ENTREGA FINAL DEL

PROYECTO
Predicción de quiebra de empresas
 ENTREGA FINAL DEL PROYECTO

Contenido
Contexto 3
Preguntas por abordar 3
Valor 3
Base de datos 4
Experimento 4
Integrantes: Yessica
Análisis exploratorio de datos Arismendi 5
Análisis calidad de datos Gabriela Luengo 5
Kemberly Medina
Matriz de correlación entre todas las Camila Soto
variables 5
Asignatura: Data Mining
Variables relevantes 6
Hipótesis y conclusiones Profesor: Pablo Lemus 7
Bonus: Análisis de Componentes Principales Fecha: 11/10/21 8
Anexos 9
Anexo 1: Variables 9
Anexo 2: Gráficas 12
Bibliografía 14

PAGE
 ENTREGA FINAL DEL PROYECTO

Tabla de Ilustraciones
Ilustración 1: Matriz de correlación de variables independientes 12
Ilustración 2: Reducción de varianza según número de componentes principales 12
Ilustración 3: Proyección de variables en función de PC1 y PC2 13

PAGE
 ENTREGA FINAL DEL PROYECTO

Contexto
Es de esperarse que una persona se encuentre confiada en su éxito al momento de iniciar algún
tipo de actividad económica, pero es posible que ocurra alguna situación imprevista, poniendo
sobre la mesa los verdaderos riesgos a los que se está ligado y la importancia de la capacidad de
sobrevivencia de la empresa a largo plazo. 

Dicho lo anterior, el peor de los casos a los que se puede llegar es a un fracaso empresarial o
Bankruptcy, siendo un golpe duro para la persona natural o jurídica esperanzada en poder surgir
dicho rubro. Es aquí donde las finanzas juegan un papel fundamental al momento de sobrellevar
una empresa. 

Debido a las diversas repercusiones económicas incurridas durante el transcurso en que opera la
firma, existe la posibilidad de traer consigo un efecto negativo para las acciones que se tomarán a
futuro, es por esta razón que es fundamental estar alerta y atenuar dichas condiciones riesgosas a
través del tiempo. ¿Qué factores son relevantes para que las empresas logren sobrevivir en el
tiempo? ¿Y si tomamos en cuenta indicadores financieros para determinar, a priori, cuáles
empresas son más propensas a caer en esta devastadora situación? 

Encaminándonos en este desafío, se recopilaron datos otorgados por el Taiwan Economic Journal
para los periodos comprendidos entre los años 1999 y 2009, entre los cuales se encuentran ratios
financieros, valores integrados en estados de flujo, tasas de gasto e interés, entre otros diversos
datos. Es así como nos proponemos los objetivos de realizar un método predictivo que posibilite la
detección de la quiebra para las empresas para dicha economía, definiendo esta en base en las
regulaciones comerciales de la Bolsa de Valores de Taiwán.

Preguntas por abordar

Las posibles preguntas son:
1. ¿Es posible predecir la quiebra de compañías en Taiwán sólo observando los ratios
financieros proporcionados?
2. ¿Cuáles son los factores financieros más influyentes en la bancarrota de una empresa?

Valor
En base a las preguntas planteadas anteriormente, es importante destacar el aporte que brinda
una validación de datos, esto debido a que nos aseguramos de que los datos de la base sean
confiables y reales, de esta manera se concluye que serán de utilidad al momento de realizar un
análisis de la información. Por otro lado, con respecto a estas predicciones queremos saber qué es
lo que detona este indeseable sucedo, la bancarrota; ¿cuáles son los factores que influyen
directamente?, consideramos que dicha información es un aspecto esencial para orientar a una
empresa a que no cometa errores o incurra en algunas situaciones de riesgo. 

En suma, podemos decir que las preguntas planteadas tienen una relación directa entre ellas, ya
que, al validar, calcular y comparar, nos orienta a una conclusión concreta y real del porqué
algunas empresas quiebran. De esta manera será posible intervenir a tiempo para que no se
produzca dicha quiebra en la compañía.

