Algoritmo de optimización Elite-Elimination Osprey optimizado con Kernel Extreme Learning Machine para problemas de predicción de quiebras

Por qué es importante detectar problemas con antelación

Cuando una empresa quiebra, el daño rara vez se detiene en su puerta. Los trabajadores pierden sus empleos, los proveedores quedan impagados, los bancos e inversores sufren pérdidas y regiones enteras pueden sentir el impacto. Tras crisis recientes y disrupciones en la cadena de suministro, prestamistas y reguladores buscan con urgencia herramientas que les adviertan cuando una empresa se acerca a problemas financieros graves. Este artículo presenta un nuevo modelo de inteligencia artificial que persigue precisamente eso: cribar datos financieros complejos y señalar empresas que se deslizan silenciosamente hacia la quiebra, con mayor precisión y eficiencia que muchos métodos actuales.

Enseñar a las máquinas a leer señales financieras

Los modelos estadísticos tradicionales, e incluso generaciones anteriores de aprendizaje automático, tienen dificultades con la naturaleza desordenada y no lineal de los datos financieros reales. Las redes neuronales y las máquinas de vectores de soporte pueden captar patrones complejos, pero a menudo entrenan lentamente y pueden quedarse atrapadas en soluciones "locales" que no son realmente las mejores. Un enfoque más reciente, llamado Kernel Extreme Learning Machine (KELM), entrena muy rápido y suele ofrecer buenas predicciones, pero tiene una pega: su rendimiento depende de elegir los parámetros adecuados. Seleccionarlos a mano es difícil y puede dar lugar a modelos sobreconfidentes que fallan cuando cambian las condiciones.

Búsqueda inspirada en la naturaleza para obtener mejores modelos

Para ajustar KELM automáticamente, los autores recurren a una clase de algoritmos inspirados en el comportamiento animal, que buscan buenas soluciones moviendo un "enjambre" de candidatos por un paisaje de posibilidades. Se basan en un método reciente modelado en los hábitos de caza del águila pescadora (osprey). La nueva variante, llamada Elite-Elimination Osprey Optimization Algorithm (EEOOA), incorpora tres ideas: permitir que el enjambre aprenda principalmente de sus mejores miembros, emplear un mecanismo inteligente de saltos ocasionales para escapar de callejones sin salida, y eliminar progresivamente candidatos débiles mientras se generan nuevos cerca de la mejor solución encontrada hasta el momento. Una regla de frontera personalizada mantiene a todos los candidatos en regiones prometedoras en lugar de malgastar esfuerzo en valores imposibles o irrelevantes. En conjunto, estos ajustes ayudan a que la búsqueda enfoque con mayor rapidez y fiabilidad configuraciones de parámetros de alta calidad.

Demostrando que la búsqueda funciona en problemas de prueba difíciles

Antes de confiar en EEOOA para decisiones financieras reales, el equipo lo prueba en benchmarks matemáticos exigentes que se usan ampliamente para comparar métodos de optimización. Estas funciones están diseñadas para ser complicadas, con muchos picos y valles locales que pueden atrapar estrategias de búsqueda ingenuas. A lo largo de docenas de problemas de este tipo en diferentes dimensiones, el nuevo algoritmo converge de forma más rápida y se aproxima con mayor frecuencia a las mejores soluciones conocidas que siete competidores bien establecidos, incluidos los optimizadores Grey Wolf y Whale y el método original inspirado en el osprey. Comparaciones detalladas y estudios de ablación —donde se activan o desactivan mejoras individuales— muestran que cada uno de los tres mecanismos aporta valor y que juntos proporcionan el comportamiento de búsqueda más estable y preciso.

Convertir una mejor búsqueda en mejores previsiones de quiebra

Con este optimizador, los autores construyen a continuación un sistema completo de predicción de quiebras, EEOOA-KELM. Lo alimentan con un conjunto de datos del mundo real de 240 empresas polacas, dividido entre firmas que posteriormente quebraron y otras que permanecieron solventes, descritas mediante 30 ratios financieros como rentabilidad, carga de deuda y eficiencia operativa. En cada ronda de pruebas, EEOOA busca los mejores ajustes de KELM minimizando errores de clasificación bajo validación cruzada estricta, un procedimiento que reordena repetidamente los datos en conjuntos de entrenamiento y prueba para evitar el sobreajuste. El modelo resultante se compara con versiones de KELM afinadas por otros algoritmos de optimización. EEOOA-KELM obtiene las puntuaciones más altas en exactitud, precisión, recall y F1-score, mostrando además la menor variación entre ejecuciones —una señal de robustez más que de suerte.

Qué significa esto para la monitorización del riesgo en el mundo real

Para el público general, la conclusión clave es que los autores han construido un motor de alerta temprana más fiable para la insolvencia corporativa. En lugar de intentar adivinar qué combinaciones de indicadores financieros y parámetros del modelo podrían señalar una quiebra inminente, permiten que un proceso de búsqueda cuidadosamente diseñado explore las posibilidades y se fije en las que mejor funcionan bajo pruebas repetidas. En la muestra de empresas polacas, esto se traduce en mejoras modestas pero relevantes para identificar correctamente compañías en problemas mientras se evitan falsas alarmas. Aunque el estudio está limitado a un único conjunto de datos y a un país, el enfoque es general: con datos adecuados, la misma combinación de un clasificador de aprendizaje rápido y un optimizador refinado, inspirado en aves, podría ayudar a bancos, inversores y reguladores a monitorizar la salud financiera con mayor precisión y reaccionar antes cuando las empresas empiezan a fallar.

Cita: Liu, W., Wu, H., Wang, T. et al. Elite elimination osprey optimization algorithm optimized kernel extreme learning machine for bankruptcy prediction problems. Sci Rep 16, 6246 (2026). https://doi.org/10.1038/s41598-026-37249-9

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