Predicción de bancarrota puede tener gran utilidad para las instituciones financieras y no financieras con respecto a tomar de antemano las mejores decisiones posibles con respecto a los préstamos o inversiones. En la literatura específica, muchos de los modelos de predicción de bancarrota han hecho uso de minería de datos (data mining). En la etapa de pre-procesamiento es importante seleccionar datos de buena calidad para su uso en las operaciones mineras. Sin embargo, aunque la selección de atributos puede ser muy beneficioso para los datos representativos pre-selección para mejorar el rendimiento final previsto, no se sabe qué método es la mejor selección. Este trabajo tiene como principal objetivo comparar dos enfoques para la evaluación de los subconjuntos de atributos: con filtro y envoltura. A pesar de que se basan en técnicas de minería de datos y ampliamente utilizados en la selección de características en los modelos de predicción de la etapa de la insolvencia, estas técnicas son raramente utilizados para tratar datos de los estados financieros de las empresas brasileñas. Así que la base empírica de este estudio consiste en una muestra de empresas comerciales e industriales de Brasil, mediante la recopilación de datos para el período 2004-2011. Los resultados indicaron que, en este ejemplo, el enfoque de filtro fue más eficiente, proporcionando mejores resultados de la clasificación tanto para la regresión logística (91,80%) y de redes neuronales (93,98%). También se demostró la importancia de hacer explícita la etapa de evaluación de la selección de atributos para lograr mejores resultados en la aplicación de técnicas de minería de datos para predecir la insolvencia. Una conclusión específica acerca de las ventajas del enfoque de filtro de muestra que puede ser preferible para evaluar los atributos que harán modelos predictivos.
Indicadores financieros; Insolvencia; Minería de datos; Selección de atributos; Filtro y envoltura enfoques
