En la literatura contable, encontramos el uso de redes neuronales (NN) para predecir datos de insolvencia del último año financiero antes de la quiebra, con una tasa de éxito inferior al 85%. El objetivo de este trabajo es aumentar el poder predictivo de los modelos de NN para discriminar entre empresas solventes e insolventes, incorporando con este propósito un nuevo conjunto de ratios financieros. Una muestra de alrededor de 500 empresas industriales europeas que se declararon en quiebra entre 2007 y 2009 se enfrentó a aproximadamente 500 empresas solventes, emparejadas entre ellas por año, país y tamaño de activos.
Para ello, hemos utilizado cinco conjuntos de datos de entrada diferentes para entrenar las NN. Para cada conjunto de entrada, se entrenaron 20 NN para cada número de neuronas en la capa oculta, desde 1 hasta 50 neuronas, dando un total de 5,000 NN entrenadas.
El modelo propuesto predice correctamente el 92.5 y el 92.1 por ciento de las estimaciones del conjunto de entrenamiento y del conjunto de prueba (precisión), respectivamente, utilizando información financiera de dos años antes de la quiebra
