CLASSIFICAO DE RATINGS DE RISCO SOBERANO DE PASES EMERGENTES A PARTIR DE FUNDAMENTOS MACROECONMICOS UTILIZANDO REDES NEURAIS ARTIFICIAIS

Palavras Chave: Rating de risco soberano. Fundamentos macroeconmicos. Redes neurais artificiais. Classificao JEL: C45, G14, E44

Bruno Ferreira Frascaroli Bacharel em Economia pela UFV Mestre em Economia pela UFPB Doutorando em Economia pelo PIMES UFPE Luciano da Costa Silva Bacharel em Fsica pela UFPB Mestre em Matemtica Aplicada pelo IME USP Doutor em Matemtica Aplicada pelo IME USP Professor Doutor do Departamento de Estatstica/ Mestrado em Economia UFPB Osvaldo Cndido da Silva Filho Bacharel em Economia pela UFPB Mestre em Economia pela UFPB Doutorando em Economia pelo PPGE UFRGS

CLASSIFICAO DE RATINGS DE RISCO SOBERANO DE PASES EMERGENTES A PARTIR DE FUNDAMENTOS MACROECONMICOS UTILIZANDO REDES NEURAIS ARTIFICIAIS RESUMO O mercado financeiro caracterizado pela presena de assimetria de informao. Assim, diante do desenvolvimento e maior integrao destes, instituies e dispositivos que tm como propsito minimizar os transtornos gerados pela assimetria de informao so de muita importncia. Especialmente no caso de pases como o Brasil, que tm ampla necessidade de captao de recursos no mercado externo. Um destes dispositivos o rating de risco soberano, que constitui pea chave para determinar as condies dos mercados de crdito fundamentais para o desenvolvimento de pases emergentes. O objeto de estudo do presente trabalho foi estudar a classificao dos ratings de risco soberano realizadas pelas agncias de rating e seu propsito foi, a partir dos fundamentos macroeconmicos, encontrar uma classificao de risco dos diversos pases emergentes utilizando o critrio de risco estimado por Redes Neurais Artificiais. Tomando a classificao estimada, observamos o grau de homogeneidade entre as atribuies das agncias e os fundamentos macroeconmicos dos pases da amostra. Observamos que quatro destes fundamentos esto mais diretamente ligados a estas atribuies. Logo aps, utilizamos redes neurais para fazer simulaes de cenrios das condies externas de crdito para a economia brasileira a partir de mudanas destes fundamentos macroeconmicos. Palavras Chave: Rating de risco soberano, fundamentos macroeconmicos, redes neurais artificiais. ABSTRACT The financial market is characterized by the presence of information asymmetry. Therefore, due to the development and larger integration of these, institutions and devices that aim at minimizing the problems generated by information asymmetry are indeed very important. Especially in the case of developing countries, like Brazil, which need more resources in the external market. One of these devices is the sovereign risk rating, which constitutes a key piece in the determination of credit market conditions, essential to the growth of developing countries. The objective of the present work was to study the classification of sovereign risk ratings and its purpose was, based on macroeconomics foundations, to find a classification of risk of several emerging countries, by using the risk criterion estimated by the Artificial Neural Networks. According to the estimated classification, it is possible to observe the homogeneity degree among the attributions of agencies and macroeconomics foundations of the sampled countries. Four of these foundations are more directly connected with these attributions. After this, we used Neural Networks to promote simulations of sceneries of the credit external conditions for the Brazilian economy, starting with changes in the macroeconomics foundations. Key-Words: Sovereign risk rating, macroeconomics foundations, artificial neural networks

Classificao JEL: C45, G14, E44

Introduo Transaes financeiras so inexoravelmente caracterizadas por assimetrias de informao entre fornecedores e tomadores de recursos. Os ltimos tm necessariamente conhecimento mais amplo sobre sua prpria capacidade de pagamento tanto a respeito da disposio de recursos e prazo de pagamento do que aqueles que lhes fornecem recursos. Portanto, do ponto de vista dos fornecedores de recursos, a presena de tal assimetria afetar os prmios pelos riscos de crdito exigidos em qualquer operao de crdito e aquisio de ttulos financeiros (CANUTO e SANTOS, 2003b). Nos estudos sobre determinantes de crescimento e desenvolvimento econmico das naes de suma importncia estudar-se o mercado financeiro destas. O objeto de estudo do presente trabalho foi estudar a classificao dos ratings de risco soberano realizadas pelas agncias de rating e seu propsito foi, a partir dos fundamentos macroeconmicos das diversas naes, encontrar uma classificao de risco dos diversos pases emergentes utilizando o critrio de risco estimado por Redes Neurais Artificiais. Tomando a classificao estimada, observamos a homogeneidade entre as atribuies das agncias e os fundamentos macroeconmicos dos pases da amostra. Esta classificao se baseou na localizao de elementos constituintes e classificao a posteriori das mudanas de estado dos movimentos das sries temporais macroeconmicas determinantes das atribuies dos ratings de risco soberano desses pases e das sries de risco soberano fornecidas pelas agncias de rating. Logo aps, utilizamos redes neurais para fazer simulaes de cenrios das condies externas de crdito para a economia brasileira a partir de mudanas em seus fundamentos macroeconmicos servindo, desta maneira, como uma ferramenta objetiva de apoio deciso. As redes neurais so aproximadores universais de funes. Elas so bastante similares s regresses lineares e no-lineares pelo mtodo de mnimos quadrados ordinrios (MQO), logo as primeiras podem ser vistas como uma abordagem estatstica alternativa para resolver problemas que envolvem anlise recursiva de informaes. Ambos mtodos envolvem minimizao da soma dos quadrados dos erros de estimao (KAASTRA e BOYD, 1996). Como a economia brasileira necessita de fluxos de capitais externos para equilibrar seu balano de pagamentos, possvel compreendermos como os fundamentos macroeconmicos e as atribuies de ratings afetam a economia restringindo ou ampliando sua captao de recursos no mercado financeiro internacional. Vale ressaltar que mesmo aps a estabilizao de algumas variveis macroeconmicas a partir de 1994, a dificuldade de captao de recursos no mercado financeiro internacional provocou uma mudana na poltica cambial em janeiro de 1999. Desta forma, torna-se claro a importncia de estudos sobre as condies do mercado de crdito internacional haja vista que pases emergentes como o Brasil, no so autosuficientes em recursos financeiros tornando-se tomadores lquidos de recursos neste mercado. Reinhart (2001) salienta que, justamente para pases emergentes tomadores lquidos de recursos, as condies de captao de recursos mais crtica. Para estes pases, as agncias de rating possuem um comportamento mais severo, no sentido de, freqentemente, penalizar estes pases com downgrades1 mesmo que seus fundamentos macroeconmicos estejam estveis. Com base em verificaes empricas anteriores a este trabalho, como a destacada em Reinhart (Op. Cit.), direcionamos a anlise para a relao entre as atribuies de ratings para os pases emergentes e seus respectivos fundamentos macroeconmicos, no sentido de observarmos se realmente h uma relao prxima de causalidade entre flutuaes nos

Elevao de risco soberano na escala das agncias de ratings.

fundamentos macroeconmicos, isto , a capacidade dos pases saldarem suas obrigaes, e as atribuies de ratings realizadas pelas agncias. Um rating uma estimativa da probabilidade de haver inadimplncia futura. importante entender que os ratings soberanos abordam o risco de crdito de governos nacionais (STANDARD & POORS , 2004). Rating um ponto de vista sobre risco relativo baseado na capacidade e vontade do emissor para pagar completamente e no prazo acordado, principal e juros, durante o perodo de vigncia do instrumento de dvida e severidade da perda, em caso de inadimplncia (MOODYS, 2003). Quanto maior o risco que investidores assumem em adquirir algum ttulo de um governo soberano, menor a capacidade deste governo em tornar atraente esta aquisio e, portanto, atrair capital estrangeiro. Em conseqncia, maior o prmio remunerado aos investidores para compens-los por assumir esse risco. Cantor e Packer (1996) confirmam que existe uma correlao inversa entre as atribuies de ratings realizadas pelas agncias e o spread de prmios pagos entre ttulos dos governos soberanos e os ttulos do governo norteamericano, isto , quanto menor o conceito atribudo pela agncia (maior risco) maior a remunerao paga pelo ttulo, embora a habilidade dos ratings para explicar spreads relativos no pode ser completamente atribuda correlao mtua com indicadores de risco soberanos. Stiglitz e Grennwald (2004), justificam que o mercado de capitais possui caractersticas especiais pelo fato de negociar crdito, isto , o mercado de capitais possui particularidades que o torna diferente dos demais. Segundo eles, existe informao assimtrica neste mercado. Este fenmeno causa problemas de risco moral e seleo adversa2. O risco moral surge pela incapacidade dos fornecedores de crdito, seja operacional ou por elevados custos, de monitorarem as aes dos tomadores de recursos aps o contrato de concesso de crdito. A seleo adversa surge da informao assimtrica obtida pelos fornecedores de crdito a respeito dos projetos de investimentos dos tomadores de recursos que sero feitos com recursos emprestados. Quando possvel diminuir o efeito malfico das assimetrias de informao no sistema financeiro, as transaes financeiras se desenvolvem. Assim, algumas medidas como coleta e processamento de informaes antes das operaes, firmao de contratos mais claros e monitoramento dos tomadores de recursos de modo a controlar o uso dos recursos aps seu fornecimento agem no sentido de desenvolver o sistema financeiro. Entretanto, tais medidas operam com custos que, s vezes, oneram demasiadamente as partes que negociam recursos e nem sempre essas medidas tm eficcia suficiente para suprimir essa assimetria de informao. Neste sentido, a presena de instrumentos de ordem legal, assim como instrumentos institucionais que sustentem o cumprimento de contratos e o exerccio de garantias, a assimetria de informaes e os prmios cobrados como compensao pelos riscos de crdito diminuem. Em conformidade com Canuto e Santos (2003b), um risco em particular o risco soberano, isto , o risco de crdito vinculado a operaes de crdito concedidas a estados soberanos. Os colaterais e o cumprimento dos contratos so distintos daqueles presentes nos casos de crdito para agentes privados. Adicionalmente, a disponibilidade da capacidade de pagamento diferente, pois entre seus determinantes esto as variveis macroeconmicas que indicam as expectativas a cerca da capacidade futura de pagamento daquele pas que toma recursos emprestados. Entre estas, podemos destacar as reservas de divisas estrangeiras, crescimento econmico, capacidade de arrecadao tributria, etc. Em complemento, este trabalho faz uma breve anlise acerca dos principais modelos de redes neurais que foram utilizados durante as estimaes experimentais. Encontramos,
2