PAGE
 ENTREGA FINAL DEL PROYECTO

Base de datos
La base de datos a utilizar se llama “Company Bankruptcy Prediction”, la cual se descargó de la
página Kaggle. Los datos de aquel archivo fueron recopilados a través del Taiwan Economic Journal
(TEJ) para los años 1999 a 2009, la cual es una empresa que proporciona los datos más precisos y
fiables sobre empresas de toda Asia. La base de datos cuenta con 6.819 filas y 96 columnas. Cada
una de las filas representan los datos de diferentes compañías del mundo real en Taiwán en el
periodo de tiempo descrito. La variable dependiente por utilizar corresponde a si la empresa se irá
a quiebra o no, la cual es una variable de tipo booleana, donde 0 corresponde a “no” y 1
corresponde a “sí”. El quiebre de la empresa se definió con base en las regulaciones comerciales
de la Bolsa de Valores de Taiwán. Las variables dependientes corresponden a diferentes
indicadores de cinco diferentes categorías de Gobiernos Corporativos (CGI) y de siete categorías
de Ratios Financieros (FR). Todas estas variables son de tipo numérica con un rango de 0-1, sin
embargo, existen algunos datos que sobrepasan este valor, transformándose en outliers.

En el anexo se encuentran descritas cada una de las variables.

Experimento
Nuestro objetivo en este proyecto es predecir si la empresa se irá a quiebra o no. Para ser más
específicos, la base de datos contiene una variable llamada “Bankrupt” (variable dependiente)
que, para cada fila, toma valor 1 si la empresa llega a la quiebra, y toma el valor 0 en caso
contrario. Por lo cual, nuestro proyecto corresponde a un tipo de aprendizaje de clasificación.
 
Existen diversos modelos de Machine Learning que se podrían utilizar para resolver las preguntas
planteadas, entre ellos se destacan los siguientes:
 
● Regresión Logística (Logistic Regression): Algoritmo de clasificación simple, pero potente.
Funciona muy bien en clases linealmente separables y se puede extender a clasificación
multiclase. 
● Máquinas de Vectores de Soporte (Support Vector Machines): Permiten encontrar la forma
óptima de clasificar entre varias clases. Se realiza maximizando el margen de separación entre
las clases. Los vectores que definen el borde de esta separación son los vectores de soporte.
● Bosques Aleatorios (Random Forests): Conjunto de árboles de decisión combinados con
bagging. Esto hace que cada árbol se entrene con distintas muestras de datos para un mismo
problema. Al combinar sus resultados, unos errores se compensan con otros y se tiene una
predicción que generaliza mejor.
● Redes Neuronales y Aprendizaje Profundo (Deep Learning): Modelo de aprendizaje
automático, se establecen conexiones entre nodos, se manda información y se sacan
conclusiones y predicciones determinadas a partir de los datos introducidos inicialmente. Una
red neuronal organiza los algoritmos de tal manera que puede tomar decisiones precisas por sí
misma.

PAGE
 ENTREGA FINAL DEL PROYECTO

Análisis exploratorio de datos

En primer lugar, es de suma importancia analizar los datos que son proporcionados con la finalidad
de detectar errores, seleccionar modelos, determinar las relaciones entre las variables, elegir
cuales son las que poseen mayor relevancia, entre otros aspectos. A continuación, se presenta
dicho análisis:

Análisis calidad de datos

Nos encontramos frente a una base de datos con dimensión 6819 filas x 96 columnas.
Visualizando las variables, nos percatamos de que los nombres tienen espacios entre
palabras y varios signos que pueden arrojar error en la compilación de funciones a utilizar,
así que se comenzó haciendo una modificación a los nombres de las variables, donde se
realizaron varios cambios, como, por ejemplo, los espacios fueron reemplazados por “_”,
el signo “%” fue reemplazado por la palabra “percent”, los paréntesis se cambiaron por
“_”, entre otros.
Luego, al visualizar los datos de las variables, nos percatamos de que la variable
“net_income_flag” solo poseía valores iguales a 1, por lo que se consideró que no era un
aporte para el estudio, por lo tanto, se eliminó, quedando una dimensión de 6819 filas x
95 columnas.
Por otro lado, se revisó si existían valores duplicados y valores nulos, pero no era el caso,
así que no fue necesario hacer una imputación de datos debido a que no se presentaron
valores nulos dentro de la base de datos.
Matriz de correlación entre todas las variables
Primero se realizó una matriz de correlación entre variables independientes, dando como
resultado la gráfica ubicada en el Anexo de gráficos: Ilustración 1: Matriz de correlación de
variables independientes.
Los valores en color azul más oscuro representan las mayores correlaciones positivas
entre las variables. Los valores en colores claros, llegando hasta el blanco, representan la
nula correlación entre las variables. Los valores pintados en rojo más oscuro representan
las mayores correlaciones negativas entre las variables
Del gráfico se puede observar que se presenta una correlación perfecta entre las mismas
variables. La mayor correlación entre variables diferentes, se presentan entre las
variables:
● “net_value_per_share_a_” y “net_value_per_share_c_”, con un valor de 0.9998
● “operating_gross_margin” y “realized_sales_gross_margin”, con un valor de
0.9995
● “net_value_per_share_b_” y “net_value_per_share_a_”, con un valor de 0.9993
Además, los valores con menor correlación se presentan entre:
● “debt_ratio_percent” y “net_worthdivasset”, con un valor de -1.0000
● “net_worthdivasset” y “debt_ratio_percent”, con un valor de -1.0000
● “net_worthdivasset” y “current_liability_to_assets”, con un valor de -0.8426

