La predicción de quiebras ha sido ampliamente investigada utilizando metodologías de ratios financieros. Un factor involucrado es la calidad de la cartera de préstamos que se posee. Por lo tanto, tener un modelo para clasificar/predicir la posición de cada candidato a préstamo basado en varias características es importante. En este trabajo, se discute una aplicación del enfoque de aprendizaje automático en finanzas matemáticas y banca. Se muestra cómo podemos clasificar algunas carteras de préstamos de bancos bajo varias características como categorías de calificación y diversas madureces. También se proporcionan actualizaciones dinámicas de la cartera junto con las principales probabilidades que muestran cómo los datos financieros de este tipo pueden ser clasificados. Las discusiones y resultados revelan que un buen algoritmo para realizar dicha clasificación en grandes datos económicos de este tipo es el de los vecinos más cercanos (KNN) junto con la paralelización incluso sobre la máquina de vectores de soporte, bosques aleatorios y técnicas de redes neuronales artificiales para ahorrar tanto como sea posible en tiempo computacional.