La información juega un rol fundamental en los mercados financieros. Las noticias el sentimiento de mercado o los resultados financieros de las empresas son claves para los inversionistas. Asimismo, la evolución de la tecnología ha permitido un análisis más eficaz de la información y ha desarrollado nuevas formas de visualización, es así como el machine learning ha permitido usar información poco común para los inversionistas como son las redes sociales (Twitter), noticias de periódicos (Wall Street Journal) o los earnings calls de las empresas para extraer datos relevantes. Por otro lado, las transcripciones de los earnings calls son públicas y contienen los nombres de los participantes de la llamada (ejecutivos y analistas), la presentación donde se exponen los resultados del trimestre y ciertas proyecciones o tendencias de los siguientes trimestres. El estudio se enfoca en combinar dos algoritmos distintos de clasificación usados dentro del machine learning (Random Forest Classifier y Naive Bayesian) y así ayudar a analizar y predecir el comportamiento de los earning calls en el movimiento de las acciones de empresas mineras (Southern Copper Corporation, Trevali Mining Corp, Compañía de Minas Buenaventura y Minsur) que cotizan en la Bolsa de Valores de Lima (BVL), así como clasificar el transcrip en sentimientos negativos, positivos y neutros.

En los últimos años, se ha producido una intensa producción de investigación académica con respecto a los modelos que estiman o predicen los eventos de incumplimiento de pago, debido al mayor interés de las empresas por mantener una mejor gestión de riesgo de crédito. Por ello, el presente trabajo tiene como principal objetivo comparar la capacidad predictiva de los modelos tradicionales o estadísticos (Regresión Logística) contra modelos Machine Learning (XGBoost y Random Forest). Para lo cual, se emplea una muestra de compañías latinoamericanas que emitieron bonos corporativos durante el período de 1990 a 2022, analizando así un total de 389 empresas. Asimismo, se usó Bloomberg, como fuente de información para extraer los ratios financieros con frecuencia trimestral en el periodo ya mencionado, obteniendo así 51,060 observaciones. Una de las características de este trabajo es que se usaron las variables del modelo de puntaje Z de Altman junto con otros ratios financieros complementarios, para así mejorar la precisión de los modelos. Sin embargo, para la determinación del mejor modelo predictivo, se usaron las métricas de clasificación como el AUC (Área bajo la curva ROC), Precisión, Recall y Score F1, y los resultados mostraron que los modelos de Machine Learning tuvieron un mejor rendimiento de clasificación con respecto a la Regresión logística, siendo el modelo Random Forest el que mejor performance según las métricas de evaluación.