Rating de risco de projetos de inovação tecnológica: uma proposta através da aplicação das Support Vector Machines

• Ano de defesa: 2010
• Autor(a) principal: Guimarães Júnior, Djalma Silva
• Orientador(a): Távora Júnior, José Lamartine
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Palavras-chave em Português: Análise de investimentos; Projetos de inovação tecnológica; Rating e Support Vector Machines
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/5433

Um projeto de inovação tecnológica consiste em uma série de análises e procedimentos que tem como fim estimar o valor de uma tecnologia, ou seja, gerar uma estimativa dos rendimentos futuros que tal empreendimento/tecnologia possa proporcionar. A abordagem tradicional da análise de investimentos para esta categoria de projetos possui uma limitação no que tange a: 1 estimação do valor da tecnologia que exige a incorporação de variáveis qualitativas que não são consideradas por essa modelagem; e 2 a elevada variabilidade das estimativas do fluxo de caixa projetado, em virtude das diferentes categorias de risco inerentes a esse tipo de projeto. A partir desta limitação apresentada no estado da arte da avaliação deste tipo de projeto, esta pesquisa de cunho exploratório pretende utilizar a metodologia de rating como uma alternativa a avaliação de projetos de inovação. Pois um sistema de classificação através de rating possui a flexibilidade necessária para a incorporação de variáveis qualitativas que podem auxiliar na mensuração do valor da tecnologia, bem como fornece uma série de procedimentos que permitem a estimação do risco de tais projetos. Tal aplicação da metodologia de rating gera o Sistema de Classificação de Risco de Projetos de Inovação (SCRP), que a partir de uma amostra de 40 projetos de investimento industrial fornecidos pelo Banco do Nordeste do Brasil, indicadores setoriais, macroeconômicos e tecnológicos, provê uma classificação de viabilidade e risco para tais projetos. As Support Vector Machines, técnica de inteligência artificial com resultados exitosos em várias áreas das finanças, inclusive com ratings é introduzida nesta pesquisa para testar a classificação gerada pelo SCRP. A aplicação do SVM fez uso do código LIBSVM e do Software Matlab. A classificação obtida pelo SCRP apresentou um ajuste médio de 83,6% quando comparado aos 10 melhores projetos classificados pelo critério da TIR e de 87,6% de ajuste médio para com os 8 piores projetos classificados pelo critério do VPL, a classificação obtida através do SVM, apresentou uma acuracia de 37,5% frente aos dados de teste