Análisis predictivo del estrés financiero en las empresas de actividades deportivas.

Abstract

This final degree project analyzes financial distress in sports-related companies using machine learning techniques applied to accounting data from the ORBIS repository. It began with a review of the academic literature on financial distress, which helped identify key variables. Given the sector’s growth and economic volatility, a predictive model was developed using the CRISP-DM methodology, incorporating algorithms such as Random Forest, SVM, and XGBoost. The results provide practical tools for managers, sponsors, and financial institutions, enhancing decision-making and economic sustainability. This work contributes to a better understanding of a largely unexplored sector and proposes replicable solutions for industries facing similar risks.

Este Trabajo de Fin de Título analiza el estrés financiero en empresas de actividades deportivas mediante técnicas de aprendizaje automático aplicadas a datos contables del repositorio ORBIS. Se comenzó realizando una revisión de la literatura académica sobre el fenómeno del estrés financiero, lo que permitió identificar variables clave. Dado el crecimiento y la volatilidad económica del sector, se construyó un modelo predictivo siguiendo la metodología CRISP-DM, utilizando algoritmos como Random Forest, SVM y XGBoost. Los resultados ofrecen herramientas útiles para gestores, patrocinadores y entidades financieras, mejorando la toma de decisiones y la sostenibilidad económica. Este trabajo contribuye al entendimiento de un sector poco explorado y propone soluciones replicables en industrias con riesgos similares.