Para uma discusso mais detalhada sobre risco moral e seleo adversa consulte Mas-Colell, Whinston e Green (1995).

treinamos atravs de aprendizagem supervisionada e testamos uma arquitetura de redes neurais para analisar as sries temporais macroeconmicas de um conjunto de pases emergentes e, a partir delas, a rede neural pde aprender como funciona a atribuio de ratings de risco soberano para estes pases; e, a partir da arquitetura encontrada nos experimentos, fizemos simulaes sobre as condies de crdito para a economia brasileira a partir de mudanas dos comportamentos dos determinantes macroeconmicos das atribuies de rating. O presente trabalho est organizado da seguinte forma. Alm desta introduo, na seo 2, discutimos a problemtica envolvendo a questo dos ratings, das agncias e dos possveis impactos dos ratings no lado real da economia. Na terceira seo, abordamos os procedimentos metodolgicos do trabalho, aspectos histricos das redes neurais, detalhando seus principais aspectos tcnicos. Logo aps, dedicamos a seo 4 para apresentarmos as variveis que fazem parte da entrada da rede neural e como estas foram previamente trabalhadas para serem introduzidas no modelo. Na seo 5, discutimos resumidamente a implementao de uma rede neural. Aps esta seo, segue-se a seo 6, na qual analisamos os resultados encontrados no trabalho. Finalizando, temos a seo 7 conclusiva em que discutimos a ligao da problemtica econmica tratada com os resultados empricos fornecidos pela rede neural. 2 Literatura O rating de risco soberano um indicador que busca expressar o risco ao qual investidores estrangeiros esto submetidos ao adquirirem ttulos de algum pas. Os ratings de risco soberano so construdos com base em anlises das conjunturas econmica, social e poltica dos pases e, por este motivo, podem ser subjetivos porque envolvem julgamento no s das variveis macroeconmicas internas e externas no presente, mas tambm das perspectivas das mesmas para o futuro. As agncias de rating so empresas independentes de qualquer interesse, quer por parte de governos ou de empresas privadas. Essa caracterstica lhes permite ter como princpios: independncia, objetividade, credibilidade e liberdade de divulgao de avaliaes com relao qualidade de crdito dos emitentes e emisses de dvida (STANDARD & POOR'S, 2002a). Dentre as principais agncias de rating de risco temos, por exemplo, Standard & Poors, Moodys Investor Service e Fitch IBCA3. A presena de agncias de rating como fornecedoras de mercadoria, neste caso, o processamento de informaes, constitui pea-chave para que a oferta de recursos financeiros no fique restrita s instituies financeiras domsticas, permitindo ao governo central destas economias e s empresas domsticas, ampliarem suas possibilidades de tomarem recursos. Os ratings normalmente tentam refletir os fatores especficos de risco de um pas, os quais podem trazer conseqncias sobre a capacidade de uma entidade para saldar integral e pontualmente sua dvida. Fazem parte destes fatores de riscos o risco de interveno soberana, como, por exemplo, o risco de um pas impor polticas cambiais ou decretar moratria da dvida. Alm disso, inclui os riscos econmico ou pas, que se referem ao ambiente econmico, poltico e social, o qual influencia tanto os ratings do prprio pas quanto aquelas entidades emissoras ali presentes (STANDARD & POORS, 2001a). A Tabela 1 traz as escalas das classificaes feitas pelas principais agncias de rating do mundo, onde temos uma escala numrica crescente de risco que vai de 1 a 24. Pases que se encontram na escala de 1 a 10 pertencem ao grupo de pases de menor risco e, pases que se encontram na escala acima de 10, fazem parte de pases de maior risco, o que configura um
Segundo Bone (2005), as agncias Standard & Poors e Moodys Investor Service detm juntas cerca de 80% do mercado de classificao de ratings.
3

comportamento especulativo no mercado financeiro. Pases que esto na ordem da escala de 22 a 24 so pases que declararam moratria de suas dvidas. Logo, as classificaes de obrigaes nesta categoria so baseadas na possibilidade de recuperao parcial ou total do emprstimo. Tabela 1 Sistemas de classificao de ratings Posio Empresas Moodys S & P Fitch
Aaa Aa1 Aa2 Aa3 A1 A2 A3 Baa1 Baa2 Baa3 Ba1 Ba2 Ba3 B1 B2 B3 Caa1 Caa2 Caa3 Ca C AAA AA+ AA AAA+ A ABBB+ BBB BBBBB+ BB BBB+ B BCCC+ CCC CCCCC C SD D AAA AA+ AA AAA+ A ABBB+ BBB BBBBB+ BB BBB+ B BCCC+ CCC CCCCC C DDD DD D

Escala Numrica
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

menor risco

especulativa

Fonte: Standard & Poors, Fitch Ratings e Moodys

2.1 O papel dos ratings no mercado O rating de risco soberano exerce impacto direto ou indireto sobre a qualidade de crdito das entidades que operam em uma determinada localizao de diversas maneiras. Cantor e Packer (1996), ressaltam que os ratings so importantes no apenas porque alguns dos maiores emissores de dvidas so governos soberanos, mas tambm porque de acordo com as atribuies de ratings, a captao de recursos por governos estaduais, municipais ou empresas privadas localizados nestes pases afetada. Na presena de informaes assimtricas nos mercados financeiros mundiais, as classificaes realizadas pelas agncias de rating do risco de crdito so sinalizaes para os agentes participantes do mercado financeiro. Bone (2004) resume os motivos pelos quais, o mercado sustenta a existncia das agncias de rating: O rating deve possuir idoneidade, isto , ele vale apenas quando confivel. Dado que uma agncia de rating se financia cobrando o custo de elaborao do rating dos emitentes de dvidas, ela no possui qualquer incentivo de produzir ratings viezados ou no-confiveis; Um outro argumento importante do mercado para o rating se deve aos custos de captar e interpretar informaes sobre os emitentes de dvidas. Assim, as agncias de rating possuem retorno de escala na captao e interpretao dessas informaes;

O rating tem a capacidade de sintetizar as informaes sobre a futura qualidade de crdito do emitente de dvidas de uma forma clara e simples para o mercado.

2.2 Crticas sobre o papel dos ratings Estudos mostram que h um atraso nas mudanas nas atribuies dos ratings frente s mudanas ocorridas nos mercados, e estes se antecipam s mudanas nas atribuies dos ratings (PARTNOY, 2002). Assim, a eficcia do objetivo do rating seria gravemente prejudicada, pois se as agncias de rating se propem a avaliar a condio futura de pagamento de um emitente de dvida, e esta realizada aps a mudana de percepo do mercado, os agentes no mais se apoiariam no rating como uma informao fidedigna de tal condio futura de pagamento de um emitente de dvida. Alm disso, Cantor e Packer (1996), observam que h uma forte convergncia das atribuies dos ratings realizados pelas agncias Standard & Poors e Moodys, de modo que, quando estas agncias atribuem ratings diferentes, esta diferena frequentemente de apenas uma posio na escala de ratings, o que configura uma tendncia conservadora destas atribuies. Segundo Partnoy (2002), existe um paradoxo no mercado financeiro envolvendo os ratings atribudos pelas agncias. Embora haja cada vez menos informaes contidas nos ratings atribudos pelas agncias, estas parecem estar em contnua prosperidade. O autor aponta para a existncia de ineficincias de ordem legal existentes nos mercados financeiros que explicam este paradoxo. Numerosas regras legais e regulamentaes dependem substancialmente dos ratings e, particularmente, daqueles atribudos por uma pequena parte das agncias de rating que fazem parte da Nationally Recognized Statistical Ratings Organizations (NRSROs). Contudo, as barreiras para entrar no mercado de NRSRO so proibitivas. Logo, os ratings atribudos pelas agncias de rating que fazem parte da NRSRO so valiosos para os participantes do mercado financeiro mesmo que o contedo informacional deles no seja maior que a informao pblica neste contida. Agentes que administram recursos de investidores institucionais, por exemplo, esto submetidos s regulamentaes internas da administrao dos fundos que atribuem o risco existente na construo das carteiras com base nos ratings. Assim, mesmo que os ratings no forneam uma informao adequada sobre os riscos de determinados emitentes, os administradores desses fundos so obrigados a utiliz-los. O trabalho de Partnoy (Op. Cit.) demonstra que o aumento da utilizao dos ratings como instrumento de regulamentao, aps 1973, mudou a natureza do produto vendido pelas agncias de rating, pois os ratings ao invs de fornecerem informao, determinam a conduta dos agentes no mercado financeiro. As agncias de rating fracassaram em antecipar o declnio rpido nos preos de centenas de papis financeiros na crise de 1929 e, em conseqncia deste fato, numerosos ratings foram abruptamente baixados, o que pela primeira vez, demonstra uma mudana generalizada na atribuio de ratings pelas agncias, tornando-se mais conservadoras (PARTNOY, Op. Cit.). Mais recentemente, de acordo com Ferri, Liu e Stiglitz (1999), diversos observadores e instituies do mercado financeiro como, por exemplo, World Bank e IMF, apontaram para a falha das agncias de rating em alertar antecipadamente o mercado sobre a crise asitica de 1997. Parecido com o que houve na crise de 1929, as agncias de rating baixaram os ratings de risco soberano de alguns pases envolvidos na crise configurando novamente um comportamento excessivamente conservador em vista do que os fundamentos macroeconmicos justificariam. Segundo Ferri, Liu e Stiglitz (Op. Cit.) em reconhecimento a esta falha, uma destas agncias, a Fitch IBCA, em comentrio pblico em janeiro de 1998, reconhece no ter dado a

