When Validation Defines Abnormality: Prediction Targets in Bayesian Accrual Measurement
Este artigo demonstra que, em configurações longitudinais agrupadas, a escolha do alvo de validação preditiva (anos-empresa individuais versus empresas inteiras) altera fundamentalmente o referencial de proxies baseados em resíduos ao deslocar o peso da seleção de modelos bayesianos entre marcos de referência específicos da empresa e do nível populacional, alterando, assim, materialmente a classificação de comportamento anormal.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo da contabilidade, os números contam uma história sobre como uma empresa está operando, mas nem todo número é uma observação direta. Algumas figuras são estimativas, calculadas para separar o rotineiro do incomum. Imagine a atividade financeira total de uma empresa como um rio. A maior parte da água flui de forma previsível, impulsionada pelas correntes padrão de vendas, custos e investimentos. Este fluxo previsível é o que os especialistas chamam de comportamento "normal". No entanto, às vezes, o rio cresce ou recua de formas que não condizem com a corrente atual. Essas desvios são chamados de atividades "anormais". Na pesquisa financeira, esses desvios anormais são frequentemente tratados como pistas. Eles podem sugerir que uma empresa está escondendo algo, manipulando seus relatórios ou enfrentando choques econômicos únicos que modelos padrão não conseguem explicar. Para encontrar essas pistas, os pesquisadores primeiro constroem um modelo para prever como o fluxo normal deveria ser. O que resta após essa previsão é o "resíduo", a peça restante que representa a anormalidade.
O problema é que a definição de "normal" não é fixa. Diferentes pesquisadores usam diferentes fórmulas para calcular qual deve ser o comportamento normal de uma empresa. Algumas fórmulas focam em como os lucros se relacionam com o fluxo de caixa, enquanto outras observam como os ativos mudam ao longo do tempo. Como não existe uma única fórmula correta, os pesquisadores frequentemente tentam muitos modelos diferentes e deixam os dados decidirem qual funciona melhor para prever o futuro. Eles utilizam um método chamado validação, onde testam um modelo em dados passados para ver se ele consegue adivinhar com precisão o que aconteceu em seguida. Se um modelo prevê bem, ele recebe uma pontuação mais alta e é mais confiável. Mas esse processo de escolha do melhor modelo depende de uma regra específica: o que exatamente estamos tentando prever? Estamos tentando prever o próximo ano para uma empresa que já conhecemos, ou estamos tentando prever o futuro para uma empresa completamente nova que nunca vimos antes? Essa escolha aparentemente pequena sobre para quem estamos prevendo acaba mudando toda a definição do que é considerado "anormal".
Um estudo recente de Quan Pham, da Universidade Industrial de Ho Chi Minh City, investiga exatamente esta questão. O pesquisador analisou milhares de relatórios financeiros anuais de 568 empresas listadas em bolsas de valores vietnamitas entre 2015 e 2024. O objetivo era ver se a regra usada para testar os modelos de previsão realmente altera a medição final do comportamento anormal. Para fazer isso, o estudo utilizou uma técnica sofisticada chamada Bayesian stacking, que combina muitos modelos contábeis diferentes em uma única média ponderada. Em vez de escolher apenas um único "melhor" modelo, este método atribui um peso a cada modelo com base no seu desempenho durante o teste. O experimento principal envolveu rodar os mesmos testes duas vezes, mas alterando apenas a regra do que seria ocultado durante o teste. No primeiro cenário, o teste ocultou apenas um ano de dados de uma empresa específica, mantendo todos os seus outros anos visíveis. Isso simula prever o próximo passo de um amigo familiar. No segundo cenário, o teste ocultou todos os anos de dados de uma empresa específica, simulando uma previsão para um estranho sem histórico.
Os resultados mostraram uma mudança dramática na forma como os modelos foram ponderados dependendo de qual regra foi utilizada. Quando o teste permitia que o modelo visse o histórico passado de uma empresa (prevendo para um amigo familiar), o sistema favorecia fortemente modelos que incluíam um "efeito de firma" específico. Este é um recurso estatístico que captura as peculiaridades únicas e persistentes de uma única empresa, como seu estilo de gestão específico ou estrutura de negócios de longo prazo. Neste cenário, esses modelos específicos da firma receberam cerca de 59 a 62 por cento do peso total. No entanto, quando o teste ocultava todo o histórico da empresa (prevendo para um estranho), o sistema quase completamente ignorava esses modelos específicos da firma. Em vez disso, deslocava sua confiança para modelos gerais, de nível populacional, que descrevem como a empresa média se comporta. Neste caso, o peso para os modelos específicos da firma caiu para menos de 4 por cento. O estudo confirmou, através de simulações computacionais, que essa mudança não era ruído aleatório ou uma falha matemática. Foi uma resposta direta à estrutura dos dados: quando o histórico único de uma empresa está disponível, o melhor preditor o utiliza; quando esse histórico desaparece, o melhor preditor baseia-se na média.
Essa realocação de confiança teve um impacto direto e mensurável nos números finais. O estudo descobriu que, embora o ranking geral das empresas tenha permanecido de forma semelhante — empresas que estavam no topo da lista para um método estavam geralmente no topo para o outro — as empresas específicas identificadas como os outliers mais extremos mudaram significativamente. Ao observar os cinco por cento das empresas com a atividade mais "anormal", os dois métodos concordaram em apenas cerca de 65 a 69 por cento dos casos. Isso significa que aproximadamente uma em cada três empresas sinalizadas como altamente anormais por um método não foi sinalizada pelo outro. A diferença tornou-se ainda mais pronunciada quando os pesquisadores ajustaram os números para considerar a incerteza nas previsões. Nesse caso, o acordo sobre os cinco por cento caiu para entre 37 e 42 por cento. Essencialmente, a escolha da regra de validação atuou como um filtro que deixou diferentes conjuntos de empresas passarem pela porta.
O estudo também verificou se esses diferentes conjuntos de empresas eram realmente diferentes em seu comportamento real. Descobriu-se que as empresas identificadas como anormais apenas pelo método do "amigo familiar" tendiam a ter lucros futuros e retornos sobre ativos mais baixos. Em contraste, as empresas identificadas como anormais apenas pelo método do "estranho" tendiam a ter fluxos de caixa e lucros futuros mais altos. Isso sugere que os dois métodos não estão apenas rotulando as mesmas empresas de forma diferente; eles estão, de fato, capturando diferentes tipos de realidades econômicas. Um método é ajustado para detectar desvios do próprio padrão histórico de uma empresa, enquanto o outro é ajustado para detectar desvios da média geral do mercado.
A conclusão é que a ferramenta usada para medir a anormalidade não é neutra. A regra escolhida para testar o modelo de previsão torna-se parte da própria medição. Se um pesquisador deseja saber se uma empresa está se comportando de forma incomum em relação ao seu próprio passado, ele deve usar uma regra de validação que mantenha o histórico da empresa visível. Se ele deseja saber se uma empresa é incomum em relação ao resto do mundo, deve usar uma regra que oculte esse histórico. O estudo não declara um método superior ao outro. Em vez disso, mostra que a definição de "anormal" é flexível e depende inteiramente da pergunta que está sendo feita. Para qualquer pessoa que utilize essas medições para filtrar riscos, selecionar amostras para pesquisa ou investigar o reporte financeiro, a escolha da regra de validação não é apenas um detalhe técnico. É uma parte fundamental do design da medição que determina quais empresas serão vistas como discrepantes e quais serão vistas como normais.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.