de. Explaining corporate credit rating transitions and defaults through machine learning: a data-driven approach to risk assessment. Tese (Doutorado em Administração de Empresas) — Universidade Presbiteriana Mackenzie, São Paulo, 2026. Orientador: Prof. Dr. Leonardo Fernando Cruz Basso.
Tese em dois artigos, o primeiro publicado na revista Risks. Isenção integral de mensalidades do Instituto Presbiteriano Mackenzie. O autor declara ter usado o ChatGPT na revisão do texto, na organização do trabalho e no apoio à programação. Esta versão simplifica a tese para o público em geral.