devida ateno s dvidas de curto prazo em moeda estrangeira destes pases. Aps a crise asitica, a Moodys, em declarao, tambm enfatiza a importncia das dvidas de curto prazo em moeda estrangeira. Bone (2002) afirma que antes da crise na sia em 1997 as mudanas nos ratings soberanos no eram significativas e se mostravam historicamente estveis. Aps a crise asitica, mais precisamente de julho de 1997 a novembro de 1998, foram observados downgrades abruptos no comparveis aos que ocorriam anteriormente. O trabalho de Ferri, Liu e Stiglitz (1999), postula a existncia de uma regra procclica das agncias de rating o que prolongaria os efeitos de crises sobre as economias atravs de comportamentos excessivamente conservadores dessas agncias na medida em que elas baixam excessivamente os ratings de risco soberano de economias que j possuem baixos ratings de risco soberano na escala. Ao passo que, segundo os autores, em economias com rating de risco soberanos mais elevados isso no acontece, pelo contrrio, essas economias experimentam atribuies crescentes de rating. Ferri, Liu e Stiglitz (Op. Cit.), argumentam que aps as crises, as agncias de rating se tornam mais conservadoras porque so pegas de surpresa e tm mais dificuldade de reconstruir suas reputaes. Assim, como a reputao dessas agncias prejudicada tambm o retorno de seus servios tambm prejudicado. Logo, elas so incentivadas a se tornarem mais conservadoras para no falharem novamente. Contudo, os ratings atribudos pelas agncias no devem ser atribudos como um remdio s crises financeiras. 2.3 Determinantes das atribuies de ratings Os ratings de risco soberano atribudos pelas agncias de rating para as diversas naes do mundo usam critrios que nem sempre so claros, ou seja, no h um padro de quais so os determinantes para as atribuies destes ratings e nem das ponderaes utilizadas para cada determinante, pois estes ratings so compostos de uma combinao de determinantes qualitativos e quantitativos.
The agencies never describe their terms or analysis precisely or say, for example, that a particular rating has a particular probability of default, and they stress that the ratings are qualitative and judgmental. This secretive, qualitative process is not the type of process one would expect if the agencies had survived based on their ability to accumulate reputational capital. On the other hand, such processes make it more likely that an agency would be able to survive in a non-competitive market; if the rating process had been public or quantitative (rather than qualitative), other market entrants easily could have duplicated the rating agencies technology and methodology (PARTNOY, 2002).

Dentre os determinantes qualitativos de atribuio dos ratings temos determinantes de riscos polticos, como, por exemplo, a probidade das lideranas, estabilidade e transparncia das instituies, que fazem parte do julgamento dos analistas sobre o comportamento destes governos frente s decises em momentos de crises econmicas. Haque, Mark e Mathieson (1998), confirmaram empiricamente que variveis polticas no tm nenhum ou quase nenhum impacto sobre a deciso de atribuio de ratings por parte das agncias. Uma possvel explicao apontada por eles a de que as variveis econmicas absorvem instantaneamente flutuaes originadas no mbito poltico. Diante disso, no presente trabalho utilizamos fundamentos macroeconmicos para buscarmos explicar a deciso de atribuio de ratings pelas agncias.

Os determinantes quantitativos incluem diversas medidas de desempenho econmico e financeiro, bem como as obrigaes contingenciais, embora o julgamento sobre a integridade da amostra desses dados seja uma questo mais qualitativa. No h uma frmula exata para se combinar os escores ao se determinar os ratings. As variveis analticas so inter-relacionadas e os pesos no so fixos, nem entre os diversos governos soberanos nem ao longo do tempo (STANDARD & POORS, 2004). Cantor e Packer (1996), confirmam que, mesmo para os determinantes quantitativos, difcil encontrar uma relao entre os pesos atribudos aos determinantes pela Moodys e pela Standard & Poors, por causa do grande nmero de critrios adotados por estas agncias. A Standard & Poors divide a estrutura dos determinantes dos ratings soberanos em categorias. Para atribuir ratings de crdito, cada governo soberano classificado dentro de uma escala cujas notas vo de um (a mais alta) at seis aplicadas a cada uma das categorias analticas (STANDARD & POORS, 2004). Dentre os determinantes, podemos enumerar alguns, na mesma linha de trabalhos como, por exemplo, Cantor e Packer (1996), Canuto, Santos e Porto (2004), Rowland (2004), que sero utilizados como entradas no processo de aprendizagem supervisionada para criao de um critrio de risco soberano. Podemos dividir estes determinantes em variveis utilizando o mesmo critrio de diviso adotado por Rowland (2004), apenas adicionando mais uma categoria de variveis determinantes do desenvolvimento e estabilidade econmica. Variveis de Solvncia: Taxa de crescimento das exportaes de bens e servios; taxa de crescimento das importaes de bens e servios; e dvida de longo prazo como percentual do produto. Variveis de Liquidez: Nvel de reservas totais como percentual do produto; dvida externa total como percentual das exportaes de bens e servios; servio da dvida total como percentual das exportaes de bens e servios; e balana externa de bens e servios como percentual do produto. Variveis de desenvolvimento e estabilidade econmica: Taxa de crescimento do produto per capita; evoluo do nvel de preos ao consumidor; e grau de abertura econmica medidas pela soma do volume das exportaes mais importaes como percentual do produto. O modelo economtrico de Cantor e Packer (1996) seminal, no sentido de ajustar um bom modelo de previso para as atribuies de ratings atravs de sries temporais de amostra de dados macroeconmicos. Porm, aps a crise asitica ocorrida em 1997, o modelo economtrico destes autores no mais consegue uma boa capacidade preditiva das atribuies de ratings. Adicionalmente, eles chamam a ateno para a limitao de modelos quantitativos na incapacidade de explicar todos os movimentos das atribuies dos ratings, haja vista que estes tipos de modelos tm dificuldade de inserir entre suas variveis explicativas, variveis qualitativas. O trabalho de Ferri, Liu e Stiglitz (2002), chama a ateno para o que seria o modelo utilizado pelas agncias na atribuio de ratings aps a crise asitica de 1997. Este modelo principal dividido em dois modelos. Um modelo quantitativo em funo dos determinantes de ordem macroeconmica. E um modelo de informaes ad hoc de cada pas, refletindo o julgamento das agncias. O modelo pode ser expresso da seguinte maneira: Ratings = q Ratings q + j Ratings j q + j = 1 Onde q o peso do julgamento feito pelas agncias dos determinantes quantitativos; j o peso do julgamento feito pelas agncias dos determinantes qualitativos; Temos inmeras abordagens feitas atravs de modelos quantitativos ao problema de atribuio de ratings. Dentre os trabalhos poderamos citar o trabalho de Rowland (2004) que

