Social Media Infographics by Slidesgo

Vista previa del material en texto

Machine learning for bankruptcy prediction
Nombres: 
Ruben Londoño Ramirez
Santiago Piedrahita Perez
Emanuel Riaño Mora
Introduccion
La detección de bancarrota de empresas es un problema importante en el campo financiero y empresarial. El aprendizaje automático ofrece técnicas y herramientas poderosas para abordar este desafío al permitirnos construir modelos predictivos a partir de datos históricos. Estos modelos pueden ayudarnos a identificar señales y patrones que indiquen la posibilidad de bancarrota de una empresa en el futuro.
Analisis exploratorio
Se observa que los atributos "Porcentaje de relación de deuda, Pasivo actual a activos, Pasivo actual a activos actuales" son algunos de los atributos que tienen una alta correlación con el atributo de destino.
Un aumento en los valores de los atributos "Porcentaje de relación de deuda, Pasivo actual a activos, Pasivo actual a activos actuales" hace que una organización sufra grandes pérdidas, lo que resulta en bancarrota.
Un aumento en los valores de los atributos que tienen una correlación negativa con el atributo de destino ayuda a una organización a evitar la quiebra.
SVM por función de base radial
Después de hacer el análisis y entrenar los datos y así poder encontrar cuales son los mejores parámetros a través del random search se obtuvo lo siguiente donde se imprime el comportamiento de este:
Resultados SVM representación gráfica
Donde aquí podemos ver los resultados del comportamiento del modelo en representación gráfica donde se muestra lo siguiente:
Matriz de confusión SVM
En la siguiente imagen se ilustra la matriz de confusión del modelo asignado donde podemos identificar los falsos positivos, falsos negativos, verdaderos positivos y verdaderos negativos.
Random Forest
Resultados Random Forest: representación gráfica
Matriz de confusión: Random Forest
Naive Bayes
Resultados Naive Bayes: representación gráfica
Matriz de confusión Naive Bayes
Resultados
Machine Learning for Bankruptcy Prediction in the American Stock Market: Dataset and Benchmarks
Este trabajo realizado en el año 2022 tiene como finalidad predecir la posibilidad de impago o bancarrota que pueden sufrir las empresas estadounidenses en el mercado de valores utilizando Machine Learning.
1. Se recopiló un conjunto de datos para la predicción de quiebras teniendo en cuenta 8262 empresas diferentes en el mercado de valores en el intervalo de tiempo comprendido entre 1999 y 2019.
2. Investigamos dos tareas diferentes de predicción de quiebras: 
(T1)Predicción por defecto que pretende predecir el estado de la empresa en el año siguiente
(T2)Predicción de probabilidad de supervivencia en la que el modelo intenta predecir la situación de la empresa durante X años en el futuro.
Información
El conjunto de datos resultante de 78.682 observaciones empresa-año
en tres subconjuntos según el periodo de tiempo: un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.
Modelos de Aprendizaje Automático
Support Vector Machine
Random Forest
Boosting Algorithms 
AdaBoost
Gradient Boosting
XGBoost
Logistic Regression
Artificial Neural Network 
Resultados T1
Resultados T2
Conclusión Investigación
La métrica utilizada para el análisis fue AUC, esta se eligió por dos razones: La primera debido al desequilibrio del grupo de pruebas, y la segunda porque es la más utilizadas en la práctica para esta tarea.
Se utilizó el criterio temporal para dividir los datos en entrenamiento, validación y pruebas.
Para ambas tareas las redes neuronales (ANN) logran los mejores resultados, lo que nos lleva a la conclusión de que estos modelos pueden ser superiores sólo cuando se diseñan y entrenan oportunamente con mayores costos computacionales.
Comparativa
A pesar de que en el ejercicio investigativo el mejor resultado se dio con ANN, en este ambas tareas tuvieron como segundo el Random Forest que coincide con el mejor resultado del ejercicio práctico, lo que deduce que con un menor costo computacional el Random Forest nos arroja los mejores resultados para la predicción de bancarrota o impagos.
Referencias
Lombardo, G.; Pellegrino, M.; Adosoglou, G.; Cagnoni, S.; Pardalos, P.M.; Poggi, A. Machine Learning for Bankruptcy Prediction in the American Stock Market: Dataset and Benchmarks. Future Internet 2022, 14, 244. https:// doi.org/10.3390/fi14080244
https://www.kaggle.com/code/ginelledsouza/bankruptcy-analysis