Una estrategia de innovación pensante basada en un optimizador Northern goshawk mejorado y una máquina de aprendizaje extremo para problemas de predicción de quiebras

Por qué importa predecir los problemas empresariales

Cuando una empresa quiebra de forma repentina, los trabajadores pierden sus empleos, los inversores pierden dinero y los bancos asumen pérdidas dolorosas. Si pudiéramos detectar problemas financieros con años de antelación, prestamistas, reguladores y directivos tendrían más tiempo para reaccionar. Este artículo presenta una nueva forma de predecir qué empresas tienen probabilidad de fracasar, mediante una combinación de aprendizaje automático rápido y una estrategia de búsqueda inspirada en la naturaleza basada en el comportamiento de caza de una ave rapaz.

Convertir los balances en señales de alerta temprana

Los autores se centran en una tarea que bancos y auditores afrontan a diario: decidir si una empresa parece financieramente sana o próxima al colapso, basándose en registros numéricos detallados. Esto se trata como un problema de decisión sí-no: cada compañía se clasifica como quebrada o no quebrada. Los métodos modernos de inteligencia artificial, como las redes neuronales y las máquinas de vectores de soporte, ya realizan este tipo de tareas, pero pueden ser lentos de entrenar y muy sensibles a cómo se eligen sus ajustes internos. Un método más reciente, llamado Kernel Extreme Learning Machine (KELM), puede aprender mucho más rápido y manejar patrones no lineales en los ratios financieros, pero su precisión sigue dependiendo en gran medida de dos parámetros internos clave que son difíciles de ajustar manualmente.

Aprendiendo de la caza de un ave

Para ajustar estos parámetros ocultos, los investigadores recurren a una clase reciente de técnicas de búsqueda conocidas como algoritmos metaheurísticos. En lugar de probar todas las posibilidades, estos métodos recorren el espacio de opciones de forma más inteligente, a menudo copiando estrategias observadas en la naturaleza. Aquí, el equipo se basa en el optimizador Northern goshawk, inspirado en cómo estos azores localizan y persiguen a sus presas. En la versión básica, un enjambre de soluciones candidatas explora el espacio de búsqueda, atacando y persiguiendo “presas” que representan elecciones de parámetros prometedoras. Sin embargo, como ocurre con muchos algoritmos de este tipo, la versión original puede vagar de forma demasiado aleatoria al principio y luego asentarse demasiado rápido en una solución mediocre.

Añadiendo pensamiento, variación y sentido de los límites

El artículo presenta una variante mejorada llamada TIS_NGO, que añade tres capas de “inteligencia” a la búsqueda inspirada en los azores. Primero, una estrategia de innovación pensante registra lo que se ha probado y aprendido hasta ahora, de modo que el enjambre no pierde tiempo re-evaluando puntos esencialmente iguales y puede aprovechar una creciente “profundidad de conocimiento” a medida que avanza la búsqueda. Segundo, una nueva estrategia de ataque a la presa toma prestado de la evolución diferencial: en lugar de moverse solo en función de su propia posición y de un objetivo, cada candidato también considera las diferencias entre varios vecinos, lo que introduce variación fresca y ayuda al enjambre a escapar de atascos locales. Tercero, un control de límites basado en el centroid empuja suavemente cualquier candidato que se desvíe fuera del rango permitido de vuelta hacia el centro de la región activa de búsqueda, reduciendo el tiempo pasado en partes poco útiles del paisaje.

Poniendo a prueba la búsqueda más inteligente

Antes de aplicar su método a empresas reales, los autores enfrentan a TIS_NGO contra una serie de optimizadores estándar en exigentes problemas matemáticos de prueba usados en competiciones internacionales. A lo largo de docenas de funciones de los bancos de pruebas CEC2017 y CEC2022, el nuevo algoritmo encuentra mejores soluciones con más frecuencia, converge más rápido y muestra menos variabilidad entre ejecuciones que rivales como Particle Swarm Optimization, Grey Wolf Optimizer, Whale Optimization Algorithm y el método Northern goshawk original. De forma importante, logra esto manteniendo el coste computacional general del mismo orden de magnitud. El equipo combina entonces TIS_NGO con KELM para formar un sistema completo de predicción de quiebras y lo evalúa en dos conjuntos de datos financieros reales, incluyendo un clásico conjunto polaco con 30 ratios financieros para 240 empresas a lo largo de varios años.

Alertas más precisas con menos falsas alarmas

En estos conjuntos de datos reales, el modelo TIS_NGO–KELM ofrece mayor precisión, mejor equilibrio entre detectar empresas en problemas y evitar falsas alarmas, y un rendimiento más estable en pruebas repetidas que tanto los modelos tradicionales (como máquinas de vectores de soporte y métodos populares de gradient boosting) como otras variantes de KELM optimizadas. Sus puntuaciones de correlación de Matthews —una medida especialmente informativa cuando las empresas en quiebra son poco frecuentes— son consistentemente más altas, lo que indica una discriminación más fuerte entre negocios sanos y en quiebra. En términos sencillos, el método detecta mejor la verdadera situación de crisis a tiempo sin etiquetar indebidamente como inseguras a empresas saludables. Los autores sostienen que esta combinación de un aprendiz rápido y un proceso de búsqueda más “reflexivo” ofrece una herramienta práctica nueva para los sistemas de alerta temprana financiera, y describen planes futuros para ampliarla a conjuntos de datos más grandes y diversos e incorporar señales económicas más amplias.

Cita: Jiang, K., Zhao, X., Li, Y. et al. A thinking innovation strategy based Northern goshawk optimizer enhanced extreme learning machine for bankruptcy prediction problems. Sci Rep 16, 9628 (2026). https://doi.org/10.1038/s41598-025-34452-y

Palabras clave: predicción de quiebras, riesgo financiero, aprendizaje automático, optimización metaheurística, sistemas de alerta temprana