Previsibilidade em fusões e aquisições no Brasil: uma análise comparativa com algoritmos de Machine Learning
DOI:
https://doi.org/10.22279/navus.v16.2158Resumo
As operações de Fusões e Aquisições (F&A) são estratégias corporativas de alto impacto, porém marcadas por incertezas quanto à sua conclusão. Diante da carência de estudos empíricos com foco em predição no Brasil, este trabalho objetiva desenvolver e comparar modelos de machine learning para prever o sucesso de transações de F&A no mercado brasileiro. A pesquisa utiliza um banco de dados da Thomson Reuters SDC com 6.697 operações anunciadas entre 2000 e 2016. Foram aplicados e avaliados quatro algoritmos distintos: regressão logística com e sem penalização, redes neurais e random forest. A performance foi mensurada pela área sob a curva ROC (AUC). Todos os modelos demonstraram capacidade preditiva (AUC ≈ 0.70), com as redes neurais apresentando o maior poder discriminatório (AUC = 0.7416). O estudo contribui para a literatura ao demonstrar a viabilidade da aplicação de técnicas de inteligência artificial na análise de F&A em mercados emergentes, oferecendo um método quantitativo que pode aprimorar a tomada de decisão estratégica e a gestão de riscos.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Edimilson Costa Lucas, Márcio Quadro Lopes dos Santos, Danilo Braun Santos, Thiago Henriques Fernandes, Vinícius Augusto Brunassi Silva
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
O conteúdo da revista é de acesso público e gratuito, podendo ser compartilhado de acordo com os termos da Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil. Você tem a liberdade de compartilhar — copiar, distribuir e transmitir a obra, sob as seguintes condições:
a) Atribuição — a atribuição deve ser feita quando alguém compartilhar um de seus artigos e deve sempre citar o nome da revista e o endereço do conteúdo compartilhado.
b) Uso não-comercial — você não pode usar esta obra para fins comerciais.
c) Vedada à criação de obras derivadas — você não pode alterar, transformar ou criar em cima desta obra.
Ficando claro que:
Renúncia — qualquer das condições acima pode ser renunciada se você obtiver permissão do titular dos direitos autorais. Domínio Público — onde a obra ou qualquer de seus elementos estiver em domínio público sob o direito aplicável, esta condição não é, de maneira alguma, afetada pela licença.
Outros Direitos — os seguintes direitos não são, de maneira alguma, afetados pela licença:
- Limitações e exceções aos direitos autorais ou quaisquer usos livres aplicáveis;
- os direitos morais do autor;
- direitos que outras pessoas podem ter sobre a obra ou sobre a utilização da obra, tais como direitos de imagem ou privacidade.
Aviso — para qualquer reutilização ou distribuição, você deve deixar claro a terceiros os termos da licença a que se encontra submetida esta obra.
A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
Os trabalhos publicados passam a ser propriedade da revista Navus: Revista de Gestão e Tecnologia que deve ser consignada a fonte de publicação original. Os originais não serão devolvidos aos autores.
As opiniões emitidas pelos autores nos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada sob uma Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil.
