En la actualidad es difícil hallar ámbitos aun no afectados por la Inteligencia Artificial (IA). En finanzas y administración de empresas, disciplinas con numerosos desarrollos teóricos y econométricos, la Inteligencia Artificial posibilita la construcción de modelos que aprendan de tendencias, a partir de datos pasados, para predecir retornos de inversiones, fraudes fiscales o evolución de mercados, entre otros. El presente artículo se centra en la aplicación de la IA en la detección de la insolvencia y de las finanzas sostenibles.
Desde un punto de vista técnico, el incremento de la capacidad computacional y su descenso en costes ha permitido la revolución del Big Data, resultando disruptiva en ámbitos tan diferentes como la medicina y la gestión empresarial, entre muchos otros. Para la administración de empresas, las compañías se han visto abocadas a competir por los datos para encontrar ventajas competitivas.
Se pueden distinguir tres grandes vertientes dentro del análisis de datos: el análisis descriptivo, el predictivo y el prescriptivo. La analítica descriptiva explora datos históricos y los organiza para análisis avanzados o visualización. La analítica predictiva construye modelos que generalizan datos del pasado para poder predecir resultados futuros, y la analítica prescriptiva apoya en la toma de decisiones y la gestión, modelizando problemas con matemáticas y hallando sus soluciones óptimas.
Dentro de la analítica predictiva, el Machine Learning (ML) o Aprendizaje Automático entrena modelos computacionales con datos históricos para predecir los resultados de nuevas observaciones. Se trata de una metodología dentro del ámbito de la Inteligencia Artificial (IA) considerada como uno de los avances más relevantes del siglo XXI. Para un inversor individual o corporativo, estas técnicas pueden ayudar en la selección de carteras a través de sus capacidades predictivas de retorno de acciones. En la optimización de portfolios, el Machine Learning puede ser capaz de predecir el riesgo de las inversiones. Los estudios recientes que planteamos desde nuestra colaboración entre la Universidad de Castilla La Mancha y la Universidad Rey Juan Carlos indagan en sus capacidades predictivas en torno a la bancarrota en empresas y en el nexo entre los resultados empresariales y los portfolios sostenibles.
Detectar la insolvencia corporativa con Inteligencia Artificial
Desde la crisis financiera de 2008, una de las áreas más investigadas en finanzas es la insolvencia en empresas y su detección prematura. Los enfoques de investigación tradicionales han desarrollado expresiones analíticas para estimar la probabilidad de insolvencia, basadas en tres o cuatro cocientes con datos financieros de las empresas. Trabajos actuales basados en Machine Learning detectan la insolvencia con mayor precisión, pero empleando entre veinte y treinta variables diferentes, más complejas y no siempre al alcance público del inversor individual.
Nuestro trabajo combina ambas vertientes: comparamos tres algoritmos ML diferentes con los mismos datos de partida empleados por tres modelos analíticos de insolvencia basados en el modelo de Altman (una fórmula para predecir bancarrotas publicada en 1968 por el investigador estadounidense Edward I. Altman), sobre datos de empresas españolas durante los años 2020, 2021 y 2022. Los modelos ML utilizados por nuestro grupo consiguieron batir la capacidad predictiva de los modelos analíticos sobre los mismos datos de partida, y alcanzaron niveles de precisión comparables a los de otros modelos ML que requieren muchos más datos de partida.
Elegir inversiones sostenibles con Inteligencia Artificial
Las inversiones sostenibles se han convertido en una fuerza importante que está moldeando mercados de capital y legislación a nivel europeo y mundial. Sin embargo, perdura el debate entre los científicos sobre si las inversiones sostenibles realmente mejoran los retornos financieros a las empresas: algunos trabajos muestran que sí, mientras otros obtienen un efecto neutro o despreciable entre los retornos financieros de una inversión y su compromiso con la sostenibilidad.
La sostenibilidad de una empresa suele evaluarse mediante una puntuación en los componentes ESG (Environmental, Social y Governance), traducidos como Medioambiental, Social y de Gobernanza. Nuestro trabajo analiza los datos financieros y las empresas en las que invierten ciertos fondos de inversión para lograr predecir con Machine Learning su puntuación ESG. Tanto los datos financieros de los fondos como las empresas en las que invertían fueron útiles para predecir sus puntuaciones ESG. Sorprendentemente, los datos financieros de los fondos eran más relevantes de cara a predecir sus puntuaciones ESG que la sostenibilidad de las empresas figurantes en los portfolios, lo que sugiere que la evaluación de sostenibilidad del fondo se ve afectada por su propio desempeño financiero.
Avances de cara al futuro
La combinación de finanzas e IA es una tendencia actual muy relevante dentro del campo de finanzas y economía por el potencial predictivo que entraña. Esta combinación se estudia no solamente en el ámbito académico, sino por grandes bancos y fondos de inversión que explotan sus datos para extraer relevantes insights de negocio. De cara al futuro, los científicos contribuirán en la mejora de la precisión de los modelos Machine Learning actuales, así como en el desarrollo de nuevas técnicas que permitan modelizar más fenómenos financieros y con mayor precisión.
Referencias
Martin-Melero, I., Gomez-Martinez, R., Medrano-Garcia, M. L., & Hernández-Perlines, F. (2025). Comparison of corporate insolvency prediction in Spain employing financial ratios in analytical models and machine learning. Academia Revista Latinoamericana de Administración, 38(1), 134-155. DOI: 10.1108/ARLA-04-2024-0060
Martin-Melero, I., Gomez-Martinez, R., Medrano-Garcia, M. L., & Hernandez-Perlines, F. (2025). Comparison of sectorial and financial data for ESG scoring of mutual funds with machine learning. Financial Innovation, 11(1), 1-31. https://doi.org/10.1186/s40854-024-00719-y
Autores del artículo divulgativo:
Iñigo Martin Melero y Felipe Hernandez Perlines
Universidad de Castilla La Mancha
Raul Gomez Martinez y Maria Luisa Medrano Garcia
Universidad Rey Juan Carlos
Fuente: Scientias
Artículo bajo licencia Creative Commons – Atribución (CC BY 4.0). Este artículo puede ser reproducido íntegramente siempre y cuando vaya firmado por los autores y se acredite SCIENTIAS como fuente, incluyendo el enlace a nuestra página.