Selección automática de características mediante evolución diferencial. Aplicación en la selección de ratios financieros para la determinación de solvencia empresarial.

Abstract

[Resumen] En este proyecto se utilizará selección automática de características mediante evolución diferencial, aplicada a la selección de ratios financieros para la predicción de fracaso empresarial. Se partirá de un conjunto amplio de ratios financieros, comúnmente usados en el campo del análisis financiero de empresas. Se usará una muestra de empresas de la economía gallega en la que se dispone de tales ratios, y se predecirá el fracaso de la empresa a un año vista. Un problema fundamental en clasificación es la selección de aquellas variables o características que mejor definen la distinción entre las diferentes categorías o clases. En este proyecto se va a utilizar, principalmente, un método evolutivo (Evolución Diferencial - ED) para determinar de modo automático aquellas características que proporcionan más potencial diferenciador en problemas de clasificación. En la selección de características se usarán, en primer lugar, análisis clásicos independientes del modelo predictor o de clasificación. Se buscarán características o ratios que presenten poca variabilidad dentro de una misma clase y, al mismo tiempo, presenten valores claramente diferenciadores en diferentes clases. Se usarán las medidas clásicas de T-estadístico y Fisher score. Estas técnicas de estimación nos proporcionarán un primer filtrado de posibles ratios significativos en nuestro problema de predicción/clasificación de empresas que fracasan/no fracasan en el año siguiente. Adicionalmente se usará un algoritmo evolutivo (Evolución Diferencial) para seleccionar aquellos ratios más significativos en la clasificación. Esta selección sí será dependiente del modelo clasificador. La idea es que el método evolutivo optimice el conjunto de ratios que más poder discriminatorio proporcionan al modelo clasificador. La población genética codificará posibles conjuntos o combinaciones de ratios, y la calidad de cada solución codificada vendrá determinada por la calidad del clasificador una vez entrenado. Dados los requerimientos de tiempo implicados en el entrenamiento de un clasificador, por ejemplo, conexionista, usamos en este punto un clasificador sencillo como K-NN. Por tanto, cada solución de la población genética determina una combinación de ratios a utilizar mediante el clasificador K-NN, y la calidad de la solución vendrá determinada por alguna medida de la clasificación proporcionada por K-NN en una muestra de empresas de validación. Finalmente, aunque la selección evolutiva de los ratios más significativos es dependiente del clasificador considerado (K-NN), se compararán los resultados de clasificación al utilizar el conjunto optimizado de ratios con un clasificador más robusto, como un clásico perceptrón multicapa. La red neuronal artificial (RNA) se entrenará con el conjunto evolutivamente seleccionado de ratios, comparando los resultados con respecto a no utilizar selección de ratios y con respecto a métodos de selección basados en análisis de sensibilidad en la RNA entrenada.