Predicción de Calificaciones de Crédito de Empresas: Comparación entre Redes Neuronales Gráficas y Modelos de Aprendizaje Automático Tradicionales. - Sánchez Rosillo, Mencía

Abstract

El presente trabajo aborda la predicción de ratings crediticios corporativos utilizando Redes Neuronales Gráficas (GNNs), un enfoque novedoso que supera las limitaciones de los modelos tradicionales en el análisis de riesgo financiero. Este estudio busca mejorar la precisión y escalabilidad en la asignación de ratings mediante la integración de relaciones financieras representadas como grafos. Los objetivos incluyen implementar y evaluar modelos avanzados como las Redes Convolucionales en Grafos (GCNs, Graph Convolutional Networks) y las Redes de Atención en Grafos (GATs, Graph Attention Networks), compararlos con algoritmos tradicionales y analizar el impacto de las relaciones entre entidades en los resultados. La metodología cuantitativa y empírica incluye la recopilación de datos financieros, la construcción de grafos, y la evaluación de modelos utilizando métricas como accuracy y F1-score. Los resultados demuestran que las GNNs superan a los modelos tradicionales en precisión y capacidad para capturar relaciones complejas. Este enfoque establece una base para futuras investigaciones en la aplicación de GNNs en problemas financieros.This study addresses the prediction of corporate credit ratings using Graph Neural Networks (GNNs), a novel approach that overcomes the limitations of traditional models in financial risk analysis. The objective is to improve both accuracy and scalability in the assignment of ratings by integrating financial relationships represented as graphs. The goals include implementing and evaluating advanced models such as Graph Convolutional Networks (GCNs) and Graph Attention Networks (GATs), comparing them with traditional algorithms, and analyzing the impact of inter-entity relationships on the results. The quantitative and empirical methodology involves collecting financial data, constructing graphs, and evaluating models using metrics such as accuracy and F1-score. The results show that GNNs outperform traditional models in terms of precision and their ability to capture complex relationships. This approach lays the groundwork for future research on the application of GNNs to financial problems.