utiliza a tcnica de anlise coletiva de dados (pooled data). Canuto e Santos (2004), utilizam um modelo economtrico de anlise coletiva de dados em cross-section. Na linha do modelo economtrico de Cantor e Packer (1996), Ferri, Liu e Stiglitz (2002) estimam um modelo MQO com dois tipos de cardinalizao para os ratings. Leichsenring (2004) estima um modelo de vetores autoregressivos (VAR) para avaliar a relao entre os ratings e a taxa de juros domstica. Bone (2004) utiliza testes de estabilidade de Chow para medir a estabilidade das sries temporais de ratings soberanos emitidos pelas diversas agncias. Entre os modelos economtricos, podemos citar o problema da cardinalizao. Este problema surge da tentativa de cardinalizar os ratings para torn-los estimveis, pois modelos economtricos so incapazes de lidar com conceitos, assim no h como introduzirmos como varivel num modelo economtrico um conceito de rating. Contudo, ao cardinalizar um conceito de rating, podemos incorrer em erros, pois cardinalizaes, sejam elas lineares ou no-lineares, estabelecem uma relao quantificvel entre os conceitos de ratings. Assim, uma atribuio de rating igual a 2 (dois), por exemplo, no quer dizer necessariamente que possua o dobro de risco de uma atribuio de rating igual a 1 (um). 3 Procedimentos Metodolgicos 3.1 Introduo O processo de estimao utilizado no presente trabalho foi o processo chamado de Redes Neurais Artificiais. Esta metodologia inspirada nos princpios do funcionamento do crebro humano para resoluo de determinados tipos de problemas, criando a chamada inteligncia artificial. Este processo de estimao muito til diante de problemas de reconhecimento de padres e, portanto, de acordo com os objetivos estabelecidos, ele se torna o estimador mais apropriado para nossa anlise. A utilizao de redes neurais, assim como a utilizao de outros mtodos de estimao, possui vantagens e desvantagens. Entre as vantagens, podemos apontar: Flexibilidade na modelagem: A hiptese de linearidade no necessria; Flexibilidade estatstica: Nenhuma hiptese a priori feita sobre as distribuies de probabilidade envolvidas; Categorizao: As variveis dependentes podem ser categorias qualitativas, em vez de apenas numricas. Entre suas desvantagens podemos destacar: A rede neural pode apresentar dificuldade de configurao em relao sua estrutura inicial e tambm no que se refere aos parmetros dos algoritmos de aprendizado; Pode haver dificuldade em apresentar os resultados obtidos na forma da anlise estatstica tradicional, como intervalos de confiana, estmulo-resposta e relaes de causalidade; Podem existir dificuldades de convergncia e instabilidade inerentes aos algoritmos de otimizao empregados. 3.2 Descrio das Redes Neurais Redes neurais so aproximadores universais de funes, como os estimadores de regresso linear e as sries de Fourier. Seu princpio inspirado nas redes de conexes de neurnios existentes no crebro dos animais vertebrados. Sua unidade fundamental o neurnio, onde verificamos 3 elementos bsicos: 1) Um conjunto de sinapses, caracterizadas por pesos wkj, sendo k o ndice utilizado para designar o neurnio e j o ndice da sinapse. Um sinal xj na entrada da sinapse j multiplicado pelo peso sinptico wkj.

2) Um somador, chamado de juno aditiva, que soma os sinais de entrada, ponderados pelos respectivos wkj. 3) Uma funo de transferncia para restringir a amplitude da sada do neurnio. O bias bk, introduzido para melhorar o ajuste da funo aproximada. Normalmente, o bias, tem um valor positivo e seu propsito anlogo ao intercepto nas regresses dos modelos economtricos. Assim, podemos descrever um neurnio matematicamente da seguinte forma: v k = wkj x j + bk
j =1 m

(1) (2)

y k = (v k )

Onde: vk a sada do combinador linear (somador). Posteriormente, os neurnios so organizados em uma rede, com a sada de um servindo como entrada para outros. A Figura 1 mostra a arquitetura mais comum de rede neural, na qual os neurnios so dispostos em camadas. Na figura, os crculos simbolizam os neurnios e as setas representam as ligaes sinpticas entre os neurnios. Figura 1 Rede neural com 3 camadas

Fonte: Piazzi (2001)

A funo de transferncia ou de ativao d o carter no linear ao neurnio. Se (v k ) = v k , ento o modelo de neurnio linear e rede neural funciona de modo anlogo a um modelo de regresso linear. A funo de transferncia a ser escolhida pelo pesquisador de suma importncia para o bom desempenho do modelo a ser utilizado. Algumas formas de funo so: funo de limiar, funo linear por partes, funo sigmide e funo tangente hiperblica4. 3.3 Algoritmos de aprendizado Refere-se ao aprendizado por meio de regras bem definidas para soluo de problemas de aprendizado. Existem muitos algoritmos especficos para aprendizagem de redes neurais, diferenciando entre si pela maneira como os pesos sinpticos so modificados. Os algoritmos de aprendizado podem se dividir em: 1) Aprendizado supervisionado Este mtodo de aprendizagem consiste na adoo de uma funo de custo na rede neural, onde cada vez que a rede erra a resposta desejada para o padro de entrada, um fator externo (professor) indica quais devem ser os ajustes realizados nos pesos sinpticos de acordo com o erro a fim de diminuir esta resposta incorreta da rede. Logo, o objetivo deste
4

Para uma discusso mais detalhada sobre Funes Transferncia consulte Fausett (1994).

tipo de aprendizado , a cada seqncia de aprendizado, fazer com que a rede atinja uma soluo estvel, isto , correes cada vez menores nos pesos sinpticos. 2) Aprendizado no-supervisionado Como o prprio nome diz, um mtodo de aprendizado onde as redes neurais no utilizam um professor, ou seja, no h um algoritmo de correo das falhas das respostas da rede neural. Neste caso, a rede neural recebe a entrada de dados, e os organiza de maneira arbitrria em categorias. Na prxima entrada de dados, esta faz uma verificao se os dados correspondem a alguma categoria j existente e, em caso de no existir, ela cria uma ou mais categorias para classificar estes novos dados. 3.4 O Perceptron Uma rede neural com neurnios utilizando funes de ativao do tipo limiar chamada Perceptron. Estes so utilizados para reconhecimento de padres, como o reconhecimento de escrita ou de voz. Os dados de entrada consistem de um vetor (x1, x2, ... , xm) e a sada consiste em uma de N categorias previamente determinadas (por exemplo, as letras A, B, C, etc). Minsky e Papert (1969) analisaram matematicamente o perceptron e demonstraram que redes de uma camada no so capazes de solucionar problemas que no sejam linearmente separveis. Como no acreditavam na possibilidade de se construir um mtodo de treinamento para redes com mais de uma camada, eles concluram que as redes neurais seriam sempre suscetveis a essa limitao. Contudo, o desenvolvimento do algoritmo de treinamento backpropagation, por Rumelhart, Hinton e Williams (1986), precedido por propostas semelhantes ocorridas a partir dos 1970s, mostrou que possvel treinar eficientemente redes com camadas escondidas, resultando no modelo de redes neurais artificiais mais utilizados atualmente, as redes perceptron multi-camadas (Multi-Layer Perceptron), treinadas com o algoritmo backpropagation (KUMAR, RAO e SONI, 1995). 3.5 Multi-Layer Perceptron A regra de aprendizado utilizada para treinar uma rede multilayer perceptron chamada Regra Delta Generalizada ou backpropagation. Quando um padro de entrada apresentado rede pela primeira vez, esta produz uma sada aleatria. A diferena entre esta sada e a sada desejada constitui o erro. O backpropagation se baseia num custo ou uma funo de erro baseada nesta diferena para ajustar os pesos sinpticos. A funo de erro ou de performance, indicada pelo nome Least Mean Square (LMS), a soma dos erros quadrados. A inteno do treinamento buscar cada vez mais diminuir o valor deste erro. O mtodo minimiza o erro e realiza iterativamente ajustes nos pesos sinpticos, passando por todos os padres de entradas do conjunto de treinamento. Esse mtodo conhecido como descida de gradiente (gradient descent). O processo de aprendizagem prossegue, at que algum critrio seja estabelecido como, um mnimo de erro global, ou uma diferena sucessiva mnima entre erros calculados para cada iterao. O backpropagation , na verdade, um mtodo para implementar o processo de gradiente de descida no espao dos pesos sinpticos para o treinamento de uma rede feedforward. O algoritmo de backpropagation pode apresentar alguns problemas em relao dificuldade de aprendizado. Ao se deparar com padres de entradas muito complexos, o treinamento muito lento e existe o risco da rede neural cair num mnimo local. Paralelamente, tambm h desvantagem em utilizar camadas escondidas, pois o aprendizado se torna muito mais difcil. A caracterstica principal da camada escondida que seus elementos se organizam de tal forma que cada elemento aprenda a reconhecer

caractersticas diferentes do espao de entrada, assim, o algoritmo de treinamento deve decidir que caractersticas devem ser extradas do conjunto de treinamento. 3.5.1 Regra de aprendizado do Multi-Layer Perceptron Em conformidade com Krse e Smagt (1996), considerando que estamos utilizando unidades com funo de transferncia no-linear, temos que generalizar a regra delta para este tipo de funo de transferncia. A funo de transferncia uma funo diferencivel da entrada total, dada por: y kp = F s kp (3) Onde: y kp a sada produzida pela rede neural num certo momento do processo de aprendizado para um dado padro de entrada p; s kp o nmero de neurnios utilizados pela rede neural num certo momento do processo de aprendizado para um dado padro de entrada p, isto : s kp = w jk y jp + bk (4)

( )

Para obter a generalizao correta da regra delta, necessrio definir: E p p w jk = (5) w jk Onde: p uma constante que indica o quanto deve o peso sinptico alterar num certo momento do processo de aprendizado para um dado padro de entrada p; uma constante de proporcionalidade; E p a soma dos erros quadrados num certo momento do processo de aprendizado para um dado padro de entrada p. Logo, podemos definir E p como: 2 1 No (6) E p = d op yop 2 o=1 Onde: d op a sada desejada para unidade o quando o padro de entrada p mantido.