PAGE
 ENTREGA FINAL DEL PROYECTO

La siguiente correlación se realizó entre la variable dependiente y la variable

independiente y se calculó utilizando Sperman. Se pudo observar que las tres variables
con mayor relación con la variable dependiente bankrupt fueron:
● “persistent_eps_in_the_last_four_seasons”, con un valor de 0.238
● “net_income_to_total_assett” con un valor de 0.234
● “net_profit_before_taxdivpaid_in_capital”, con un valor de 0.233
Mientras que las tres variables que presentaron una menor relación con la variable
dependiente son:
● “net_worth_turnover_rate_times”, con un valor de 0.0098
● “operating_expense_rate”, con un valor de 0.00997
● “inventory_turnover_rate_times_”, con un valor de 0.0126
Se puede observar que la correlación de las variables independientes vs la variable
dependiente, presentan un valor mayor a 0, lo que indica que una relación directa entre
las variables, o sea, si las variables independientes aumentan, la variable dependiente
también aumenta y viceversa, lo que representa una pendiente positiva (hacia arriba).
Variables relevantes
Para encontrar las variables más relevantes de nuestro modelo, recurrimos a la utilización
de diversos métodos de selección de atributos, siendo estos los siguientes:
● Correlación de Spearman: Es utilizado ya que no es requisito que las variables
presenten una distribución que se ajusten a una normal o conocida. Usando esta
metodología, las siguientes variables fueron seleccionadas como las más
relevantes: persistent_eps_in_the_last_four_seasons,
net_income_to_total_assets, net_profit_before_taxdivpaid_in_capital.
● Filtros de entropía: Utilizados debido a que nos permite observar la importancia
de variables discretas basándose en su entropía con una variable continua. Se
consideran las siguientes variables como las más relevantes:
research_and_development_expense_rate, quick_assetsdivtotal_assets,
quick_assetsdivcurrent_liability.
● Random Forest: Muy útil para ser utilizados en datasets grandes, produciendo una
clasificación y selección de variables lo suficientemente certera. Las siguientes
variables fueron categorizadas como las más relevantes:
per_share_net_profit_before_tax__yuan_Y_,
net_profit_before_taxdivpaid_in_capital,persistent_eps_in_the_last_four_seasons.
Como equipo, hemos considerado que las variables más relevantes para nuestro modelo
son las obtenidas por Random Forest ya que, al utilizar una vasta cantidad de árboles de
decisión, se reduce la varianza y consigo, el riesgo de obtener un modelo sobre ajustado.
Los métodos presentados a continuación no fueron considerados por las siguientes
razones:
● Chi-cuadrado: Dada la cantidad de variables que posee el modelo seleccionado, no
se considera eficaz la utilización de la prueba chi-cuadrado; al ser un test de

PAGE
 ENTREGA FINAL DEL PROYECTO

hipótesis entre 2 variables categóricas, existen demasiadas combinaciones de 2

variables a realizar.
● Correlación de Pearson: Se requiere que se cumpla el supuesto de normalidad en
las variables ya que, al ser su coeficiente paramétrico, es necesario que exista
normalidad en la distribución de la muestra (que se asemeje a la población real).
● OneR: Al necesitar que se genere una regla categórica para cada variable del
estudio, para nuestro caso se deben demasiadas nuevas variables, siendo un
trabajo que requiere bastante tiempo.

Análisis de Componentes Principales

Con el fin de reducir dimensionalidad a nuestro dataset, se realiza un análisis de
componentes principales maximizando la varianza de las variables.

Para el análisis se excluye la variable “Bankrupt”, ya que corresponde a la variable

dependiente que se busca predecir, y se mantienen las 94 variables independientes
restantes que son de tipo numérico. Dichas variables fueron previamente escaladas, esto
con la finalidad de trabajar los datos dentro de una misma proporción numérica, evitando
de esa manera, cualquier inconveniente proveniente de diferencias en sus valores.

Para seleccionar los componentes principales, se utiliza en primera instancia el método

del codo, el cual indica que debemos utilizar un número de componentes tal, que
produzca el cambio más brusco de la inercia. Para visualizar lo anterior, se genera el
gráfico de reducción de la varianza según el número de componentes, el cual se presenta
a en el Anexo de gráficos: Ilustración 2: Reducción de varianza según número de
componentes principales

Dado la cantidad de componentes principales presentes, no es posible identificar a simple

vista donde se encuentra el cambio más predominante de la gráfica, por lo que se analiza
como segunda alternativa, la importancia de cada componente.

