La capacidad de evaluar con precisi\u00f3n los riesgos financieros de tratar con una empresa es vital tanto para la econom\u00eda como para la sociedad. Esto es particularmente cierto cuando se pronostica una quiebra, que puede resultar en p\u00e9rdidas financieras significativas y da\u00f1ar la econom\u00eda nacional.<\/p>\n\n\n\n
Las causas de la quiebra empresarial han sido de inter\u00e9s para los economistas investigadores desde hace mucho tiempo. Su trabajo incluye estudios emp\u00edricos y te\u00f3ricos sobre los procesos que conducen al fracaso empresarial para identificar problemas en una etapa temprana. Los datos sobre los indicadores de desempe\u00f1o econ\u00f3mico de las empresas tambi\u00e9n se utilizan para desarrollar nuevos m\u00e9todos de pron\u00f3stico.<\/p>\n\n\n\n
Actualmente, la previsi\u00f3n de quiebras es especialmente importante en el mundo empresarial. En una investigaci\u00f3n 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 autom\u00e1tico.<\/p>\n\n\n\n
Predecir la quiebra de una empresa es un tipo de “tarea de clasificaci\u00f3n”, que implica determinar si una determinada empresa pertenece a una de dos categor\u00edas: las que permanecen en funcionamiento y las que quebran dentro de un per\u00edodo de tiempo determinado. El m\u00e9todo propuesto se desarroll\u00f3 utilizando un conjunto de datos hist\u00f3ricos 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. Despu\u00e9s de recibir capacitaci\u00f3n en una empresa en particular, el m\u00e9todo se puede utilizar para predecir la trayectoria futura de una empresa con cierto grado de precisi\u00f3n.<\/p>\n\n\n\n
Estas tareas adolecen del problema de la clasificaci\u00f3n desequilibrada: estad\u00edsticamente, la quiebra es una ocurrencia poco com\u00fan (solo ocurre en el 5-10% de las empresas seg\u00fan los datos disponibles), y los conjuntos de capacitaci\u00f3n incluyen mucha m\u00e1s informaci\u00f3n sobre las empresas exitosas. Los m\u00e9todos de aprendizaje autom\u00e1tico tienen informaci\u00f3n insuficiente para comprender qu\u00e9 conjuntos de atributos pueden conducir a una futura quiebra.<\/p>\n\n\n\n
Los autores de la investigaci\u00f3n han desarrollado un m\u00e9todo que es menos sensible a los desequilibrios en los datos. Implica entrenar una gran cantidad de algoritmos de clasificaci\u00f3n individuales, luego seleccionar el m\u00e1s efectivo entre ellos y combinarlos para lograr un mayor grado de precisi\u00f3n de pron\u00f3stico.<\/p>\n\n\n\n
“Logramos construir un algoritmo r\u00e1pido que se puede entrenar usando datos no balanceados para hacer predicciones mucho m\u00e1s precisas que los m\u00e9todos tradicionales. En particular, el usuario puede administrar los errores de predicci\u00f3n 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 inter\u00e9s en los m\u00e9todos de aprendizaje autom\u00e1tico solo continuar\u00e1 creciendo en el futuro, y creemos que en alg\u00fan momento, reemplazar\u00e1 por completo los m\u00e9todos tradicionales para previsi\u00f3n de quiebras de empresas. Al mismo tiempo, nuestro m\u00e9todo no solo se centra en las quiebras, sino que se puede utilizar para cualquier tipo de tareas de clasificaci\u00f3n que impliquen datos desequilibrados. Actualmente estamos planificando su investigaci\u00f3n y desarrollo futuros”, explic\u00f3 el profesor Yuri Zelenkov de el Departamento de Inform\u00e1tica Empresarial de la Universidad de HSE.<\/p>\n\n\n\n