APRENDIZADO DE MÁQUINA NA PRECIFICAÇÃO DE EMPRESAS: UMA ESTRATÉGIA DE INVESTIMENTO
Valuation, finanças corporativas, aprendizado de máquina, bolsa de valores
Os modelos tradicionais de valuation apresentam desafios significativos. Suas limitações incluem o viés, que compromete a imparcialidade devido a informações prévias e pressões externas; a incerteza, comum em startups e empresas em transição; e a complexidade, intensificada pela globalização e mudanças nas normas contábeis. Além disso, técnicas como o fluxo de caixa descontado podem ser complexos demais e de pouca capacidade de generalização, tornando-se rapidamente obsoletos por dependerem de parâmetros específicos de cada empresa e momento. Este artigo propõe uma metodologia com dois objetivos:precificar empresas listadas na bolsa de valores B3 e, a partir desse método de precificação, selecionar ativos para compor uma estratégia de investimento. Utilizando algoritmos de Aprendizado de Máquina, o estudo adota o valor de mercado(MarketCap) como variável dependente e explora diversos modelos para determinar o preço justo de empresas. A precisão dos modelos foi avaliada pela métrica Mean Absolute Percentage Error(MAPE), indicando a necessidade de dados adicionais para mitigar sobreajuste e subajuste. A estratégia de investimento, que seleciona empresas subvalorizadas e rebalanceia o portfólio trimestralmente, mostrou-se eficaz em superar o benchmark em quase todos os grupos de dados e algoritmos testados. Por fim, as evidências estatísticas indicaram que não há relação entre a métrica MAPE e os retornos obtidos pelas estratégias de investimento.