Electronic Banking

3.3 Topics and methods

Tabela 5 lista todas as áreas de aplicação e abordagens metodológicas consideradas, juntamente com o número de papéis em todas as combinações destas duas dimensões. A última coluna da tabela representa o número de trabalhos em cada área de aplicação, enquanto que a última linha mostra o número de trabalhos em cada abordagem metodológica MCDA. Deve-se notar que estes totais não são iguais às somas das linhas/colunas, pois um artigo pode estar relacionado a múltiplas áreas de aplicação financeira e empregar uma combinação de métodos e abordagens MCDA. A Tabela 6 fornece mais detalhes sobre as combinações de métodos que têm sido utilizados. A tabela reporta o número de artigos que utilizam diferentes pares de abordagens (focalizamos os pares uma vez que a grande maioria dos artigos – cerca de 90% – utilizaram no máximo dois métodos).

O resumo dos resultados indica claramente que a optimização de carteiras (PO) é a área que tem sido mais estudada com as técnicas MCDA, nomeadamente MO e GP. Steuer e Na (2003) também encontraram a análise de portfólio como a área mais ativa de MCDA-finance pesquisada no período anterior a 2002 (embora não tenham feito distinção entre PO e avaliação de ativos). A popularidade da PO pode ser atribuída a uma série de razões. É um problema multifacetado que coloca uma série de desafios algorítmicos e de modelagem (por exemplo, modelagem de risco, dados de vários tipos, natureza dinâmica, etc.), e é relevante em vários contextos, incluindo carteiras de ações e carteiras de fundos, bem como no contexto de ativos de mercados não financeiros (por exemplo, mercados de energia e commodities). A maioria dos modelos de MO/GP propostos para PO têm-se baseado na combinação de múltiplas medidas de risco (por exemplo, enviesamento/curtose, medidas de valor em risco, rácio omega, risco sistémico, etc.), muitas vezes considerando objectivos e metas adicionais (liquidez, dividendos, diversificação, etc.). A EA/MH também tem sido muito popular em PO, particularmente quando se trata de critérios e modelos não convexos de selecção de carteiras (por exemplo, skewness/kurtosis, valor em risco), bem como nos casos em que características reais adicionais, tais como restrições de cardinalidade, são adicionadas na análise (Mansini, Ogryczak, & Speranza, 2014). Steuer (2013) faz a distinção entre três tipos de abordagens MCDA em PO. As abordagens a priori utilizam informações pré-especificadas sobre as preferências do tomador de decisão (investidor, gestor de carteira) para encontrar a carteira eficiente mais adequada. Os modelos de GP muitas vezes empregam essa abordagem. As abordagens a posteriori, por outro lado, concentram-se em encontrar o conjunto completo de carteiras eficientes em uma única execução, sem exigir a especificação de dados preferenciais. A EA/MH são tipicamente empregadas neste quadro, particularmente em casos mais complexos, como já foi mencionado acima (para uma visão geral da EA/MH em PO, ver Metaxiotis & Liagkouras, 2012). Uma classe final de procedimentos é baseada em técnicas interactivas que permitem a articulação progressiva de informação preferencial sobre a política de investimento do decisor (ver, por exemplo, Xidonas, Mavrotas, & Psarras, 2010a).

PO está intimamente relacionada com outras áreas temáticas consideradas neste inquérito, nomeadamente avaliação de activos, SRI, e finanças energéticas. Surpreendentemente, apenas 12 publicações abordaram a gestão de carteiras num quadro integrado que combina PO e avaliação de activos (ver, Kiris & Ustun, 2012, Pendaraki, Zopounidis, & Doumpos, 2005, Pérez-Gladish, Jones, Tamiz, & Bilbao Terol, 2007, e Xidonas, Askounis, & Psarras, 2009a, entre outros). Todos estes trabalhos consideraram o processo de avaliação de ativos em termos de fatores fundamentais, muitas vezes realizados no contexto da gestão de fundos, utilizando metodologias baseadas principalmente em AHP/ANP, OR, e PDA. As técnicas MO e EA/MH, por outro lado, também têm sido populares na avaliação de ativos, principalmente no contexto de negociação algorítmica e análise técnica (ver, Bodas-Sagi, Fernández-Blanco, Hidalgo, & Soltero-Domingo, 2013, Chiam, Tan, & Al Mamun, 2009, e Ng et al., 2014, entre outros). É também interessante notar que metade dos trabalhos sobre SRI (9 dos 18 trabalhos) também incorporam aspectos PO e seis dos 18 trabalhos sobre SRI consideram aspectos sociais como parte do processo de avaliação de ativos. Curiosamente, todos os artigos da SRI, exceto um, foram publicados no período de 2009 a 2014, o que indica que esta é uma tendência emergente em investimentos financeiros e gestão de carteiras.

