Análise de Relatórios Financeiros

Conhecimentos de Base Recomendados

Recomenda-se que existam os conhecimentos previamente adquiridos nas outras unidades curriculares do curso.

Métodos de Ensino

O ensino da unidade curricular baseia-se em materiais de pesquisa recente e na experiência obtida através da prática. A pedagogia do curso é fortemente interactiva. Pretende-se uma participação ativa dos alunos a partir da discussão de casos reais.

As aulas são teórico-práticas, sendo a presença (e participação ativa) nas aulas facultativa, embora vivamente aconselhada.

Resultados de Aprendizagem

Esta unidade curricular oferece uma abordagem ampla e integrada da análise das demonstrações financeiras de uma empresa na óptica da sua contribuição para a avaliação do desempenho e condição financeira actual e futura. Encontra-se estruturada por forma a atingir dois objectivos principais. Ajudar o aluno a compreender a relação entre as decisões empresariais – de investimento, financiamento e operativas – e as demonstrações financeiras. Desenvolver no aluno uma perspectiva crítica de leitura das demonstrações financeiras na óptica da avaliação do desempenho e condição financeira actual e futura de uma empresa. Simultaneamente, a unidade curricular introduz os princípios básicos da análise financeira de outras entidades entidades, nomeadamente de sociedades anónimas desportivas.

Programa

  1. Análise das demonstrações financeiras: uma introdução
  2. Documentos de suporte da análise financeira das empresas
  3. Relatório anual: estudo de casos
  4. Análise da solvabilidade e liquidez
  5. Análise da rentabilidade e produtividade
  6. Análise dos fluxos de caixa
  7. Análise de risco
  8. Manipulação de resultados
  9. Previsão de insolvência
  10. Mediadas de restrições financeiras
  11. Medidas de performance econômica
  12. Introdução à análise de relatórios financeiros de outras organizações: o exemplo das SAD

Docente(s) responsável(eis)

Estágio(s)

NAO

Bibliografia

Básica

  1. Carvalho das Neves, J. (2012). Análise e Relato Financeiro – Uma Visão Integrada de Gestão, Texto Editora.

  2. Lourenço, I., P. Ferreira, A. Simões e C. Pais (2013). IFRS Demonstrações Financeiras – Casos para Executivos, Edições Almedina.

  3. Palepu, Krinshna G., Paul M. Healy and Erik Peek (2019). Business Analysis and Valuation, Cengage Learning.

Adicional

  1. Alexander, David, Anne Britton, Ann Jorissen, Martin Hoogendoorn and Carien Van Mourik (2017). International Financial Reporting and Analysis, Cengage Learning.

  2. Dean, Passard C. (2016). Analyzing and Understanding Annual Reports: Workbook for Financial Analysis, Pearson.

  3. Fridson, M., andF. Alvarez (2011). Financial Statement Analysis – A Practitioner’s GuideWiley Finance.

  4. Hawawini, G. e C. Viallet (2022). Finance for Executives – Managing for Value Creation, CENGAGE
  5. Mayes, Timothy R. (2018). Financial Analysis with Microsoft Excel, CENGAGE.

  6. Robinson, T. R., E. Henry, W. L. Pirie, andM. A. Broihahn (2012). International Financial Statement Analysis, Wiley/CFA Investment Series.

  7. Pasewark, William R. (2009). Understanding Corporate Annual Reports: A Financial Analysis Project, McGraw-Hill.
  8. Samuels, J., R. E. Brayshaw, and J. M. Craner (1995). Financial Statement Analysis in Europe, Chapman & Hall.
  9. Vernimmen, Pierre, Pascal Quiry, Maurizio Dallochio, Yann Le Fur, and Antonio Salvi (2014). Corporate Finance, Theory and Practice, Wiley.

Artigos

1. Aymen, A., Sourour, B.S., Badreddine, M. (2018). The effect of annual report readability on financial analysts’ behaviour. Journal of Economics, Finance and Accounting (JEFA), V.5(1), p.26-37.
2. Baxamusa, M., A. Jalal and A. JHA (2018), It pays to partner with a firm that writes annual reports well, Journal of Banking and Finance, vol.92, pages 13-34.
3. Barboza, F., Kimura, H. & Altman, E. (2017). Machine learning models and bankruptcy prediction, Expert Systems with Applications, Volume 83, Pages 405-417.
4. Bateni, L., & Asghari, F. (2020). Bankruptcy prediction using logit and genetic algorithm models: A 29 comparative analysis. Computational Economics, 55(1), 335–348.
5. Bentéjac, C., Csörgő, A. & Martínez-Muñoz, G (2021). A comparative analysis of gradient boosting algorithms. Artif. Intell. Rev 54, 1937–1967.
6. Fauver, L., Loureiro, G. and Taboada, A. (2017). The Impact of Regulation on Information Quality and Performance around Seasoned Equity Offerings:
International Evidence. Journal of Corporate Finance. 44, p. 73-98.
7. Hwang, B. H. and H. H. Kim (2017), It pays to write well, Journal of Financial Economics, vol.124, pages 373-394.
8. Jabeur, B., S., Gharib, C., Mefteh-Wali, S. & Arfi, B., W. (2021). CatBoost model and artificial intelligence techniques for corporate failure prediction.
Technological Forecasting and Social Change.
9. Loureiro, Gilberto R. and Silva, Sónia, Earnings Management and Stock Price Crashes Post U.S. Cross-Delistings (March 5, 2021). International Review of Financial Analysis, 2022.
10. Schauer, Catharina & Elsas, Ralf & Breitkopf, Nikolas, 2019. “A new measure of fifinancial constraints applicable to private and public firms,” Journal of Banking & Finance, Elsevier, vol. 101(C), pages 270-295.
11. Shetty, S., Musa, M. & Brédart., X. (2022). Bankruptcy Prediction Using Machine Learning Techniques. Journal of Risk and Financial Management 15, no. 1: 35