Submitted by Marcela Zuppini (marcela.zuppini@gmail.com) on 2018-09-17T15:29:45Z No. of bitstreams: 1 Dissertacao-MarcelaZuppini.pdf: 981569 bytes, checksum: 5370718f173516ac989c81abc20caba1 (MD5) / Approved for entry into archive by Joana Martorini (joana.martorini@fgv.br) on 2018-09-17T18:01:06Z (GMT) No. of bitstreams: 1 Dissertacao-MarcelaZuppini.pdf: 981569 bytes, checksum: 5370718f173516ac989c81abc20caba1 (MD5) / Approved for entry into archive by Suzane Guimarães (suzane.guimaraes@fgv.br) on 2018-09-18T14:11:35Z (GMT) No. of bitstreams: 1 Dissertacao-MarcelaZuppini.pdf: 981569 bytes, checksum: 5370718f173516ac989c81abc20caba1 (MD5) / Made available in DSpace on 2018-09-18T14:11:35Z (GMT). No. of bitstreams: 1 Dissertacao-MarcelaZuppini.pdf: 981569 bytes, checksum: 5370718f173516ac989c81abc20caba1 (MD5) Previous issue date: 2018-08-20 / A marcação a mercado de ativos ilíquidos é um desafio, dada a escassez de informações e negociações no mercado que possam indicar qual deve ser o seu preço justo. As debêntures, que são ativos de renda fixa do mercado brasileiro, são marcadas a mercado descontando-se os fluxos futuros do papel a valor presente. Quando as debêntures são ilíquidas, a dificuldade na determinação do valor justo está em encontrar o fator de desconto apropriado, ou seja, qual é o spread apropriado para o ativo. Este trabalho busca determinar o spread de debêntures ilíquidas com base nas suas características, nas informações sobre a saúde financeira dos emissores e na situação do mercado. As ferramentas utilizadas para esse fim são modelagem por redes neurais e clustering. Como base de comparação para os resultados obtidos, é utilizada regressão linear múltipla. / Market marking of illiquid assets is a challenge, given the scarcity of information and negotiations in the market that can indicate what the fair price should be. The debentures, which are fixed income assets of the Brazilian market, are marked to market discounting the future flows of paper to present value. When debentures are illiquid, the difficulty in determining fair value lies in finding the appropriate discount factor, i.e., what is the appropriate spread for the asset. This study seeks to determine the spread of illiquid debentures based on their characteristics, the information on the financial health of the issuers and the market situation. The tools used for this purpose are neural network modeling and clustering. Multiple linear regression is used as the basis of comparison for the obtained results.