En aquel análisis, se observa que, para la PC34, se alcanza 80% de la varianza aportada,
por lo que dichos componentes principales, son suficientes para explicar nuestro conjunto
de datos y son los seleccionados en esta instancia. Permitiéndonos así, representar los
datos en una dimensión reducida a la original, limitando la pérdida de información.

Adicionalmente, se plasman en dos dimensiones las proyecciones de los ejes de cada

variable y su ponderación dentro del plano en función de los PC1 y PC2.

Aquel gráfico puede ser observado en el anexo de gráficos: Ilustración 3: Proyección de

variables en función de PC1 y PC2.

PAGE
 ENTREGA FINAL DEL PROYECTO

Aprendizaje de máquinas

Regresión Logística (Cami)

A continuación, se muestran los resultados obtenidos del método de regresión logística.

Según la matriz de confusión tenemos que, los valores de la diagonal principal corresponde a los
casos estimados de forma correcta por el método, los cuales son 5216 y 53, siendo los verdaderos
negativos y los verdaderos positivos, respectivamente. Mientras que la otra diagonal, representa
los casos en los que el método se equivocó, los cuales son 65 y 121, siendo los falsos positivos y
falsos negativos, respectivamente.

Además, se presenta un valor de accuracy de 0.9659, el cual indica que el método posee una
exactitud de 96.59% sobre las empresas que se irán a la quiebra, por lo tanto representa el
porcentaje de predicciones correctas frente al total.

También, observamos que la sensitivity (sensibilidad) es de 0.9877, la cual nos indica la capacidad
que posee el método para asignar los casos positivos como realmente positivos. Incluso tenemos
specificity (especificidad) que es 0.3046, donde igualmente indica la capacidad que tiene el
método para dar como casos negativos los que realmente son negativos.

PAGE
ENTREGA FINAL DEL PROYECTO

PAGE
 ENTREGA FINAL DEL PROYECTO

Árbol de clasificación (Yeka)

A continuación, se muestran los resultados obtenidos del método de árbol de clasificación.

set.seed(4567)
fit_arbol = rpart(bankrupt~., data=datatrain, method="class")
fancyRpartPlot(fit_arbol)
fit_arbol$variable.importance[1:5] #importancia de las variables

pred_arbol = predict(fit_arbol, datatest, type ="class")

cm_arbol = confusionMatrix(pred_arbol,datatest$bankrupt)
print(cm_arbol)

En los árboles de decisión, las preguntas se generan de acuerdo a la que otorga mayor ganancia de
información (que logra mejorar la métrica de achunte lo más posible), entonces, intuitivamente,
las variables que quedan arriba son las variables más útiles. Es por esto, que, visualizando el
gráfico, se puede observar que las cinco variables más importantes y que tienen mayor peso para
determinar si una empresa se irá a quiebra o no, son persistent_eps_in_the_last_four_season,
net_profit_before_taxdivpaid_in_capital, net_value_growth_rate,
per_share_net_profit_before_tax_yuan_Y_ y net_inome_to_stockholder_s_equity.

PAGE
 ENTREGA FINAL DEL PROYECTO

De la imagen se puede observar la matriz de confusión, la cual en un diagonal principal presenta

un total de 1309 casos de verdaderos negativos (empresas que no estaban en bancarrota y
correctamente se les dijo que no estaban en bancarrota) y un total de 9 casos verdaderos positivos
(que se les dijo que sí estaban en bancarrota cuando realmente lo estaban). En la matriz también
se pueden observar 9 casos falsos positivos (que se les dijo que estaban en bancarrota cuando
realmente no lo estaban) y 37 casos falsos negativos (que se les dijo que no estaban en bancarrota
cuando realmente sí lo estaban).

Podemos ver que el valor de sensibilidad es de 0.9932, cuyo valor es alto, lo que implica
equivocarse en pocos 1 y el valor de especificidad es de 0.1957 , cuyo valor es bajo, lo que implica
equivocarse en muchos 0. En este contexto es más caro equivocarse en 1, por lo que es preferible
una sensibilidad alta, lo que indica que todo anda bien con este método.

Se puede observar además, que el método de árbol de clasificación presenta un valor de

Accuracy= 0.9663 , el cual es un valor considerablemente bueno debido a que es muy cercano a 1.
Este valor indica que posee un 96,6% de achunte sobre las empresas que se irán a quiebra.

