Resumo Este estudo avaliou a estrutura de capital de companhias abertas brasileiras, no período de 2005 a 2012, verificando o papel das fontes de financiamento nas quais tais companhias se baseiam. Para tanto, foi avaliada a proporção das dívidas em 3 fontes distintas: as instituições financeiras, o mercado de capitais e as fontes com taxas de juros subsidiadas, estas últimas representando um fator institucional da economia brasileira. Foi utilizada uma amostra de 95 empresas, dentre as 150 maiores empresas com ações negociadas na Bolsa de Valores, Mercadorias e Futuros de São Paulo (BM&FBOVESPA). Por meio de modelos com dados em painel, os resultados mostram que as fontes de financiamento impactam a formação da estrutura de capital das empresas, exercendo influência tanto na alavancagem quanto na maturidade das dívidas. Em relação à alavancagem, empresas que têm maior proporção de seus recursos captados no mercado de capitais são mais alavancadas. O mesmo não acontece com as empresas que têm maior proporção de recursos subsidiados. Em relação à maturidade das dívidas, recursos de diferentes maturidades são captados em diferentes fontes: os recursos de menores maturidades são captados em instituições financeiras e os recursos de maiores maturidades são captados no mercado de capitais e nas fontes com taxas de juros subsidiadas - leia-se Banco Nacional de Desenvolvimento Econômico e Social (BNDES). Comparando-se os recursos do mercado de capitais com os recursos subsidiados, verifica-se que os primeiros têm maior maturidade. Tal resultado pode ser justificado em virtude do crescimento do mercado de capitais brasileiro nos últimos anos, a partir de 2009, de modo que as companhias estão se baseando no mercado de capitais para seus financiamentos de maior maturidade e nos recursos subsidiados, do BNDES, para seus financiamentos de maturidades intermediárias.

Corporate financing decisions, particularly the choice between equity and debt, significantly impact a company’s financial health and value. This study predicts binary corporate debt levels (high or low) using supervised machine learning (ML) models and firms’ characteristics as predictive variables. Key features include companies’ size, tangibility, profitability, liquidity, growth opportunities, risk, and industry. Deterministic models, represented by logistic regression and multilevel logistic regression, and stochastic approaches that incorporate a certain degree of randomness or probability, including decision trees, random forests, Gradient Boosting, Support Vector Machines, and Artificial Neural Networks, were evaluated using usual metrics. The results indicate that decision trees, random forest, and XGBoost excelled in the training phase but showed higher overfitting when evaluated in the test sample. Deterministic models, in contrast, were less prone to overfitting. Notably, all models delivered statistically similar results in the test sample, emphasizing the need to balance performance, simplicity, and interpretability. These findings provide actionable insights for managers to benchmark their company’s debt level and improve financing strategies. Furthermore, this study contributes to ML applications in corporate finance by comparing deterministic and stochastic models in predicting capital structure, offering a robust tool to enhance managerial decision-making and optimize financial strategies.

Carefully selecting variables in problems with large volumes of data are extremely important, as it reduces the complexity of the model, improves the interpretation of the results, and increases computational efficiency, ensuring more accurate and relevant analyses. This paper presents a comprehensive approach to selecting variables in multiple regression models using the stepwise procedure. As the main contribution of this study, we present the stepwise function implemented in Python to improve the effectiveness of statistical analyses, allowing the intuitive and efficient selection of statistically significant variables. The application of the function is exemplified in a real case study of real estate pricing, validating its effectiveness in improving the fit of regression models. In addition, we presented a methodological framework for treating joint problems in data analysis, such as heteroskedasticity, multicollinearity, and nonadherence of residues to normality. This framework offers a robust computational implementation to mitigate such issues. This study aims to advance the understanding and application of statistical methods in Python, providing valuable tools for researchers, students, and professionals from various areas.