Este documento propone un modelo de aprendizaje automático explicable de alerta temprana para predecir el distress financiero, que se generaliza entre las corporaciones nórdicas que cotizan en bolsa. Desarrollamos un conjunto de datos novedoso, que abarca el período desde el primer trimestre de 2001 hasta el segundo trimestre de 2022, en el que combinamos datos idiosincráticos de estados financieros trimestrales, información de los mercados financieros e indicadores de tendencias macroeconómicas. El modelo preferido de LightGBM, cuyas características se seleccionan aplicando inteligencia artificial explicable, supera a los modelos de referencia por un margen notable en las métricas de evaluación. Encontramos que las características relacionadas con la liquidez, la solvencia y el tamaño son indicadores altamente importantes de la salud financiera y, por lo tanto, variables cruciales para pronosticar el distress financiero. Además, mostramos que tener en cuenta explícitamente la estacionalidad, en combinación con información de la entidad, del mercado y macro, mejora el rendimiento del modelo.