Interpretabilidad de Redes Neuronales Aplicadas a la Predicción de Quiebra Empresarial usando NN2Poly

Abstract

Este trabajo analiza el trade-off entre la precisión predictiva y la interpretabilidad en la predicción de la quiebra empresarial. Aunque las redes neuronales ofrecen un alto rendimiento predictivo, su naturaleza de “caja negra” limita su uso en la toma de decisiones financieras. Para abordar este problema, el estudio aplica NN2Poly, una técnica que transforma una red neuronal entrenada en un modelo polinómico interpretable. Se entrena una red neuronal utilizando datos financieros a nivel de empresa para predecir el riesgo de quiebra, y posteriormente se emplea NN2Poly para extraer una representación simbólica del modelo. Los resultados muestran que el modelo polinómico replica de forma fiel las predicciones originales, al mismo tiempo que permite identificar los principales factores de riesgo financiero. En particular, la rentabilidad y las variables relacionadas con la deuda aumentan el riesgo de quiebra, mientras que el tamaño de la empresa ejerce un efecto estabilizador. En conjunto, el estudio demuestra que NN2Poly puede mejorar la transparencia sin sacrificar la capacidad predictiva, contribuyendo al desarrollo de modelos de riesgo financiero más interpretables y fiables.

This thesis analyzes the trade-off between predictive accuracy and interpretability in corporate bankruptcy prediction. While neural networks provide strong predictive performance, their “black-box” nature limits their use in financial decision-making. To address this, the study applies NN2Poly, a technique that converts a trained neural network into an interpretable polynomial model. A neural network is trained on firm-level financial data to predict bankruptcy risk, and NN2Poly is then used to extract a symbolic representation of the model. Results show that the polynomial model closely replicates the original predictions while revealing key drivers of financial distress. In particular, profitability and debt-related variables increase bankruptcy risk, whereas firm size has a stabilizing effect. Overall, the study demonstrates that NN2Poly can enhance transparency without sacrificing predictive performance, contributing to more interpretable and reliable financial risk models.