Continuamos definindo E = E p como a soma dos erros quadrados. Podemos

p

escrever: E p E p s kp = (7) w jk s kp w jk Pela equao (5) podemos observar que o segundo fator do lado direito da equao (7) : s kp = y jp w jk Podemos definir: E p (9) s kp Alterando a regra de atualizao, que equivalente regra delta, temos que o resultado uma descida de gradiente na superfcie de erro. Assim, as alteraes nas mudanas dos pesos sinpticos so feitas de acordo com: kp = (8)

 p w jk = kp y jp

(10)

Desta forma, o objetivo definir qual deveria ser kp para cada unidade k da rede neural. O resultado derivado agora, que h uma computao recursiva simples destes ' s que podem ser implementados propagando sinais de erro para trs pela rede neural. Para computar kp , aplica-se a regra da cadeia para escrever esta derivada parcial como produto de dois fatores, um que reflete a mudana do erro como uma funo da sada da unidade k e outro que reflete a mudana da sada como uma funo de mudanas na entrada. Podemos escrever: E p E p y kp p (11) k = p = p s k y k s kp Substituindo a equao (3) no segundo fator do lado direito da equao (11), temos: y kp (12) = F ' s kp s kp A equao (12) a derivada da funo F para a k-sima unidade, avaliada na entrada p s k para a unidade k. Para substituir a equao (12) no primeiro fator do lado direito da equao (11), em primeiro lugar, tomamos que a unidade k uma unidade de sada k = o da rede neural. Neste caso, segue-se que da definio de E p definida pela equao (6) que: E p (13) = d op y op p y o Substituindo a equao (13) na equao (11), chegamos a:

( )

op = d op yop Fo' s op

) ( )
)

(14)

Em segundo lugar, se k no uma unidade de sada, mas uma unidade escondida k = h , no conhecida a contribuio da unidade ao erro da sada da rede neural. Porm, a medida de erro pode ser escrita como uma funo dos pesos da entrada da camada escondida para a camada de sada; E p = E p s1p , s 2p , s 3p ,..., s jp e utilizando novamente a regra da cadeia podemos escrever: No No E p N o E p sop N o E p N h E p (15) = p = p wko y jp = p wko = op who y hp o =1 s o y hp o =1 s o y hp j =1 o =1 o =1 so Substituindo a equao (16) na equao (12):

=F s
p h '

( )
p h No o =1

p o

who

(16)

As equaes (15) e (16) tm um procedimento recursivo para computar os ' s para todas as k unidades da rede neural que usada para ajustar as mudanas dos pesos sinpticos de acordo com equao (16). Este procedimento constitui a regra de delta generalizada para uma rede feed-forward de unidades no-lineares. Para detalhar melhor as propriedades dos algoritmos de aprendizagem, consulte alguns teoremas descritos em Veelenturf (1995), Krse e Smagt (1996), Block (1962) e Novikoff (1962). 3.5.3 Treinamento Resilient-Propagation (RPROP) Ao contrrio o algoritmo de backpropagation tradicional, o algoritmo ResilientPropagation tambm chamado de RPROP, desenvolvido inicialmente por Riedmiller e Braun (1993), utiliza apenas sinais de derivadas parciais para ajustar os coeficientes dos pesos

sinpticos. Este algoritmo utiliza o mtodo de iteraes e reajusta os pesos sinpticos aps todos os padres da sub-amostra de treinamento serem apresentados rede. O algoritmo RPROP ajusta os pesos sinpticos da rede neural seguindo a regra:
+ (t ) ij , (t ) ij = ( t ) , ij E (t ) E ( t 1) > 0 wij wij (t ) ( t 1) E E < 0 wij wij 0 < <1<+

(17)

Segundo Akobir [2005?], se em determinado momento o peso sinptico correspondente da derivada parcial wij inverter seu sinal, por que sua ltima modificao foi elevada e o algoritmo perdeu o mnimo local. Ento, o tamanho da modificao deveria diminuir determinado pelo fator e o valor prvio do coeficiente do peso sinptico restabelecido. Em outras palavras, esta modificao deveria ser desfeita. t wij (t ) = wij (t ) (ij1) (18) Se o sinal da derivada parcial no mudou, ento o ajuste deveria ser aumentado por + para alcanar mais rapidamente a convergncia. Fixados os fatores de diminuio e de aumento + podemos manter as configuraes globais da rede de neural inalteradas. Logo, este fato poderia ser uma vantagem do algoritmo Resilient-Propagation em relao ao algoritmo de backpropagation tradicional (AKOBIR, Op. Cit.). Para evitar valores de pesos sinpticos muito altos ou muito baixos, o valor de ajuste determinado acima por max e abaixo por min . A regra demonstrada pela equao (19) utilizada para encontrar o valor de ajuste dos pesos sinpticos:
( t ) E (t ) > 0 ij , wij (t ) t E wij (t ) = + (ij) , < 0 wij E ( t ) 0, =0 wij

(19)

Se a derivada positiva, isto , o erro aumenta, o coeficiente do peso sinptico diminudo pelo valor de ajuste, caso contrrio aumentado. Logo, a equao ilustra a forma como os pesos so ajustados: wij (t + 1) = wij (t ) wij (t ) (19) 3.5.5 Regularizao Alm da funo de performance da rede neural LMS, definida anteriormente para o caso do Multi-Layer Perceptron pela equao (16), temos modificaes destas funes de performance. O objetivo destas modificaes melhorar a performance de generalizao da rede neural, a qual chamada de regularizao. Funo de Performance modificada Uma definio alternativa para a funo tradicional de performance utilizada para treinar uma rede neural do tipo feedforward a LMS descrita em Demuth e Beale (1998).

1 N 1 N (ei ) 2 = (t i ai ) 2 (21) N i =1 N i =1 possvel melhorar o poder de generalizao da rede neural modificando a funo de performance somando um termo que consiste na mdia da soma dos quadrados dos pesos e bias da rede neural: msereg = mse + (1 )msw (22) Onde a razo de performance e, 1 n msw = w 2 (23) j n j =1 Ao usar esta funo de performance a rede ir diminuir seus pesos sinpticos e bias, e isto forar a resposta de rede a ser mais suave e menos sujeita a problemas de overfitting. O problema com a regularizao que difcil determinar um valor timo para o parmetro da razo de performance. Se escolhermos um valor para este parmetro elevado, podemos incorrer em overfitting. Se esta razo for muito pequena, a rede no vai generalizar adequadamente a amostra de treinamento. Segundo Kaastra e Boyd (1996), o problema de overfitting ocorre quando um modelo de predio, como o de redes neurais, possui muito poucos graus de liberdade. Este problema causa perda de poder de generalizao das redes neurais fazendo com que esta ganhe em memorizao de idiossincrasias de observaes individuais e perda do poder predio. Logo, um modelo de redes neurais robusto deve analogamente aos modelos economtricos, seguir o critrio da parcimnia, o que, alm de diminuir o custo computacional da rede neural, aumenta sua capacidade de generalizao. F = mse = 4 Seleo e Tratamento da Amostra de Dados A amostra de ratings utilizada compreende os ratings de longo prazo em moeda estrangeira atribudos a pases emergentes pela agncia Standard & Poors, a partir de 1975, fornecidos pelo relatrio de 2 de novembro de 2005. Das 23 escalas de ratings atribudas por esta agncia apresentadas na Tabela 1, esta amostra de ratings possui 18 escalas diferentes5. importante ressaltar que o incio da amostra temporal de ratings se d a partir em 1975, porm isso no quer dizer que todos os pases tenham atribuies de ratings se iniciando em 1975. Cada pas da amostra foi incluso de acordo com a sua primeira atribuio de rating. As variveis utilizadas no trabalho como determinantes macroeconmicos das atribuies de ratings foram coletadas nas estatsticas de indicadores de desenvolvimento dos pases emergentes publicadas pelo Banco Mundial. A publicao Indicadores de Desenvolvimento do Mundo realizada pelo Banco Mundial, possui observaes com freqncia anual e trmino em 2003. Como estas observaes fizeram referncia s estatsticas de final de perodo, utilizamos as atribuies de ratings tambm de final de perodo para o caso daqueles pases que receberam mais de uma atribuio de rating por ano. Portanto, para os pases que a agncia Standard & Poors atribuiu mais de uma escala de rating no mesmo ano, utilizamos nas estimaes deste trabalho apenas observaes da ltima atribuio de rating naquele ano. Alm disso, os outliers da amostra foram excludos, o que no gera nenhuma perda de informao em nosso modelo e, diferentemente dos modelos economtricos onde existem tratamentos para este tipo de problema, os outliers em redes neurais podem e devem ser
5

As escalas AA+, AA-, C, SD e D, no foram encontradas na amostra utilizada de atribuies de ratings.

