Inteligencia artificial para la predicción de presupuestos financieros: las redes neuronales marcan el camino

Resumen

La predicción de presupuestos financieros sigue siendo un reto sin resolver. La mayoría de los estudios se centran en mercados de alta frecuencia, como la predicción de cotizaciones bursátiles, dejando de lado el ámbito presupuestario. Este trabajo aborda esa laguna. Evaluamos cuatro técnicas de inteligencia artificial para la predicción presupuestaria: árboles de decisión, bosques aleatorios, regresión lineal y perceptrón multicapa. Además, implementamos una versión híbrida, MLP_GA, en la que los hiperparámetros de la red se optimizan mediante un algoritmo genético. Para el entrenamiento y la validación, utilizamos dos conjuntos de datos originales que no están disponibles públicamente: estados financieros trimestrales de entidades mexicanas (2010-2024) y estados financieros mensuales de organizaciones ecuatorianas (2019-2022). Ambos presentan características típicas de las economías emergentes, incluyendo episodios de alta inflación, devaluaciones monetarias, cambios en la política fiscal y la crisis de la COVID-19. Los resultados muestran que MLP_GA alcanza un rendimiento predictivo superior en comparación con el perceptrón multicapa estándar y las demás técnicas. La optimización mediante algoritmos genéticos permite explorar superficies de error multimodales y no convexas, encontrando configuraciones de hiperparámetros (número de neuronas ocultas, tasa de aprendizaje, coeficiente de regularización L2, número máximo de iteraciones y tolerancia de detención temprana) que reducen significativamente el sobreajuste, un problema crítico cuando se trabaja con series temporales cortas de sólo cuarenta a sesenta observaciones trimestrales. Las pruebas estadísticas confirman que las diferencias son significativas. La contribución es triple. En primer lugar, en cuanto al ámbito de aplicación, presentamos la primera evaluación sistemática y comparativa de modelos híbridos que combinan algoritmos genéticos con perceptrones multicapa aplicados específicamente a la predicción de presupuestos financieros, lo que nos distingue de los estudios existentes que se centran casi exclusivamente en la predicción bursátil de alta frecuencia. En segundo lugar, en cuanto al contexto geográfico, validamos nuestros modelos en dos economías latinoamericanas que la literatura ha ignorado sistemáticamente: México y Ecuador, una región que representa menos del uno por ciento de los conjuntos de datos utilizados en la literatura según metaanálisis recientes. En tercer lugar, en lo que respecta a la justificación metodológica, demostramos que la optimización genética resulta especialmente eficaz con conjuntos de datos de tamaño moderado, en los que arquitecturas más complejas, como las LSTM o los transformadores, adolecen de sobreajuste debido a su elevado número de parámetros. La combinación de análisis mensuales y trimestrales mejora la robustez del modelo, lo que permite un rendimiento preciso tanto en escenarios a corto plazo como en proyecciones más amplias. Estos hallazgos sugieren que el enfoque MLP_GA puede mejorar la elaboración de presupuestos financieros en contextos con limitaciones de datos. El artículo concluye con un debate sobre las limitaciones y las líneas de investigación futuras.