PAGE
 ENTREGA FINAL DEL PROYECTO

Random Forest (Cami)

A continuación, se muestran los resultados obtenidos del método de random forest.

Se observa una matriz de confusión, donde 1314 casos son verdaderos negativos y 7 casos son
verdaderos positivos, en cambio se obtuvieron 4 casos falsos positivos y 39 casos falsos negativos.

También se presenta un valor de accuracy de 0.968, el cual indica que el método posee una
exactitud de 96.8% sobre las empresas que se irán a la quiebra, por lo tanto representa el
porcentaje de predicciones correctas frente al total.

Por último, se observa el valor AUC de 0.925, que representa el área bajo la curva ROC que se
utiliza para medir el acierto en la predicción de eventos binarios, es decir eventos que ocurren o
no.

PAGE
 ENTREGA FINAL DEL PROYECTO

El gráfico de la curva ROC nos muestra la sensibilidad y especificidad de cada uno de los posibles
puntos de corte de un test diagnóstico cuya escala de medición es continua. Entre más alejada
esté la curva de la línea trazada desde el punto 0,0 al punto 1,1 , llamada diagonal de referencia.

Support Vector Machine (Yeka)

A continuación, se muestran los resultados obtenidos del método de support vector machine.

set.seed(4567)

PAGE
 ENTREGA FINAL DEL PROYECTO

svm <- svm(bankrupt~.,data=datatrain, method="C-classification", kernel="linear")

print(svm)

predtrainSVM <-predict(svm,datatrain)
mean(predtrainSVM==datatrain$bankrupt)
table(datatrain$bankrupt,predtrainSVM)
roc.curve(datatrain$bankrupt, predtrainSVM)

predtestSVM <-predict(svm,datatest)
mean(predtestSVM==datatest$bankrupt)
table(datatest$bankrupt,predtestSVM)
roc.curve(datatest$bankrupt, predtestSVM)

cm_sv =confusionMatrix(predtestSVM, datatest$bankrupt)

print(cm_sv)

PAGE
 ENTREGA FINAL DEL PROYECTO

De la imagen podemos observar la matriz de confusión donde los casos estimados de forma
correcta por el método son 1317 casos verdaderos negativos y 0 casos verdaderos positivos.
Mientras que la otra diagonal, representa los casos en los que el método se equivocó, los cuales
fueron 1 caso de falso positivo y 46 casos de falsos negativos.

Se puede ver un accuracy de 0.9655, lo que indica que el método tiene una exactitud de 96.55%
sobre las empresas que quiebran.

PAGE
 ENTREGA FINAL DEL PROYECTO

También, observamos que la sensitivity (sensibilidad) es de 0.9992, la cual nos indica la capacidad
que posee el método para asignar los casos positivos como realmente positivos. Incluso tenemos
specificity (especificidad) que es 0, que indica la capacidad que tiene el método para dar como
casos negativos los que realmente son negativos, por lo tanto implica equivocarse en muchos 0.

Random Forest (Extra)

A continuación, se muestran los resultados obtenidos del método Random Forest.

Respecto a la imagen podemos decir que, la matriz de confusión muestra que 5262 casos
son verdaderos negativos, mientras que 32 casos son verdaderos positivos, también nos
dice que 19 casos son falsos negativos y 142 casos son falsos positivos. Donde la
predicción de los negativos posee un error de 0.003597803 y los positivos un error de
0.816091954

PAGE
 ENTREGA FINAL DEL PROYECTO

La matriz de confusión señala que 1316 casos son verdaderos negativos, 7 casos
verdaderos positivos, 39 casos falsos negativos y 2 casos son falsos positivos. Mientras
que el F1 tiene un valor de 0.2640979 , este valor es una comparación del rendimiento
combinado de la precisión y la exhaustividad.

Hipótesis y conclusiones
Según el análisis exploratorio de los datos realizado anteriormente, presentamos los resultados
más relevantes respecto a cada ítem y finalmente se concluye:
● Calidad de datos: se realizaron modificaciones en los nombres de las variables, se eliminó
la variable “net_income_flag” (Indicador de ingresos netos), ya que no se consideraba un
aporte en el estudio. Además, se verificó si existían valores duplicados o nulos para
realizar una imputación de datos si fuera necesario, pero como no existían estos valores
no se realizó
● Matriz de correlación: respecto a la variable dependiente y las variables independientes,
se obtuvo como resultado que las variables BPA persistentes en las últimas cuatro
temporadas (persistent_eps_in_the_last_four_seasons), ingreso neto a total activos
(net_income_to_total_assett) y beneficio neto antes de impuestos / Capital pagado
(net_profit_before_taxdivpaid_in_capital); poseen mayor relación con la variable

