Comparación empírica entre el modelo Z-Score de Altman y un modelo random forest para la predicción de quiebras empresariales: desempeño, interpretabilidad y convergencia de variables financieras

Abstract

La predicción de quiebras empresariales constituye uno de los problemas centrales en las finanzas corporativas, debido a su relevancia para la gestión del riesgo financiero y la estabilidad de los sistemas económicos. Tradicionalmente, este fenómeno ha sido abordado mediante modelos estadísticos basados en ratios contables, entre los cuales destaca el modelo Z-score de Altman (1968) como principal referente metodológico. Sin embargo, el desarrollo reciente del aprendizaje automático ha abierto nuevas posibilidades para capturar relaciones no lineales y patrones complejos en datos financieros de alta dimensionalidad. El presente estudio tiene como objetivo evaluar empíricamente el desempeño predictivo de un modelo de Random Forest en la detección de quiebras empresariales y compararlo con el modelo clásico Z’’ score de Altman, utilizando el Taiwanese Bankruptcy Prediction Dataset. Adicionalmente, se propone un análisis de convergencia conceptual orientado a examinar si las variables más relevantes identificadas por el modelo de machine learning se corresponden con las dimensiones financieras tradicionales definidas por Altman, tales como liquidez, rentabilidad, solvencia y eficiencia. Metodológicamente, se adopta un enfoque cuantitativo no experimental y transeccional. Se aplicaron técnicas de preprocesamiento, reducción de redundancia y tratamiento del desbalance de clases mediante métodos de remuestreo, integrados en un pipeline de modelamiento con validación cruzada y optimización de hiperparámetros. El desempeño de ambos modelos fue evaluado sobre un conjunto de prueba independiente utilizando métricas robustas para clasificación desbalanceada, incluyendo recall, F1-score y AUC-ROC. Los resultados evidencian que(...). Corporate bankruptcy prediction represents a central problem in corporate finance due to its relevance for financial risk management and economic stability. Traditionally, this phenomenon has been addressed through statistical models based on accounting ratios, among which Altman’s Z-score (1968) stands as the main methodological benchmark. However, recent advances in machine learning have enabled the modeling of non-linear relationships and complex patterns in high-dimensional financial data. The objective of this study is to empirically evaluate the predictive performance of a Random Forest model in detecting corporate bankruptcies and to compare it with the classical Altman Z’’-score model, using the Taiwanese Bankruptcy Prediction Dataset. Additionally, the research proposes a conceptual convergence analysis aimed at examining whether the most relevant variables identified by the machine learning model correspond to the traditional financial dimensions defined by Altman, such as liquidity, profitability, solvency, and efficiency. Methodologically, a quantitative, non-experimental, and cross-sectional design is adopted. Data preprocessing, redundancy reduction, and class imbalance treatment through resampling techniques were implemented within a modeling pipeline that integrates cross-validation and hyperparameter optimization. Both models were evaluated on an independent test set using robust metrics for imbalanced classification, including recall, F1-score, and AUC-ROC. The results show that(...).