Risco de insolvência e sentimento textual bancário: uma análise dos bancos de capital aberto no Brasil
Notice bibliographique
Résumé
This study aimed to analyze whether the textual sentiment explains the greater risk of insolvency of publicly held banks in Brazil, with a sample composed of 17 companies and 450 observations referring to the period from the fourth quarter of 2012, until the fourth quarter of 2019. The empirical strategy adopted is divided in three parts: the first consists of using the unsupervised algorithm k-means to classify banks according to their risk of insolvency, a new measure of bankruptcy probability was elaborated during this process. At this stage, it was observed that 66 observations were classified as high risk, and 384 as low risk, thus being a more rigorous metric than the Z-score, regarding the classification of banks with high risk of insolvency. Then, supervised machine learning methods naive bayes and random forest and the logit model were used to identify which of these statistical techniques is more robust for the prediction of the variable constructed in the previous step. From the confusion matrix and the accuracy criterion it was possible to identify that the logistic model presented the greatest predictive power. Finally, a third step was taken to assess whether textual sentiment, the real percentage change in Gross Domestic Product (GDP), capitalization, profitability, liquidity, and the size of these firms explain the risk of bank insolvency. The results show that banks with a higher probability of bankruptcy have a more optimistic textual feeling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».