Aplicación de metodologías de machine learning a la predicción de flujos de caja en los modelos de negocio de los trabajadores autónomos en la economía de mercado española

• Autores: Luis Palomero López de Armentia
• Directores de la Tesis: José Salvador Sánchez Garreta (dir. tes.) , Vicente García Jiménez (dir. tes.)
• Lectura: En la Universitat Jaume I ( España ) en 2026
• Idioma: español
• Número de páginas: 144
• Tribunal Calificador de la Tesis: Pedro Latorre Carmona (voc.)
• Menciones:
  • Industrial
• Calificación: Sobresaliente Cum Laude
• Enlaces
  • Tesis en acceso abierto en: TDX
• Resumen
  • español

    La incertidumbre es uno de los grandes problemas de los trabajadores autónomos, quienes apenas cuentan con herramientas avanzadas y específicas de soporte para la toma de decisiones financieras. Para corregir este problema, esta tesis desarrolla una de las principales herramientas: estimar cuánto va a ganar o cuál debe ser la cuota de la Seguridad Social. Para ello analizamos algoritmos avanzados como la lógica difusa, el aprendizaje profundo o los métodos generativos. Sorprendentemente, descubrimos que algoritmos más complejos rinden peor que otros más directos debido a que la poca y ruidosa información contable no permite distinguir entre señal y ruido. Con estas ideas, presentamos un algoritmo basado en la metodología “Ensemble”. Esta, que combina varias predicciones directas, ofrece resultados más robustos, consistentes y ecológicos que otros métodos más populares y complejos. Tanto simulaciones como pruebas reales demuestran que, además de efectivo y eficiente, ofrece soluciones reales al problema de la incertidumbre.

  • English

    This Industrial PhD thesis addresses the challenge of estimating the net returns of self-employed workers in Spain for the calculation of their Social Security contributions. Given the uncertainty and volatility of these financial time series, the efficacy of fuzzy logic and transformer models was evaluated, with the latter being discarded due to their high computational cost and biases. As a solution, a methodology based on a hybrid ensemble strategy was developed, combining parametric algorithms (ARIMA, ETS, SMA) and non-parametric algorithms (Wang-Mendel, Deep Forest). This system is integrated into a dynamic contribution adjustment algorithm designed to minimize tax discrepancies. Empirical results demonstrate that the proposed method significantly outperforms the current administrative approach and individual models, offering a robust and efficient solution that is currently implemented in a real production environment.