excludos da amostra. A razo pela qual eles so excludos da amostra simples. Na fase de treinamento das possveis arquiteturas utilizadas na estimao final do trabalho, eles dificultam este treinamento, o que pode causar, entre outras conseqncias, perda de robustez do modelo. 5 Implementao da Rede Neural Nesta seo, enumeramos alguns passos bsicos depois de definidos a seleo e tratamento da amostra de dados, constitudo pela fase de treinamento e teste da rede neural. Segundo Kaastra e Boyd (1996), uma prtica comum dividir a amostra de dados em duas sub-amostras, denominadas amostra de treinamento e de teste. A amostra de treinamento a maior em tamanho e compreende cerca de 90% do tamanho total da amostra de dados. Os 10% restantes deixado para o teste. O pesquisador deve utilizar o tipo de rede neural que obteve melhor desempenho na fase de treinamento e teste, isto , a rede neural que possuir menor erro de predio. A escolha sobre qual tipo de funo de treinamento utilizar na rede neural, assim como outras escolhas na elaborao de uma arquitetura de rede neural, um processo tambm experimental. Logo, dado o critrio de erro6 da rede neural na fase de treinamento, escolhe-se uma funo que melhor se adaptou amostra de dados para ela apresentada. A amostra de teste pode ser definida a partir de duas abordagens diferentes. Ela pode ser escolhida aleatoriamente a partir da amostra de treinamento ou pode ser definida com observaes mais recentes que sucedem as observaes da amostra de treinamento (para o caso de sries de tempo). Uma vantagem do uso da segunda abordagem testar a rede com observaes mais recentes que podem ser informaes mais relevantes para a explicao do problema a ser tratado pelas redes neurais (KAASTRA e BOYD, Op. Cit.). A arquitetura da rede neural, isto , o nmero de camadas de neurnios e o total de neurnios por camada, assim como qual tipo de interconexo entre estes, depende da natureza e do tamanho da amostra de dados que se pretende utilizar na rede neural. O nmero de neurnios utilizados na entrada e na sada da rede neural , respectivamente, o nmero de variveis independentes e dependentes do modelo a ser estimado. A arquitetura ideal da rede neural deve ser tal que ela seja to grande quanto necessria para conseguir obter as representaes necessrias, mas ao mesmo tempo pequena o suficiente para se obter um treinamento mais rpido. No existem regras claras para se definir quantas unidades devem existir nas camadas escondidas, quantas camadas, ou como devem ser as conexes entre essas unidades (SIU et al., 1995). Teoricamente, uma rede neural com uma camada de neurnios escondida com um nmero suficiente de neurnios nesta camada, seria capaz de aproximar qualquer tipo de funo contnua. Na prtica, redes neurais com uma ou duas camadas de neurnios escondidas so amplamente utilizadas e possuem performances bastante satisfatrias. Deve-se ressaltar que aumentar tanto o nmero de camadas como tambm o nmero de neurnios da rede neural, alm de aumentar o custo computacional, tambm expe a arquitetura da rede neural a problemas de overfitting. 6 Anlise de Resultados Este trabalho se destinou a fazer inferncias sobre o comportamento dos ratings de risco soberano a partir dos fundamentos macroeconmicos. Desta forma, neste captulo, detalhamos inicialmente os aspectos tcnicos da aplicao dos procedimentos metodolgicos
6

O critrio a ser adotado para se estabelecer desempenho da rede neural pode ser o MSE, SSE ou MSEREG.

sobre os dados empricos e, logo aps, procuramos, luz da teoria econmica, discutir estes resultados. Nossas anlises foram feitas a partir de variaes do modelo de redes neurais artificiais Multi Layer-Perceptron (MLP). O motivo pelo qual foi utilizado tal procedimento justifica-se pelo tipo de problemtica, neste caso uma classificao das atribuies de ratings de risco soberano, onde problemas envolvendo classificao constituem a principal aplicao da MLP. Aplicamos no processo de treinamento da rede neural a aprendizagem do tipo supervisionada. Testamos diversas redes neurais e, de acordo carter experimental das estimaes por este procedimento metodolgico, iniciamos com uma arquitetura de rede neural composta por onze neurnios na primeira camada, isto , onze variveis macroeconmicas compunham o input da rede. A sada ou output da rede neural foi composto inicialmente por 18 neurnios, pois na amostra de ratings da Standard & Poors utilizada nas estimaes, tnhamos 18 escalas de ratings. Especificamente, testamos arquiteturas de redes neurais do tipo feedforward e cascade-forward7. Foi observado que as arquiteturas feedforward obtiveram desempenho ligeiramente superior ao desempenho das arquiteturas cascade-forward, assim optamos por definirmos os resultados finais a partir da primeira arquitetura. De acordo com o princpio da parcimnia, para encontrarmos uma rede neural robusta e evitarmos problemas como, a presena de overfitting, construmos inicialmente uma rede neural com apenas uma camada escondida e com 10 neurnios nesta camada, aumentando gradativamente o nmero de neurnios de acordo com os testes de performance da rede. Alm disso, testamos tambm redes com mais de uma camada escondida o que no aumentou a performance da rede. A rede neural utilizada nas estimaes do trabalho foi uma rede com uma camada escondida composta por 40 neurnios, uma camada de entrada composta por 4 neurnios e uma camada de sada composta por 8 neurnios. O tipo de funo de aprendizado constitui tambm uma pea importante da rede neural e a funo utilizada na estimao deste trabalho foi a aprendizagem chamada backpropagation com uma constante de momentum, descrita na seo de procedimentos metodolgicos. Testamos diversos tipos de algoritmos de treinamento, onde os mais importantes foram Levenberg-Marquardt8, backpropagation com uma constante de momentum e ResilientPropagation9. O tipo de treinamento de melhor performance seja pelo critrio de melhor predio ou por possuir menor custo computacional, foi o Resilient-Propagation o que nos levou a utiliz-lo na estimao do trabalho. A mensurao da performance da rede neural foi realizada pela funo msereg definida pela equao (32) que permitiu a regularizao da performance tima da rede. O valor para o parmetro escolhido onde a rede neural obteve uma performance satisfatria foi =1,0. Aps testes, definimos a funo de transferncia ou ativao entre os neurnios da rede neural como uma funo do tipo tangente hiperblica. Adicionalmente, testamos qual o nmero timo de iteraes a partir da performance do erro-quadrado-mdio apresentado pelas diferentes redes neurais testadas e, de acordo com esta performance, escolhemos no mais que cerca de cem iteraes necessrias, pois nota-se claramente que a partir de cinqenta iteraes o erro-quadrado-mdio converge para um valor mnimo.
7

Ver mais sobre arquiteturas do tipo cascade em Arbib (2003) p. 648. Descrito em detalhes em HANGAN e MENJAH, 1994. 9 Descrito pela equao (30).
8

Das 18 escalas de ratings trabalhadas inicialmente na rede neural, optamos por deixar apenas 8, pois, observamos que, com este nmero de escalas, a performance da rede foi mais robusta. A simbologia escolhida, por ordem crescente de risco, da escala de ratings utilizada na rede foi: A, AA, AAA, B, BB, BBB, CC e CCC. Foi realizada uma anlise de sensibilidade da rede aos inputs que acrescentaram pouca informao ao modelo, anlise esta presente nos modelos economtricos como o mtodo stepwise10. Desta forma, as variveis escolhidas para serem utilizadas na estimao foram: Nvel de reservas totais como percentual do produto; dvida externa total como percentual das exportaes de bens e servios; balana externa de bens e servios como percentual do produto; e taxa de crescimento do produto per capita. As Figuras 2 e 3 ilustram, respectivamente, as performances do treinamento e teste realizados na rede neural escolhida. Na Figura 2, em azul encontra-se a performance de treinamento de rede, onde podemos observar que seu erro atinge um nvel satisfatrio em torno de 0,13944 na centsima iterao realizada pelo treinamento. Figura 2 Performance do treinamento da rede neural escolhida

Fonte: Elaborao prpria a partir de dados da Stancard e Poors e World Bank.

Na Figura 3, em verde temos a mdia de erros da rede, em azul temos seu erro mximo e em vermelho seu erro mnimo. Figura 3 Performance do teste da rede neural escolhida

Fonte: Elaborao prpria a partir de dados da Stancard e Poors e World Bank.

O erro de predio da rede neural ilustrado pelos pontos mais elevados das linhas de erro, constituem a falha da rede neural em predizer, dados os fundamentos macroeconmicos
10

Este mtodo consiste em reduzir a necessidade de computao intensiva para selecionar o melhor subconjunto de regressores, adicionando ou reduzindo algum regressor. Ver mais em Greene (1997).

apresentados ela, qual deveria ser a atribuio de rating. Assim, observamos que a rede consegue com certa robustez, para oito escalas de ratings, predizer as atribuies de ratings a partir dos 4 tipos de variveis macroeconmicas apresentados a ela. Teoricamente, de acordo com Kaastra e Boyd (1996), uma rede neural com uma camada escondida consegue aproximar qualquer tipo de funo. Contudo, ao aplicarmos redes neurais dos tipos descritas anteriormente neste captulo, aos determinantes quantitativos empricos dos ratings de risco soberano de longo prazo, observamos certo grau de dificuldade que nos levou a diminuir o nmero de escalas de ratings da sada da rede. Embora este problema no tenha prejudicado significativamente a anlise deste trabalho ele surgiu por que a rede escolhida no conseguiu, a partir dos dados macroeconmicos, fazer distino entre 18 escalas diferentes de ratings. Possveis explicaes surgiram para tal problema. Como apontado por diversos estudos empricos citados ao longo do trabalho, por exemplo, Partnoy (2002), Ferri, Liu e Stiglitz (1999), Bone (2004), Cantor e Packer (1996), Canuto, Santos e Porto (2004), mesmo para os determinantes quantitativos, difcil encontrar uma relao direta entre estes e os ratings atribudos pela Standard & Poors, por causa do grande nmero de critrios adotados por esta agncia. Pois, os ratings so construdos com base em anlises das conjunturais sobre a vida econmica, social e poltica dos pases e, por este motivo, podem ser subjetivos porque envolvem julgamentos sobre uma grande quantidade de variveis. Alm disso, estes trabalhos tratam de inmeros problemas envolvendo os ratings como problemas de ordem legal dos mercados financeiros como discutido no trabalho de Partnoy (2002), ou as antecipaes das mudanas das variveis econmicas s mudanas nas atribuies dos ratings como discutido neste mesmo trabalho e nos trabalhos de Bone (2004) e Ferri, Liu e Stiglitz (1999). Onde, este ltimo, defende a idia da existncia de uma regra procclica das agncias de rating prolongando os efeitos de crises sobre as economias atravs de comportamentos excessivamente conservadores caracterizados por atriburem ratings como remdio s crises financeiras. Isto , quando as agncias no conseguem antever uma crise sinalizando ao mercado o perigo desta, elas atribuem ratings na tentativa de remedi-la, porm o que elas conseguem prolong-la, pois os novos ratings atribudos fazem com que os investidores componham uma carteira de investimentos de menor risco, vendendo os ttulos dos pases envolvidos nesta crise, provocando uma perda de liquidez destes fazendo com que esta se prolongue. Estas possveis explicaes surgem em trabalhos elaborados dentro deste tipo de temtica, onde a aplicao de diversos tipos de modelos quantitativos refinados a determinantes quantitativos empricos dos ratings de risco soberano freqentemente no encontram resultados com preciso apurada. Devemos ressaltar que a dificuldade de ajustamento de um modelo de redes neurais reflete a possibilidade de haver atribuies de ratings em desacordo com os fundamentos macroeconmicos dos pases emergentes que compem a amostra de dados deste trabalho. O que remete idia de que o peso dos determinantes qualitativos das atribuies de ratings para este grupo de pases instvel, implicando num julgamento por parte das agncias ainda mais subjetivo. Do ponto de vista dos governantes destes pases, a tarefa de se identificar a causa de um julgamento ruim das agncias se torna mais difcil em conseqncia desta parcela dos determinantes qualitativos no possuir estabilidade. Na outra mo, estes pases ao buscar recursos no mercado internacional, tm que manter elevadas taxas de juros em face aos julgamentos das agncias. O efeito mais perceptvel deste fato no lado real da economia, que elevadas taxas de juros levam a um retardo do investimento e logo, do crescimento econmico.

