• Nenhum resultado encontrado

Alguns Trabalhos realizados com Redes Bayesianas

Incerteza e Teoria de Decisão

Equação 4 – Teorema de Bayes

2.2.3. Alguns Trabalhos realizados com Redes Bayesianas

A aplicação de Redes Bayesianas é bastante ampla e existe vasta literatura sobre o tema. Longe de objetivarmos ser exaustivos, descrevemos abaixo uma pequena relação de trabalhos sobre o assunto que julgamos interessante apresentar, primeiramente para um entendimento da extensão, flexibilidade e aplicabilidade da ferramenta e também como resultado de pesquisa bibliográfica sobre ao assunto tema do presente trabalho.

i) Em [DEMIRER, MAU, SHENOY], os autores mostram como redes Bayesianas podem servir de suporte a decisão para analistas de investimento e gestores de portfolio, principalmente ao incorporar no modelo de previsão variáveis não quantitativas associadas à Finanças Comportamentais que por vezes se traduzem em viés nas projeções realizadas por modelos convencionais.

ii) Em [SUN & SHENOY] os autores utilizam Redes Bayesianas para criar a partir de dados históricos um modelo de previsão de Falência.

iii) Em [KEMMERER, MISHRA, SHENOY] é demonstrada a aplicação de Redes de Bayes conjuntamente com mapas de causalidade para a construção de um Mapa Causal Bayesiano que serve de auxílio para tomada de decisão para investidores de Capital de Risco (“Venture Capital”)

iv) Em [SHENOY & SHENOY], os autores demonstram a possibilidade do uso de redes Bayesianas para modelar um portfolio financeiro tradicional de risco & retorno, com a vantagem de permitir a inclusão da opinião de especialistas, apresentando como resultado o retorno, risco e valor em risco (VAR)

v) Em [JANZ, SCHNEIDER, KEMPF, WESTKÄMPER], os autores fazem uso de Redes de Bayes para estimar os custos operacionais de um produto considerando à incerteza de diferentes condições operacionais. Como medidas diretas da probabilidade em muitos casos não são possíveis, conhecimento de especialistas precisam ser considerados, o que justifica o uso da técnica bayesiana para esta finalidade.

vi) [GONZÁLEZ] realizou vasta pesquisa até 2002 sobre livros que abordam o tema Redes Bayesianas, rica fonte de informações para interessados em trabalhos futuros sobre o tema.

2.2.4. Ferramentas

Durante os anos 90, Redes Bayesianas e Gráficos de Decisão atraíram grande atenção como uma base para a construção de sistemas normativos, não apenas em instituições de pesquisa, mas também na indústria. Contrário à maioria das teorias para tratar a incerteza, é necessário uma boa base teórica e prática para explorar oportunidades através do ferramental de Redes Bayesianas e Gráficos de Decisão. A existência de ferramentas em software facilitou sobremaneira a forma de criar, calcular e simular as Redes Baysesianas. As Redes Bayesianas criam uma linguagem extremamente eficiente para a construção de modelos com incerteza inerente.

Como exemplo de ferramentas para construção de Redes Bayesianas podemos citar (não trata-se de uma lista exaustiva) alguns:

i) Bayesware: www.bayesware.com

ii) BN Toolbox: www.cs.berkeley.edu/~murphyk/Bayes/bnsoft.html iii) BucketElim: www.ics.uci.edu/~irinar

iv) Genie: www2.sis.pitt.edu/~genie v) Hugin: www.hugin.com

vii) Netica: www.norsys.com

viii) XBAIES: www.staff.city.ac.uk/-rgc

No presente trabalho utilizamos uma versão demonstrativa acadêmica do software

Hugin. Como em toda versão demonstrativa, existem restrições que tivemos de

administrar na realização dos testes. As restrições são basicamente da quantidade de variáveis e estados de que se pode dispor na construção das redes. Desta forma, tivemos que trabalhar com redes simples e uma quantidade limitada de estados, mas que ao final não comprometem o objetivo deste trabalho.

Comparando Redes Neurais e Redes Bayesianas

As diferenças entre sistemas baseados em regras, como Redes Neurais, e os sistemas baseados em Redes Bayesianas são facilmente observáveis: em Redes Neurais procura-se modelar as formas especialistas de raciocínio (portanto o nome de Sistemas Especialistas), enquanto que em Redes Bayesianas, você experimenta modelos de dependência dentro do próprio domínio. Por isso, os sistemas bem modelados por Redes Bayesianas são frequentemente chamados de Sistemas de Suporte à Decisão ou Sistemas Especialistas Normativos.

Outra diferença fundamental entre os dois tipos de rede é que cada nó numa Rede Bayesiana possui em si próprio uma interpretação do domínio do Sistema, o que não ocorre numa Rede Neural, onde os nós interiores (não de entrada e/ou saída) cumprem apenas um papel estrutural na montagem da rede, sem um significado por si só.

