ANÁLISIS DE EMPRESAS MEDIANTE ALGORITMOS DE REGRESIÓN, CLUSTERING Y FORECASTING

Abstract

El presente trabajo propone un marco metodológico que incide en el estudio de indicadores relativos a los estados financieros de un conjunto de empresas del sector tecnológico mediante la aplicación de algoritmos de Machine Learning. El proceso parte de la recopilación y limpieza de datos financieros obtenidos principalmente de FactSet, seguido por su estandarización y normalización. Posteriormente, se seleccionan variables clave y se aplican modelos de predicción (Facebook Prophet) para proyectar estados financieros y hacer un análisis fundamental de las empresas. Además, se lleva a cabo una revisión rápida de la teoría del Random Walk y su relación con las redes neuronales recurrentes LSTM cuando se aplican a la predicción del valor de la acción. Por otro lado, se realiza una regresión lineal múltiple (MLR) en la que se determina la dependencia lineal y correlación entre las variables seleccionadas y el desempeño de las empresas a futuro. La tercera aproximación consiste en una segmentación de las empresas mediante clustering no supervisado (K-means) en tres intervalos de tiempo distintos: cinco, tres y un año, con el objetivo de identificar distintos perfiles empresariales según su evolución, permitiendo distinguir entre empresas en crisis, estables o con alto potencial de crecimiento. Aunque el uso de ML no reemplaza el juicio experto, sí proporciona una herramienta complementaria que mejora la precisión, la eficiencia y la profundidad del análisis financiero. Este enfoque permite pues, identificar oportunidades de inversión más informadas en un entorno cada vez más complejo y dinámico.

This work proposes a methodological framework focused on the study of indicators related to financial statements of a group of technology sector companies through the application of Machine Learning algorithms. The process begins with the collection and cleaning of the financial data obtained from FactSet, followed by their standardization and normalization. Key variables are then selected and predictive models (Facebook Prophet) used to project financial information in order to conduct a fundamental analysis of the companies. Additionally, a brief review of the Random Walk theory is carried out, along with its relation to recurrent neural networks (LSTM) when used to predict stock prices. On the other hand, a Multiple Linear Regression is done with the objective of determining the linear dependency and correlation between selected variables an the future performance of the companies. The final approach consists of an unsupervised clustering (K-means) in three different time intervals: five, three and one year. This aims to identify different business profiles based on their evolution, allowing a distinction between companies in crisis, stable companies, and those with high growth potential. Although ML use is not replacing expert judgment, it provides a complementary tool that enhances precision, efficiency and depth to the financial analysis. This approach enables the identification of more informed opportunities in an increasingly complex and dynamic economic environment.