PAGE
 ENTREGA FINAL DEL PROYECTO

bankrupt. Como estas tres variables poseen un valor mayor a 0, indica que tienen una
relación directa.
● Variables relevantes: los resultados obtenidos por el Random Forest, las variables más
relevantes para determinar la bancarrota con un valor de importancia mayor a 9.7 son:
Beneficio neto por acción antes de impuesto en yuan
(per_share_net_profit_before_tax__yuan_Y), Beneficio neto antes de
impuesto/capital pagado (net_profit_before_taxdivpaid_in_capital), BPA
persistente en las últimas 4 temporadas
(persistent_eps_in_the_last_four_seasons).

Respecto a estos resultados podemos plantear que las variables

“persistent_eps_in_the_last_four_seasons” y “net_profit_before_taxdivpaid_in_capital”,
son las más influyentes al momento de predecir la bancarrota de una empresa, ya que poseen una
correlación de 0.238 y de 0.233 respectivamente, lo que indica que poseen una relación directa
con la variable dependiente. Además, son la tercera y segunda variable (respectivamente) con
mayor importancia respecto a la dependiente, con un valor de 9.723 y 11.778, según el orden
antes escrito de dichas variables.

Hay que destacar que las otras variables relevantes, con un valor de importancia mayor a 9 son:
net_value_per_share_b (9.002), interest_expense_ratio (8.542),
degree_of_financial_leverage__dfl_ (7.916), net_income_to_stockholder_s_equity (7.692); que
posee una correlación de 0.205632842, 0.133217322, 0.147136334 y 0.219056887
respectivamente. Considerando también estas variables como influyentes, respecto a la posible
bancarrota de una empresa.

Según los resultados obtenidos en todo el análisis podemos concluir que, sí es posible realizar la
predicción de la bancarrota, ya que cada variable independiente posee una relación directa con la
variable dependiente.

PAGE
 ENTREGA FINAL DEL PROYECTO

Anexos
Anexo 1: Variables
A continuación, se presenta el detalle de cada una de las variables presentes en la base de datos
“Company Bankruptcy Prediction”:
Variable dependiente: Esta variable tomará valor 0 si es que la empresa no se va a quiebra y valor
1 si es que sí se va a quiebra.
1) Bankrupt?: corresponde a la variable dependiente e indica si es que la empresa se irá a
quiebra o no. 

Variables independientes: Estas variables son de tipo numérica que varían en el rango 0 a 1. En
algunos casos se presentan outliers.
2) ROA(C) before interest and depreciation before interest: ROA (C) antes de intereses y
depreciación antes de intereses.
3) ROA(A) before interest and % after tax: ROA (A) antes de intereses y% después de
impuestos.
4) ROA(B) before interest and depreciation after tax: ROA (B) antes de intereses y
depreciación después de impuestos.
5) Operating Gross Margin: Margen bruto operativo.
6) Realized Sales Gross Margin: Margen bruto de ventas realizadas.
7) Operating Profit Rate: Tasa de beneficio operativo.
8) Pre-tax net Interest Rate: Pre -Tasa de interés neta de impuestos.
9) After-tax net Interest Rate: Tasa de interés neta después de impuestos.
10) Non-industry income and expenditure/revenue: Ingresos y gastos / ingresos no
industriales.
11) Continuous interest rate (after tax): Tasa de interés continúa (después de impuestos).
12) Operating Expense Rate: Tasa de gastos operativos.
13) Research and development expense rate: Tasa de gastos de investigación y desarrollo.
14) Cash flow rate: Tasa de flujo de efectivo.
15) Interest-bearing debt interest rate: Tasa de interés de la deuda que devenga intereses.
16) Tax rate (A): Tipo impositivo (A).
17) Net Value Per Share (B): Valor neto por acción (B).
18) Net Value Per Share (A): Valor neto por acción (A).
19) Net Value Per Share (C): Valor neto por acción (C).
20) Persistent EPS in the Last Four Seasons:  BPA persistente en las últimas cuatro
temporadas.
21) Cash Flow Per Share: Flujo de caja por acción.
22) Revenue Per Share (Yuan Â¥): Ingresos por acción (Yuan  ¥).
23) Operating Profit Per Share (Yuan Â¥): Beneficio operativo por acción (Yuan  ¥).
24) Per Share Net profit before tax (Yuan Â¥): Beneficio neto por acción antes de impuestos
(Yuan  ¥).
25) Realized Sales Gross Profit Growth Rate: Tasa de crecimiento del beneficio bruto de las
ventas realizadas.
26) Operating Profit Growth Rate: Tasa de crecimiento del beneficio operativo.
27) After-tax Net Profit Growth Rate: Tasa de crecimiento del beneficio neto después de
impuestos.