Mesmo com os problemas envolvendo a questo dos ratings, conseguiu-se chegar a um tipo de rede neural que generaliza relativamente bem 8 escalas de ratings a partir de 4 variveis macroeconmicas como mencionado anteriormente. A partir da escolha da rede neural de melhor poder de generalizao, simulamos cenrios para a economia brasileira, a partir de mudanas nos comportamentos dos fundamentos macroeconmicos que compem os inputs da rede neural, nos quais o risco soberano nestes casos diminui atingindo um patamar menor saindo da escala de risco B para BB. Mais precisamente, tomamos as quatro variveis macroeconmicas citadas anteriormente para escolha da rede neural e simulamos mudanas nestas variveis para o ano de 200311. Estas simulaes consistiram na gerao aleatria pela rede neural escolhida, com distribuio uniforme, de 1.000 cenrios que gerariam um rating de risco igual a BB a partir dos valores observados das 4 variveis macroeconmicas no ano de 2003. Inicialmente, simulamos modificaes nas observaes de apenas uma varivel macroeconmica de cada vez. Contudo, observamos que o rating de risco se manteve inelstico a esta modificao. Isto pode demonstrar que, para que haja uma nova atribuio de rating de risco soberano, seja necessrio um conjunto de modificaes nos fundamentos macroeconmicos e no apenas a modificao de apenas um destes fundamentos. Diante disso, a partir dos cenrios simulados, obtivemos uma mdia de possveis realidades macroeconmicas para a economia brasileira em 2003. A Tabela 2 resume estes tipos de cenrios simulados, onde na primeira coluna de dados, temos os valores observados das variveis macroeconmicas em 2003 e, nas demais colunas, temos os tipos de cenrios. Tabela 2 Simulaes de cenrios macroeconmicos
Variveis (em %) Balana externa / Produto Dvida externa total / Exportaes Crescimento do produto per capita Nvel de reservas totais / Produto Observaes 2003 6 265 -1 9 Cenrio 1 6,4 235 2 15,75 Cenrio 2 7,6 235 1 15,75 Cenrio 3 7,6 235 2 13,75 Cenrio 4 7,6 265 2 15,75

Fonte: Elaborao prpria a partir de dados da Stancard e Poors e World Bank.

A partir das simulaes destes 4 diferentes cenrios, percebemos inicialmente que, para o Brasil alcanar uma nova atribuio de rating de risco, as 4 variveis econmicas que fazem parte dos fundamentos macroeconmicos dos ratings devem se alterar. De maneira geral, observamos que mudanas mais acentuadas em alguns fundamentos permitem que outros fundamentos se modifiquem menos ou se mantenham constantes de modo que, no conjunto, melhoras dos fundamentos descritas nos cenrios implicam num upgrade do conceito de rating. Isto , polticas que agem no sentido de melhorar o Balano de Pagamentos fazem com que as condies de captao de crdito no mercado externo melhorem. O que se traduz em termos reais na possibilidade de maior crescimento e desenvolvimento, via diminuio do sread da taxa de juros em relao s taxas de juros pagas pelo tesouro americano. Observamos que, para que haja uma mudana da atribuio de rating de risco para a economia brasileira, h uma combinao das mudanas dos fundamentos macroeconmicos. Desta forma, o crescimento do produto per capita e a razo do nvel de reservas totais como percentual do produto se mostram variveis importantes, pois em todos os cenrios, estas se elevam mais acentuadamente. Com exceo do cenrio 4, onde todas as variveis que se relacionam diretamente com a escala de rating de risco soberano, aumentam mais acentuadamente, a dvida externa
11

Diante da indisponibilidade de dados macroeconmicos dos anos 2004 e 2005 pelo Banco Mundial, tomamos o ano de 2003 para fazermos nossas anlises.

total como percentual das exportaes de bens e servios diminui. Logo, esta varivel tambm se mostra importante para que as condies de captao de recursos pelo Brasil nos mercados internacionais melhorem. O aumento da razo do nvel de reservas totais como percentual do produto tambm se mostra sempre crescente de acordo com a melhora de atribuio de rating. Observamos que o aumento do nvel de reservas importante para melhorar as condies de crdito no mercado internacional. Uma das caractersticas dos fundamentos macroeconmicos de todos os cenrios simulados, que todos so possveis de serem alcanados no curto prazo atravs de instrumentos de polticas econmicas. Contudo, no faz parte dos objetivos do presente trabalho discutir quais as polticas econmicas ou quais os instrumentos destas, devem ser utilizados. De acordo com Mankiw (2004), questes do tipo como aumentar a taxa do produto da economia, ou at que ponto a dvida do governo pode se transformar em um grave problema, fazem parte de importantes questes onde os macroeconomistas freqentemente discordam. Assim, baseados na amostra escolhida e nos resultados obtidos, verificamos quais as variveis que exercem forte interferncia no processo de atribuio de rating soberano. E, no caso do Brasil, apresentamos possveis modificaes dos fundamentos macroeconmicos que poderiam levar melhor atribuio de rating risco soberano. 7 Concluso Os problemas em torno da assimetria de informao na economia, e suas conseqncias diretas sobre as vidas das pessoas, podem ser mensurados pela quantidade e qualidade dos estudos produzidos em torno deste tipo de temtica. Diante do desenvolvimento e maior integrao entre os mercados financeiros mundiais, instituies e dispositivos que tm por objetivo minimizar os transtornos gerados pela assimetria de informaes so de muita importncia. Desta forma, a magnitude da importncia dos ratings na economia, como sntese clara e simples de informaes sobre as futuras condies de pagamento de um emitente de dvida, tambm incomensurvel. Haja vista que as condies de captao de recursos no mercado esto fortemente atreladas a eles como foi discutido por Partnoy (2002). Uma determinada atribuio de rating para um emitente de dvida soberano como um pas, por exemplo, pode lev-lo a conseqncias permanentes e desastrosas ou lev-lo a uma marcha rumo ao desenvolvimento scio-econmico via aumento da sua taxa de investimentos. No caso de pases emergentes como o Brasil, que tm ampla necessidade de captao de recursos no mercado externo para concretizar projetos de investimentos, sejam privados ou estatais, esta atribuio pode conter um peso substancialmente maior, pois eleva o custo de captao destes recursos. Isso pode acontecer porque dada uma atribuio de rating de risco soberano elevada, os dirigentes da economia brasileira sero obrigados a aumentar o prmio de risco pago por eles, isto , a taxa de juros paga pelos papis e ttulos financeiros emitidos pelo governo brasileiro. Em outras palavras, o governo ser obrigado, se por hiptese houver um downgrade nos ratings de risco soberano, ou seja, uma elevao do risco de crdito concedido para o Brasil no mercado internacional, a aumentar o spread de prmio pago entre ttulos do governo brasileiro e os ttulos do governo norte-americano, causalidade esta apresentada pelo trabalho de Cantor e Packer (1996). Mesmo levando em considerao caractersticas das agncias de ratings que as justificam como fornecedoras deste tipo de servio na economia, crticas tanto do meio acadmico quanto do mercado, tm surgido no sentido de atacar sua capacidade preditiva