O significado de um nó e suas tabelas de probabilidades pode ser objeto de discussão externa, independentemente da sua função na rede. Isto não faz sentido quando falamos de redes neurais. Isto significa que a construção de Redes Bayesianas requer conhecimento detalhado do domínio em questão. Se tal conhecimento pode apenas ser obtido através de uma série de exemplos, as redes

neurais parecem ter uma abordagem mais fácil. Isto pode ser verdade nos casos de letras manuscritas, reconhecimento de faces, e outras áreas onde a atividade é habilidade baseada apenas na experiência, mas não em sistemas de suporte à decisão.

É comum a crítica às Redes Bayesianas quanto ao fato de que para construir a rede você necessita conhecer muitas probabilidades. Contudo, não existe uma diferença considerável entre este número e o número de pesos e limites que devem ser conhecidos a fim de construir uma rede neural, e estes últimos só podem ser conhecidos via treinamento. É uma fraqueza enorme das redes neurais que você não possa utilizar o conhecimento disponível à priori. Probabilidades, por outro lado, podem ser acessadas usando uma combinação de informações teóricas, estudos empíricos independentes da construção do sistema, treinamento e várias outras formas mais ou menos subjetivas. Finalmente, deve ser mencionado que na construção de uma rede neural a rota de inferência é fixa. É decidida de antemão, sobre a qual as relações de informação são unidas, e quais relações o sistema é esperado que calcule. Redes Bayesianas são bastante mais flexíveis a este respeito.

3. Metodologia

3.1. Objetivo

Com o objetivo de demonstrar uma possível aplicação de Redes de Bayes em Finanças Corporativas, investigaremos o potencial de crescimento dos fluxos de caixa de companhias brasileiras de alguns setores econômicos utilizando um modelo Bayesiano e compararemos o resultado, primeiramente com os resultados obtidos por um modelo econométrico tradicional, e em seguida com o resultado real auferido no período.

A metodologia consiste em uma seqüência de passos:

(i) primeiramente precisamos definir que empresas/setores desejamos analisar. Será necessário levantar as séries históricas com diversas informações destas empresas, logo é importante preocupar-se desde o início com o fato de que as informações das empresas sejam publicamente divulgadas, ou mesmo que não sejam públicas, que sejam disponíveis e acessíveis;

(ii) uma vez definidas as empresas e setores objeto de análise, precisaremos determinar para cada setor/empresa quais são as variáveis econômicas relevantes na determinação do crescimento dos seus fluxos de caixa. Algumas informações não diretamente prontas para serem usadas, logo requererão transformações. Por exemplo, teremos que montar os fluxos de caixa projetados de todas as empresas analisadas a partir de Demonstrativos de Resultados e Balanços de Empresas. Teremos ainda que converter diversas séries mensais, trimestrais, quadrimestrais e anuais em um base de tempo única: quadrimestral, por exemplo.

iii) logo que os dados estejam uniformizados e prontos para serem usados, utilizaremos as ferramentas econométricas tradicionais, assim como

conhecimento prévio sobre o setor em análise e também a própria ferramenta de Redes Bayesianas para avaliar quais das variáveis são efetivamente relevantes para o crescimento do fluxo de caixa destes setores/empresas. Utilizando os dados históricos uniformizados em modelos econométricos tradicionais, assim como o módulo de aprendizado estruturado da ferramenta bayesiana, iremos por tentativa e erro propor as variáveis relevantes para cada setor eoonômico;

iv) Mais do que identificar as variáveis importantes para o setor/empresas, os modelos econométricos testados, assim como o módulo de aprendizado estruturado da ferramenta bayesiana nos permite sugerir e analisar possíveis relações de causalidade entre estas variáveis e para com a taxa de crescimento dos fluxos de caixa das companhias inseridas em cada setor econômico;

(iii), Após todo o processo de análise, elegeremos uma rede bayesiana que será nosso modelo de projeção para estimar o crescimento dos fluxos de caixa para uma empresa inserida neste ambiente; Faremos comparações dos resultados obtidos através desta rede versus resultados obtidos por modelos econométricos tradicionais, e finalmente compararemos com resultados reais do período observado.

Toda esta metodologia para modelagem, levantamento e aplicação dos dados está detalhadamente descrita adiante.

Obviamente, trata-se apenas de uma abordagem, frente às várias alternativas possíveis, lembrando que nossa intenção é demonstrar a possibilidade de aplicação da ferramenta, mas não necessariamente encontrar o modelo mais otimizado, ou mais eficiente, o que deixamos como sugestão para futuros trabalhos.

Documentos relacionados