PAGE
 ENTREGA FINAL DEL PROYECTO

28) Regular Net Profit Growth Rate: Tasa de crecimiento del beneficio neto regular.
29) Continuous Net Profit Growth Rate: Tasa de crecimiento del beneficio neto continuo.
30) Total Asset Growth Rate: Tasa de crecimiento de activos totales.
31) Net Value Growth Rate: Tasa de crecimiento del valor neto.
32) Total Asset Return Growth Rate Ratio: Rata de crecimiento de retorno de activos totales e
Ratio.
33) Cash Reinvestment %: % de reinversión de efectivo.
34) Current Ratio: Ratio actual.
35) Quick Ratio: Ratio rápido.
36) Interest Expense Ratio: Ratio de gastos por intereses.
37) Total debt/Total net worth: Deuda total / patrimonio neto total.
38) Debt ratio %: Ratio de deuda %.
39) Net worth/Assets: Patrimonio neto / activos.
40) Long-term fund suitability ratio (A): Ratio de idoneidad de fondos a largo plazo (A).
41) Borrowing dependency: Dependencia del endeudamiento.
42) Contingent liabilities/Net worth: Pasivos contingentes / neto Valor neto.
43) Operating profit/Paid-in capital: Beneficio operativo / Capital pagado.
44) Net profit before tax/Paid-in capital: Beneficio neto antes de impuestos / Capital pagado.
45) Inventory and accounts receivable/Net value: Inventario y cuentas por cobrar / Valor
neto.
46) Total Asset Turnover: Rotación de activos totales.
47) Accounts Receivable Turnover: Rotación de cuentas por cobrar.
48) Average Collection Days: Días promedio de cobranza.
49) Inventory Turnover Rate (times): Tasa de rotación de inventario (veces).
50) Fixed Assets Turnover Frequency: Rotación de activos fijos Frecuencia.
51) Net Worth Turnover Rate (times): Tasa de rotación del patrimonio neto (veces).
52) Revenue per person: Ingresos por persona.
53) Operating profit per person: Beneficio operativo por persona.
54) Allocation rate per person: Tasa de asignación por persona.
55) Working Capital to Total Assets: Capital de trabajo a activos totales.
56) Quick Assets/Total Assets: Activos rápidos / Activos totales.
57) Current Assets/Total Assets: Activos corrientes / Activos totales.
58) Cash/Total Assets: Efectivo / Activos totales.
59) Quick Assets/Current Liability: Activos rápidos / Pasivo corriente.
60) Cash/Current Liability: Efectivo / pasivo corriente.
61) Current Liability to Assets: Pasivo corriente a activos.
62) Operating Funds to Liability: Fondos operativos a pasivo.
63) Inventory/Working Capital: Inventario / capital de trabajo.
64) Inventory/Current Liability: Inventario / pasivo corriente.
65) Current Liabilities/Liability: Pasivo / pasivo corriente.
66) Working Capital/Equity: Capital de trabajo / patrimonio.
67) Current Liabilities/Equity: Pasivo corriente / patrimonio.
68) Long-term Liability to Current Assets: Pasivo a largo plazo a corriente Activos.
69) Retained Earnings to Total Assets: Ganancias retenidas a activos totales.
70) Total income/Total expense: Ingresos totales / gastos totales.
71) Total expense/Assets: Gastos / activos totales.
72) Current Asset Turnover Rate: Tasa de rotación de activos actuales.
73) Quick Asset Turnover Rate: Tasa de rotación de activos rápida.

PAGE
 ENTREGA FINAL DEL PROYECTO

74) Working capitcal Turnover Rate: Tasa de rotación de activos en funcionamiento.