frente a eminncias de crises financeiras. Logo, estudar-se uma ferramenta objetiva de apoio deciso em torno deste tipo de problema se torna fundamental. Assim, a utilizao de redes neurais artificiais no aprendizado da regra que rege o processo de atribuio de rating de risco soberano objetivou elucidar um processo decisrio que, como levantado por Ferri, Liu e Stiglitz (1999), funciona de maneira vaga. Alm disso, utilizamos esta regra na construo de cenrios para a economia brasileira a fim de sabermos como se modificariam as variveis macroeconmicas determinantes destas atribuies. Vimos que 4 variveis macroeconmicas esto mais diretamente conectadas a estas atribuies. So elas: nvel de reservas totais como percentual do produto, dvida externa total como percentual das exportaes de bens e servios, balana externa de bens e servios como percentual do produto e taxa de crescimento do produto per capita. Das 18 escalas diferentes de ratings que inicialmente faziam parte do output da rede neural, conseguiu-se atravs de uma arquitetura do tipo feedforward, com uma camada escondida composta por 40 neurnios, chegar-se a 8 escalas diferentes de ratings. Isto se deu em parte dificuldade de implementao de mtodos quantitativos problemtica envolvendo ratings de risco soberano como amplamente relatado na literatura e, em parte, a maior refinamento da rede neural. Embora, como foi descrito no captulo 6, foram testadas diversas variaes de composies de arquiteturas de redes. Os cenrios construdos nos mostraram que combinaes de modificaes dos fundamentos macroeconmicos foram necessrias para que o Brasil saltasse da escala de atribuio de rating B para BB. E, alm disso, observamos que o sentido das modificaes das variveis foi de acordo com a teoria econmica e que a magnitude destas modificaes podem ser alcanadas no curto prazo. Dado o processo experimental de construo de uma arquitetura de rede neural adequada, podemos concluir que a busca de maior refinamento deste, se torna uma preocupao com a qual o pesquisador que o aplica ter sempre que lidar. Devemos ressaltar que o melhor modelo de redes neurais ser sempre tangenciado. Logo, o trabalho buscou alcanar seu principal propsito no sentido de auxiliar os formuladores de polticas econmicas que tm por objeto melhorar as condies de crdito no mercado internacional, a definir polticas com mais subsdio informacional, pois a comprovao cientfica uma importante informao para processos de deciso. REFERNCIAS AKOBIR, Shahidi. Mathematical apparatus of the RPROP learning algorithm. BaseGroup Labs. Disponvel em: <http://www.basegroup.ru/neural/rprop.en.htm> Acesso em: jan. 2006. ARBIB, Michael A. The handbook of brain theory and neural networks. 2 ed. London, England: MIT Press, 1995. BLOCK, H.D. The Perceptron: A Model for Brain Functioning, In: I Review of Modern Physics, v. 34, 1962, p. 123-135. BONE, Rosemarie Brker. Anlise crtica dos fundamentos dos ratings soberanos: o caso da Argentina. Banco Central del Uruguay. Montevideo, Uruguai, 2002. Disponvel em: <http://bcu.gub.uy/autoriza/peiees/jor/2002/iees03j060702.pdf> Acesso em: out. 2005. BONE, Rosemarie Brker. Ratings soberanos e corporativos: o rompimento do teto soberano pela Petrobrs e REPSOL-YPF. Tese de Doutorado. Universidade Federal do Rio de Janeiro. Instituto de Economia. Rio de Janeiro, 2004.

BONE, Rosemarie Brker. A importncia dos fundamentos nos ratings soberanos brasileiros, 1994-2002. In: XXXIII Encontro Nacional de Economia, Dez. 2005, Natal Anais... Natal: XXXIII Encontro Nacional de Economia, 2005. CD-ROM. CANTOR, R.; PACKER, F. Determinants and Impact of Sovereign Credit Ratings. Economic Policy Review, v. 2, n 2, October 1996. Disponvel em: <www.ny.frb.org/rmaghome/eco_pol/1096cant.html>. Acesso em: out. 2005. CANUTO, O.; SANTOS, P. F. dos; PORTO, Paulo C. de S. Macroeconomics and sovereign risk ratings. World Bank Discussion papers. Washington D. C., Jan. 2004. CANUTO, O.; SANTOS, P. F. dos. Risco-soberano e prmios de risco em economias emergentes. Ministrio da Fazenda, Secretaria de Assuntos Internacionais, Temas de economia internacional, Jan. 2003b. DEMUTH, H; BEALE, M. Neural network toolbox. For use with MATLAB. Computation, visualization, programming. User's guide. Version 3. The Math Works. 1998. Disponvel em: <http://www.mathworks.com/access/helpdesk/help/toolbox/nnet/> Acesso em: jan. 2006. FAUSETT, Laurene. Fundamentals of Neural Networks. Prentice Hall, Englewood Cliffs, NJ, 1994. FERRI, G.; LIU, L-G.; STIGLITZ, J. E. The procyclical role of rating agencies: evidence from the East Asian crisis. Economic Notes, v. 28, n. 3, 1999, p. 335-355. GREENE, William H. Econometric Analysis. 5th ed. Upper Saddle River, New Jersey: Prentice Hall, 2002. HAQUE, Nadeem U.; MARK, Nelson; MATHIESON, Donald J. The relative importance of political and economic variable in creditworthiness ratings. IMF: working paper 98/46. Abr. 1998. HAYKIN, S. Redes Neurais: Princpios e Prticas. 2 ed. So Paulo: Bookman, 2001. KAASTRA, Iebeling; BOYD, Milton. Designing a neural network for forecasting financial and economic time series. Neurocomputing. v. 10, n. 3, jan. 1996. KRSE, Ben; SMAGT, Patrick van der. An Introduction to Neural Networks. Universidade de Amsterd. 8 ed., Amsterd, nov. 1996. KUMAR, A.; RAO, V. R.; SONI, H. An empirical comparison of neural network and logistic regression models. Marketing Letters, 1995. LEICHSENRING, Daniel. Endogeneidade e mecanismos de transmisso entre a taxa de juros domstica e o risco soberano: uma revisita aos determinantes do Risco-Brasil. Dissertao de Mestrado Universidade de So Paulo, Faculdade de Economia, Administrao e Contabilidade, Departamento de Economia, So Paulo, 2004. MANKIW, N. Gregory. Macroeconomia. 5 ed. Traduo por A. B. Pinheiro de Lemos. Traduo de Macroeconomics. Rio de Janeiro: LTC , 2004. MAS-COLLEL, A.; WHINSTON, M D.; GREEN, J. R. Microeconomics theory. New York: Oxford University Press, 1995. MINSKY, M.; PAPERT, S. Perceptrons: An Introduction to Computational Geometry. London, England: MIT Press, 1969. MOODYS INVESTORS SERVICE. Moodys rating symbols & definitions. Ago. 2003. Disponvel em: <www.moodys.com>. Acesso em: set. 2005.

NAG, A. K.; MITRA, A. Forecasting Daily Foreign Exchange Rates Using Genetically Optimized Neural Networks. Journal of Forecasting, 2002, p. 501512. NOVIKOFF, A. B. J. On Convergence Proofs of Perceptrons. Proc. Symp. on Math. Theory of Automata. Polytechnic Institute of Brooklyn. Brooklyn, NY, 1962, p. 615-622. PARTNOY, F. The paradox of credit ratings. In: Levich; Majnoni e Reinhart, Ratings, Rating agencies and the global financial system. Boston Kluwer, 2002. PIAZZI, Fbio Silva. Introduo s redes neurais. Centro Brasileiro de Pesquisas Fsicas. Seminrios Internos. Rio de Janeiro: Novembro, 2001. Disponvel em: <www.cbpf.br/cat/download/seminarios/internos/Fabio.ppt> Acesso em: set. 2005. REINHART, Carmen M. Sovereign credit ratings before and after financial crises. University of Maryland and NBER. Working paper. fev. 2001. RIEDMILLER, M.; BRAUN, H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm. In: Proceedings of the IEEE International Conference on Neural Networks, San Francisco, 1993. ROWLAND, Peter. Determinants of spread, credit ratings and creditworthiness for emerging market sovereign debt: a folow-up study using pooled data analysis. Banco de la Republica de Colombia. Bogot, Colmbia: 2004. disponvel em: <http://www.banrep.gov.co/docum/ftp/borra296.pdf> Acesso em: dez. 2005. RUMELHART, D.; HINTON, G.; WILLIANS, R. Learning Internal Representations by Error Propagation. Rumelhart e McClelland: Parallel Distributed Processing - In: Explorations in the Microstructure of Cognition - v. 1. Foundations. London, England: MIT Press, 1986. SIU, Roychowdhury et al. Toward massively parallel design of multipliers. (context), 1995. STANDARD & POORS. Sovereign Ratings History Since 1975. New York, USA: nov. 2005. STANDARD & POORS. Corporate ratings. criteria. 2002a. Disponvel em: <www.standardandpoors.com>. Acesso em: set. 2005. STANDARD & POORS. Critrios - comentrios: ratings de crdito soberano: principais conceitos. 2004. Disponvel em: <www.standardandpoors.com>. Acesso em: set. 2005. STANDARD & POORS. Risco soberano e ratings acima do soberano. critrios comentrios. ratings de crdito: soberanias. 23 jul. 2001a. Disponvel em: <www.santandarandpoors.com.br>. Acesso em: set. 2005. STIGLITZ, Joseph; GREENWALD, Bruce. Rumo a um novo paradigma em economia monetria. Traduo Laura Knapp e Ceclia Camargo Bartalotti. So Paulo: Francis, 2004. Traduo de: Towards a new paradigm in monetary economics. THE 2005 WORLD BANK DEVELOPMENT INDICATORS. Disponvel em:
<http://ddp-ext.worldbank.org/ext/DDPQQ/member.do?method=getMembers&userid=1&queryId=19>

Acesso em: out. 2005. VEELENTURF, L. P. J. Analysis and applications of artificial neural networks. United Kingdom: Prentice Hall International, 1995.