CORPORATE RATINGS GRADE PREDICTION

• Main Author: ANDRE SIH
• Other Authors: CARLOS KUBRUSLY
• Language: Portuguese
• Published: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO 2006
• Online Access: http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=9530@1; http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=9530@2

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO === COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR === CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO === O objetivo desta dissertação é analisar a relevância de um conjunto inicial de 18 atributos tais como Despesas Financeiras, Receitas e Liquidez Corrente, dentre outros, em relação à classificação de risco (grau) de uma empresa: especulação ou investimento, conforme classificação realizada pela agência Standard & Poor s. Avaliou-se comparativamente a eficácia de métodos lineares e não-lineares de seleção de atributos tais como Análise de Componentes Principais (PCA), Informação Mútua (IM) e Informação Mútua para Seleção de Atributos com Distribuição Uniforme (MIFS-U) e métodos lineares e não-lineares de predição tais como Regressão Múltipla Linear, Discriminante Linear de Fisher e Redes Neurais. Identificou-se através destes métodos e de conhecimento a priori, um conjunto de cinco fatores (atributos) capaz de estimar com alto índice de eficácia se o grau de uma empresa é de investimento ou especulação, a saber: Lucro Líquido, EBIT, Receitas, Valor de Mercado e Setor. === The purpose of this thesis is to analyze and rank the relevancy of 18 variables to S&P corporate ratings grades assignment. Beyond, we predict (classify) the Corporate Grades into two groups - Investment or Speculative. To achieve this goal, we applied and compared linear and non-linear Statistics models and Machine Learning Techniques (Multiple Linear Regression, Linear Fisher´s Discriminant, Neural Networks MLP) and feature selection methods such as Principal Component Analysis (PCA), Correlation, Mutual Information (MI) and Mutual Information for Features Selection under Uniform Distribution MIFS-U). The 17 of the initial set of 18 variables are financial variables such as Net Income, Interest Expense and Market Capitalization but one was the corporation´s Sector. Combining linear and nonlinear models and a priori knowledge, we identified a subset of five features (Net Income, EBIT, Total Revenues, Market Capitalization and Sector) that together reached up to 94.32% of success rate for the S&P grade prediction.