Exceto pelos tópicos relacionados a investimentos acima, avaliação de risco de crédito e previsão de falência também foram tópicos muito populares, com 108 artigos relevantes, enquanto no levantamento anterior de Steuer e Na (2003) esta área não foi identificada como um tema de pesquisa distinto. Nesta área têm sido utilizadas várias metodologias diferentes, sendo as mais populares o MO, PDA, GP e OR. Os modelos de previsão de risco de crédito e falência são geralmente construídos a partir de bases de dados existentes sobre incumprimentos e falências (dados de empresas ou consumidores). Técnicas de PDA geralmente empregam formulações de MO e GP para inferir modelos de decisão a partir de instâncias de dados existentes Alguns exemplos podem ser encontrados nos trabalhos de Doumpos e Zopounidis (2011), Peng, Kou, Shi, e Chen (2008), e Zhang et al. (2014), entre outros. Técnicas semelhantes também têm sido utilizadas para analisar e prever as notações de crédito emitidas pelas principais agências de avaliação de crédito, que são amplamente utilizadas por decisores financeiros, investidores e reguladores (Doumpos, Niklis, Zopounidis, & Andriosopoulos, 2015; Doumpos & Pasiouras, 2005), enquanto que outros estudos têm focado modelos especializados para áreas como crédito hipotecário e navegação (ver Ferreira, Santos, Marques, & Ferreira, 2014, e Gavalas & Syriopoulos, 2014, entre outros). Vale ressaltar também que vários estudos nesta área exploraram combinações de métodos MCDA com modelos de data mining, tais como redes neurais, métodos de kernel, raciocínio baseado em casos, e algoritmos de clustering. Tais combinações têm sido consideradas em três formas principais: (a) usando modelos MO/GP (muitas vezes facilitados pela EA/MH) para treinamento de modelos de data mining (por exemplo, Pendharkar & Nanda, 2006; Zhang et al., 2014), (b) usando a estrutura complexa e o poder de representação dos modelos de data mining para a construção de sistemas precisos de avaliação e previsão de risco multicritério (por exemplo Chen & Hu, 2011; Hu, 2009), e (c) usando técnicas MCDA para avaliar o desempenho dos modelos de previsão (por exemplo, Wu & Hsu, 2012).

Aplicações no sector bancário também atraíram um interesse considerável, particularmente após a crise global de crédito de 2007/2008. Isto é realçado pelo facto de 54 dos 73 artigos sobre aplicações bancárias terem sido publicados entre 2010 e 2014. semelhança da avaliação do risco de crédito e da previsão de falência, a banca também não foi considerada como uma área de investigação distinta no inquérito a Steuer e Na (2003). Assim, ao longo da última década, a banca emergiu como uma área de particular interesse para a aplicação dos métodos MCDA. Tais métodos aplicados no sector bancário incluem AHP/ANP (frequentemente combinados com modelos fuzzy), bem como técnicas PDA, OR e GP. Os tópicos de aplicação incluem a avaliação do desempenho dos bancos (por exemplo Doumpos & Zopounidis, 2010; Grigoroudis, Tsitsiridi, & Zopounidis, 2013; Ioannidis, Pasiouras, & Zopounidis, 2010; Shen & Tzeng, 2014a), gestão de activos-passivos (por exemplo, Kosmidou & Zopounidis, 2007), gestão de agências bancárias (por exemplo Ferreira et al., 2010), e serviços bancários electrónicos (e.g., Hu & Liao, 2011; Kaya & Kahraman, 2011), entre outros.

