Las redes neuronales son modelos computacionales inspirados en el funcionamiento del cerebro humano. Están diseñadas para aprender y reconocer patrones complejos a partir de conjuntos de datos. Estas redes están compuestas por capas de nodos interconectados llamados neuronas artificiales, que procesan y transmiten información.
En una red neuronal, la información fluye a través de las capas, donde cada neurona realiza una operación matemática sobre los datos de entrada y produce un resultado que se transmite a la siguiente capa. A medida que los datos se propagan a través de la red, las conexiones entre las neuronas se ajustan para optimizar el rendimiento del modelo.
Las redes neuronales se utilizan en una amplia variedad de aplicaciones, como reconocimiento de voz, clasificación de imágenes, traducción automática, procesamiento de lenguaje natural, pronóstico del tiempo, entre otros. Pueden ser entrenadas mediante un proceso llamado “aprendizaje supervisado”, donde se les proporciona un conjunto de ejemplos etiquetados para aprender a realizar una tarea específica.
Existen diferentes tipos de redes neuronales, como las redes neuronales convolucionales (CNN), que son efectivas en tareas de visión por computadora, y las redes neuronales recurrentes (RNN), que son útiles para procesar datos secuenciales, como el texto o el habla. Además, han surgido variantes más avanzadas, como las redes neuronales generativas adversariales (GAN) y las redes neuronales transformer, que han demostrado resultados prometedores en la generación de contenido y la traducción automática, respectivamente.
En resumen, las redes neuronales son una poderosa herramienta en el campo del aprendizaje automático y han demostrado su eficacia en una amplia gama de aplicaciones.
Support Vector Machine Methods and Artificial Neural Networks Used for the Development of Bankruptcy Prediction Models and their Comparison
Jakub Horak, Jaromir Vrbka and Petr Suler
Journal of Risk and Financial Management 2020
Este artículo presenta un estudio sobre el desarrollo de modelos de predicción de bancarrota utilizando métodos de Máquina de Vectores de Soporte y Redes Neuronales Artificiales. El objetivo del estudio es crear un modelo para predecir la posible bancarrota de empresas y evaluar los resultados obtenidos por los diferentes métodos utilizados. El estudio se basa en datos recopilados a partir de los balances y cuentas de resultados de empresas industriales que operan en la República Checa durante los últimos 5 años.
Los resultados muestran que ambos métodos son efectivos para predecir la bancarrota corporativa, pero las Redes Neuronales Artificiales parecen ser ligeramente más precisas. Leer PDF.
_______________________________________________________________________
En la parte metodológica del estudio, se describen los datos utilizados para el cálculo, se especifican las variables particulares utilizadas y se presentan dos métodos mencionados anteriormente: Máquina de Vectores de Soporte y Redes Neuronales Artificiales (MLP y RBF). En la parte de resultados, se presentan los resultados obtenidos por el método SVM, luego los resultados obtenidos por las redes neuronales artificiales y se comparan los resultados de ambos métodos.
También se comparan los resultados con los obtenidos por otros autores y se define el valor añadido del artículo. La parte final resume los resultados, presenta las variables que tienen mayor poder predictivo y sugiere áreas para futuras investigaciones. En la revisión bibliográfica del estudio, se describen varios métodos para evaluar la bancarrota corporativa. Se presta especial atención a las redes neuronales artificiales y a los métodos SVM. Los resultados del estudio muestran que los métodos de Máquina de Vectores de Soporte y Redes Neuronales Artificiales son efectivos para predecir la bancarrota corporativa. Los resultados obtenidos por los dos métodos son comparables, pero las redes neuronales artificiales parecen ser ligeramente más precisas en la predicción de la bancarrota. Además, se identificaron varias variables que tienen un alto poder predictivo, como el capital circulante y el margen bruto. El estudio tiene varias implicaciones prácticas para los Directores y Gerentes de Crédito.