La capacidad de evaluar con precisión los riesgos financieros de tratar con una empresa es vital tanto para la economía como para la sociedad. Esto es particularmente cierto cuando se pronostica una quiebra, que puede resultar en pérdidas financieras significativas y dañar la economía nacional.
Las causas de la quiebra empresarial han sido de interés para los economistas investigadores desde hace mucho tiempo. Su trabajo incluye estudios empíricos y teóricos sobre los procesos que conducen al fracaso empresarial para identificar problemas en una etapa temprana. Los datos sobre los indicadores de desempeño económico de las empresas también se utilizan para desarrollar nuevos métodos de pronóstico.
Actualmente, la previsión de quiebras es especialmente importante en el mundo empresarial. En una investigación publicada en la revista Expert Systems with Applications, el profesor de HSE Graduate School of Business Yuri Zelenkov y la estudiante Nikita Volodarskiy han propuesto un nuevo enfoque al problema que utiliza el aprendizaje automático.
Predecir la quiebra de una empresa es un tipo de “tarea de clasificación”, que implica determinar si una determinada empresa pertenece a una de dos categorías: las que permanecen en funcionamiento y las que quebran dentro de un período de tiempo determinado. El método propuesto se desarrolló utilizando un conjunto de datos históricos sobre empresas exitosas y fallidas. La IA se entrena mediante un conjunto de indicadores de rendimiento empresarial. Luego busca patrones complejos en el desarrollo de las empresas y su estado actual. Después de recibir capacitación en una empresa en particular, el método se puede utilizar para predecir la trayectoria futura de una empresa con cierto grado de precisión.
Estas tareas adolecen del problema de la clasificación desequilibrada: estadísticamente, la quiebra es una ocurrencia poco común (solo ocurre en el 5-10% de las empresas según los datos disponibles), y los conjuntos de capacitación incluyen mucha más información sobre las empresas exitosas. Los métodos de aprendizaje automático tienen información insuficiente para comprender qué conjuntos de atributos pueden conducir a una futura quiebra.
Los autores de la investigación han desarrollado un método que es menos sensible a los desequilibrios en los datos. Implica entrenar una gran cantidad de algoritmos de clasificación individuales, luego seleccionar el más efectivo entre ellos y combinarlos para lograr un mayor grado de precisión de pronóstico.
“Logramos construir un algoritmo rápido que se puede entrenar usando datos no balanceados para hacer predicciones mucho más precisas que los métodos tradicionales. En particular, el usuario puede administrar los errores de predicción de cada clase de forma visual. Dado que el modelo se basa exclusivamente en las empresas indicadores financieros, sus resultados siguen siendo confiables incluso en las condiciones extremas de la pandemia COVID-19. El interés en los métodos de aprendizaje automático solo continuará creciendo en el futuro, y creemos que en algún momento, reemplazará por completo los métodos tradicionales para previsión de quiebras de empresas. Al mismo tiempo, nuestro método no solo se centra en las quiebras, sino que se puede utilizar para cualquier tipo de tareas de clasificación que impliquen datos desequilibrados. Actualmente estamos planificando su investigación y desarrollo futuros”, explicó el profesor Yuri Zelenkov de el Departamento de Informática Empresarial de la Universidad de HSE.
Fuente: Tech Xplore.