Questões semelhantes também têm sido consideradas fora do sector bancário em outros estudos que se concentraram no desempenho das empresas em sectores como os transportes, agricultura, seguros, construção, etc. Como é evidente na Tabela 5, os métodos utilizados para avaliar o desempenho corporativo são bastante similares aos utilizados no setor bancário.

No que diz respeito às outras áreas de aplicação, vale ressaltar que na orçamentação de capital e planejamento financeiro identificamos apenas 41 trabalhos publicados desde 2002. Este é um decréscimo notável em comparação com a pesquisa de Steuer e Na (2003), que encontraram estas áreas a serem amplamente pesquisadas no período anterior a 2002 (quando combinadas, eram na verdade mais populares do que a análise de carteira).

Do ponto de vista metodológico, MO é claramente a abordagem dominante com 273 trabalhos. A maioria dos trabalhos que utilizam MO estão relacionados a PO (188 estudos), seguidos pela avaliação de ativos (31 estudos) e avaliação de risco de crédito/previsão de falência (25 trabalhos). Como mostrado na Tabela 6, uma parte significativa dos estudos usando MO combina com técnicas EA/MH (82 trabalhos), modelos fuzzy (35 estudos), e algoritmos de mineração de dados (18 trabalhos).

AHP/ANP tem sido a segunda abordagem mais popular. Este é um grande aumento quando comparado com o levantamento anterior de Steuer e Na (2003), que descobriram que apenas um pequeno número de estudos dependia de AHP antes de 2002. Curiosamente, os trabalhos relacionados à AHP/ANP abrangem todo o espectro de aplicações financeiras, freqüentemente combinados com modelos difusos e outras técnicas MCDA, especialmente TOPSIS.

Like MO, GP também tem sido uma abordagem popular de modelagem e solução para decisões financeiras em PO e previsão de risco de crédito/falência. Orçamentação de capital e planejamento financeiro também têm sido tópicos populares para aplicações de modelos de GP. No entanto, ao contrário dos modelos de MO, o GP tem sido menos frequentemente combinado com outras abordagens. Entre elas, os modelos fuzzy, DM e PDA têm sido as mais populares.

PDA tem sido a abordagem mais popular para modelos de previsão de risco de crédito/falência. Isto é explicado pela natureza da estrutura do PDA, que se concentra na inferência de modelos de decisão a partir de dados. Esta característica adapta-se bem ao contexto de modelagem de risco de crédito e previsão de dificuldades financeiras. Para esse efeito, o quadro de PDA é normalmente implementado com diferentes modelos OR e MAUT (por exemplo, Bugera, Konno, & Uryasev, 2002; Doumpos, 2012; Doumpos & Zopounidis, 2011) ou em combinação com técnicas de DM (Peng et al, 2008).

entre as outras principais abordagens de modelagem MCDA, MAUT tem sido usado em 36 estudos, enquanto técnicas baseadas em regras (por exemplo, conjuntos de rascunho baseados em dominância; Greco, Matarazzo, & Slowinski, 2013; Shen & Tzeng, 2014b) têm sido usadas em 13 publicações. O pequeno número de aplicações do MAUT na tomada de decisões financeiras em comparação com outras abordagens também foi relatado por Steuer e Na (2003), que encontraram apenas oito publicações relevantes no período anterior a 2002. Finalmente, vale ressaltar que alguns estudos (15 no total) utilizaram a DEA como uma técnica de avaliação multicritério baseada em dados combinada com abordagens MCDA tradicionais como MO, GP, AHP/ANP e TOPSIS (Amiri, Zandieh, Vahdani, Soltani, & Roshanaei, 2010; Che, Wang, & Chuang, 2010; Yang, Wong, Xu, Liu, & Steuer, 2010). O DEA fornece uma abordagem conveniente para avaliações multicritérios usando informação mínima, uma vez que as avaliações são conduzidas pelos dados. No entanto, quando usados num contexto MCDA, os modelos de avaliação baseados em DEA estão sujeitos a problemas metodológicos (para uma discussão abrangente, ver Bouyssou, 1999; Tofallis, 2010).