A carregar...
Publicação
Equity research CTT Correios de Portugal: assessing ai-based forecasting for bank valuation the Banco CTT case
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.26 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The valuation of banks is complex due to several factors: special regulatory capital
requirements, balance sheet dynamics where deposits serve as both liabilities and
funding sources and interest rate risk exposures that render traditional cash flow
metrics unreliable. Given the complexity, this study aims to answer whether machine
learning can generate credible stand-alone bank valuations using public financial and
macroeconomic data, while identifying influential drivers. A neural network was trained
on 103 features from 415 European banks (1999–2024) to forecast P/B ratios,
employing chronological splits to prevent look-ahead bias.
The results show that the artificial neural network was unable to generate reliable
valuations: test-set R² (–2.87), MSE (4.09) and MAE (0.53) exceeded 50% of the mean
P/B ratio (≈1), performing worse than a naive mean predictor. However, integrated
gradients identified economically relevant drivers: ROE increased P/B, while loan-loss
provisions and surplus deposits decreased it, aligning with traditional valuation theory.
Based on these findings, it can be concluded that while machine learning is unable to
replace analyst-led valuation for novel cases, it is effective in quantifying universal
drivers. The model’s inability to fully price instrument-specific aspects leads to the
conclusion that human input is still required. This information is critical for analysts,
financiers and regulators, as it highlights that the assessment of intrinsic value cannot
yet be fully delegated to algorithms. In summary, although AI has the potential to
accelerate valuation workflows, expert judgement is still necessary for accuracy in
cases where firm-specific nuances matter.
A avaliação de bancos é complexa face a diversos fatores: exigências especiais de capital regulamentar, dinâmicas do balanço em que os depósitos funcionam simultaneamente como passivos e fontes de financiamento, e exposições ao risco de taxa de juro que tornam as métricas tradicionais de fluxo de caixa pouco fiáveis. Perante esta complexidade, este estudo visa responder se a Aprendizagem Automática pode produzir avaliações bancárias autónomas credíveis, utilizando dados financeiros e macroeconómicos públicos, e identificar os impulsionadores relevantes. Uma Rede Neural foi treinada com 103 variáveis de 415 bancos Europeus (1999– 2024) para prever P/B, utilizando divisões cronológicas para evitar enviesamento de antecipação. Os resultados demonstram que a Rede Neural artificial não conseguiu produzir avaliações fiáveis: o R² do teste (–2,87), o MSE (4,09) e o MAE (0,53) excederam 50% do rácio P/B médio (≈1), com desempenho inferior ao de um preditor ingénuo da média. Contudo, os gradientes integrados identificaram impulsionadores economicamente relevantes: o ROE aumentou o P/B, enquanto as provisões para créditos incobráveis e os depósitos excedentários o reduziram, alinhando-se com a teoria de avaliação tradicional. Com base nestas conclusões, infere-se que, embora a Aprendizagem Automática não substitua a avaliação conduzida por analistas em casos novos, mostra-se eficaz na quantificação de impulsionadores universais. A incapacidade do modelo em refletir plenamente nos preços os aspetos específicos dos instrumentos leva a concluir que o contributo humano permanece necessário. Esta informação é crucial para analistas, financiadores e reguladores, pois evidencia que a avaliação do valor intrínseco ainda não pode ser totalmente delegada a algoritmos. Em síntese, embora a IA tenha potencial para acelerar fluxos de trabalho de avaliação, o juízo especializado mantémse indispensável para a precisão em casos onde intervêm nuances específicas da empresa.
A avaliação de bancos é complexa face a diversos fatores: exigências especiais de capital regulamentar, dinâmicas do balanço em que os depósitos funcionam simultaneamente como passivos e fontes de financiamento, e exposições ao risco de taxa de juro que tornam as métricas tradicionais de fluxo de caixa pouco fiáveis. Perante esta complexidade, este estudo visa responder se a Aprendizagem Automática pode produzir avaliações bancárias autónomas credíveis, utilizando dados financeiros e macroeconómicos públicos, e identificar os impulsionadores relevantes. Uma Rede Neural foi treinada com 103 variáveis de 415 bancos Europeus (1999– 2024) para prever P/B, utilizando divisões cronológicas para evitar enviesamento de antecipação. Os resultados demonstram que a Rede Neural artificial não conseguiu produzir avaliações fiáveis: o R² do teste (–2,87), o MSE (4,09) e o MAE (0,53) excederam 50% do rácio P/B médio (≈1), com desempenho inferior ao de um preditor ingénuo da média. Contudo, os gradientes integrados identificaram impulsionadores economicamente relevantes: o ROE aumentou o P/B, enquanto as provisões para créditos incobráveis e os depósitos excedentários o reduziram, alinhando-se com a teoria de avaliação tradicional. Com base nestas conclusões, infere-se que, embora a Aprendizagem Automática não substitua a avaliação conduzida por analistas em casos novos, mostra-se eficaz na quantificação de impulsionadores universais. A incapacidade do modelo em refletir plenamente nos preços os aspetos específicos dos instrumentos leva a concluir que o contributo humano permanece necessário. Esta informação é crucial para analistas, financiadores e reguladores, pois evidencia que a avaliação do valor intrínseco ainda não pode ser totalmente delegada a algoritmos. Em síntese, embora a IA tenha potencial para acelerar fluxos de trabalho de avaliação, o juízo especializado mantémse indispensável para a precisão em casos onde intervêm nuances específicas da empresa.
Descrição
Palavras-chave
Equity Research Valuation Bank Valuation Machine Learning Neural Networks Feature Importance Equity Research Avaliação Avaliação de Bancos Aprendizagem Automática Redes Neuronais Importância das Caraterísticas
Contexto Educativo
Citação
Lorenzl, Alexander Maximilian (2025). “Equity research CTT Correios de Portugal: assessing ai-based forecasting for bank valuation the Banco CTT case”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão