[pt] O objetivo principal dessa dissertação é identificar, com antecedência, as instituições financeiras mais propensas a se tornarem insolventes, propiciando a implementação de medidas corretivas em tempo hábil e uma alocação mais eficiente dos recursos disponíveis para o acompanhamento direto (on-site) das instituições por parte do Banco Central. Para isso, é necessário a utilização de algum tipo de modelo estatístico, convencionalmente chamado de modelo de early warning, que traduza as características dos bancos em estimativas de risco. Este estudo examina a eficácia de dois tipos de modelos de early warning - o modelo de regressão logística e o modelo de risco proporcional de Cox - em prever o fenômeno de insolvência bancária no Brasil durante o período 1995/1998. Estes modelos basicamente produzem estimativas da probabilidade de um banco, com um dado conjunto de características, sobreviver mais que um determinado intervalo de tempo no futuro, classificando-o como solvente ou insolvente. Apontam também quais as características que mais contribuíram para a insolvência das instituições financeiras. O alto percentual de acerto de classificação dos bancos pelos dois modelos estimados, com a identificação de uma proporção considerável das insolvências com antecedência, indicam que a insolvência bancária é passível de ser prevista no Brasil, sendo recomendável a utilização destes como um instrumento adicional de supervisão do sistema financeiro pelo Banco Central. / [en] The purpose of this study is to identify problem banks and to predict bankrupticies with sufficient lead time for regulators to institute remedial action at these banks. It requires the use of some sort of statistical model, conventionally labeled an early warming model, to translate bank characteristics into estimates of risk. This dissertation presents a pair of early warming models - the logistic regression and the Cox proportional hazards model - and applies them to the prediction of bank failures in Brazil between 1995 and 1998. These models basically produce estimates of the probability that a bank with given set of characteristics will survive longer than some specified length of time into the future. In addiction, these models point out which were the characteristics that most contributed to the bank insolvency. The models identify both failed and healthy banks with a high degree of accuracy. Furthermore, a large proportion of banks that subsequently failed are flagged as potential failures in periods prior their actual demise. This results demonstrate that reasonably accurate early warming models can be built and maintained at relatively low cost. The use of these models could be of great benefit as an additional instrument to the banking supervision activity.

[pt] Esta dissertação investiga a utilização de Redes Neurais, especificamente o modelo conhecido como Mapa Auto- Organizável de Kohonen, na previsão de insolvência no sistema finaneiro. Para o desenvolvimento deste trabalho foram utilizados inicialmente indicadores financeiros trimestrais de 32 Bancos e 53 Financeiras do Paraguai no período compreendido entre dezembro de 1996 e dezembro de 1997. Como parâmetro de comparação foram utilizados os resultados fornecidos pelo sistema de qualificação denominado CAULA, empregado pela Superintendência de Bancos do Banco Central do Paraguai. / [en] This dissertation investigates the use of Neural Networks, especially the model known as Self-Organizing Feature Maps (S.O.F.M.), as regards the prediction of bankruptcy in the financial system. Quarterly financial ratios of 32 Banks and 53 Financial Institutions in Paraguay within the period December 96 - December 97 were utilized for the development of this work. The qualification system, Known as CAULA (Capital, Assets, Utilities, Liquidity and Management), used by the Superintendence of Banks of the Central Bank of Paraguay, was chosen as a comparative model with respect to the Neural Network model.