75) Cash Turnover Rate: Tasa de rotación de efectivo.
76) Cash Flow to Sales: Flujo de efectivo a ventas.
77) Fixed Assets to Assets: Activos fijos a activos.
78) Current Liability to Liability: Pasivo corriente a pasivo.
79) Current Liability to Equity: Pasivo corriente a patrimonio.
80) Equity to Long-term Liability: Patrimonio a pasivo a largo plazo.
81) Cash Flow to Total Assets: Flujo de efectivo a activos totales.
82) Cash Flow to Liability: Flujo de efectivo a pasivo.
83) CFO to Assets: CFO a activos.
84) Cash Flow to Equity: Flujo de efectivo a patrimonio.
85) Current Liability to Current Assets: Pasivo corriente a activos corrientes.
86) Liability-Assets Flag: Indicador de pasivo-activos.
87) Net Income to Total Assets: Ingreso neto a total Activos.
88) Total assets to GNP price: Activos totales a precio del PNB.
89) No-credit Interval: Intervalo sin crédito.
90) Gross Profit to Sales: Ganancia bruta a ventas.
91) Net Income to Stockholder's Equity: Ingresos netos a capital contable.
92) Liability to Equity: Pasivo a capital.
93) Degree of Financial Leverage (DFL): Grado de apalancamiento financiero (DFL).
94) Interest Coverage Ratio (Interest expense to EBIT): Coeficiente de cobertura de intereses
(Gastos por intereses a EBIT).
95) Net Income Flag: Indicador de ingresos netos.
96) Equity to Liability: Equidad a responsabilidad.

PAGE
 ENTREGA FINAL DEL PROYECTO

Anexo 2: Gráficas

Ilustración 1: Matriz de correlación de variables independientes

Ilustración 2: Reducción de varianza según número de componentes principales

PAGE
 ENTREGA FINAL DEL PROYECTO

Ilustración 3: Proyección de variables en función de PC1 y PC2

PAGE
 ENTREGA FINAL DEL PROYECTO

Bibliografía
Fedesoriano. (febrero de 2021). Kaggle. Obtenido de
https://www.kaggle.com/fedesoriano/company-bankruptcy-prediction?select=data.csv
Heras, J. M. (29 de septiembre de 2020). IArtifificial.net. Obtenido de
https://www.iartificial.net/clasificacion-o-regresion/
Roman, V. (27 de marzo de 2019). Ciencia & Datos. Obtenido de https://medium.com/datos-y-
ciencia/aprendizaje-supervisado-introducci%C3%B3n-a-la-clasificaci%C3%B3n-y-
principales-algoritmos-dadee99c9407
School, T. (16 de enero de 2021). Tokio School. Obtenido de
https://www.tokioschool.com/noticias/redes-neuronales-machine-mearning/

PAGE
 ENTREGA FINAL DEL PROYECTO

La precisión es la probabilidad que una predicción verdadera sea verdadera, en este caso, que una
empresa en bancarrota realmente esté en bancarrota, mientras que el recall es la probabilidad de
predecir un real negativo y que sea positivo, en otras palabras, equivocarnos, decir que está en
bancarrota cuando realmente no lo estaba.
En nuestro contexto, buscamos tener una precisión alta (lo más cercano a 1).

PAGE
 ENTREGA FINAL DEL PROYECTO

RF

ÁRBOL

SVM

Regresión Árbol de Random SVM

Logística Clasificación Forest

Accuracy 0.955 0.9663 0.968 0.9655

AUC 0.547 0.594 0.925 0.500

F1 0.19578 0.32690 0.26404 0

Recall 0.985 0.19565 0.997 0.92

PAGE
 ENTREGA FINAL DEL PROYECTO

Precision 0.969 0.5 0.971 0.13218

CONCLUSIÓN
En efecto con los datos financieros proporcionados se pudo predecir qué compañías tienen mayor
riesgo de quiebra, lo cual queda demostrado en la implementación de aprendizaje de máquinas,
especialmente centrándonos en modelos que permitieran clasificar. En los cuatro métodos
implementados se obtuvo un Accuracy mayor al 95%, con Precisión de 97% para el modelo
Random Forest.
Aunque de igual manera podríamos considerar el presentar menor ratios económicos, avalando al
análisis de variables relevantes realizado, pero es complejo lograr que una empresa de sus ratios
financieros con facilidad a cualquier persona.
Es importante destacar además, que los factores con mayor influencia en decretar una bancarrota
son el beneficio neto por acción antes de impuestos (Yuan  ¥), beneficio neto antes de impuestos
/ Capital pagado y el BPA persistente en las últimas cuatro temporadas. Por lo que se vuelve de
suma importancia intervenir a tiempo en dichos factores para evitar una posible quiebra.
Algo que podríamos haber realizado de manera distinta podría ser la formulación e
implementación de los gráficos y matrices de correlación, pero debido a los pocos conocimientos
que poseemos en la plataforma RStudio, se nos hizo complejo el idear cómo segmentar la base
para lograr una mejor visualización de los gráficos, sin que esto afecte netamente los resultados.
Finalmente, y de manera grupal, se consideró que este trabajo nos ayudó bastante a observar que
los datos no son meros números, sino que detrás de ellos se encuentra un mundo de información
por describir e interpretar. Que teniendo las herramientas, conocimientos y ganas, se pueden
lograr muchas cosas con ellos.

PAGE