El estrés financiero representa un riesgo significativo para las empresas en todo el mundo, independientemente de su naturaleza o tamaño. Se refiere a una situación en la que una empresa no puede cumplir con sus obligaciones financieras a tiempo, lo que puede llevar a la quiebra y liquidación. Predecir el estrés se ha convertido en una aplicación crucial en la clasificación empresarial, empleando tanto enfoques estadísticos como técnicas de inteligencia artificial. Los investigadores a menudo comparan el rendimiento de predicción de diferentes técnicas en conjuntos de datos específicos, pero no existen resultados consistentes que establezcan un modelo como superior a otros. Cada técnica tiene sus propias ventajas y desventajas, dependiendo del conjunto de datos. Estudios recientes sugieren que combinar múltiples clasificadores puede mejorar significativamente el rendimiento de la predicción. Sin embargo, tales métodos de conjunto heredan tanto las fortalezas como las debilidades de los clasificadores constituyentes. Este estudio se centra en analizar y comparar el estado financiero de las empresas de fabricación de automóviles en India. Se utilizaron datos de una muestra de 100 empresas automovilísticas entre 2013 y 2019. Se implementó un novedoso algoritmo de imputación de valores faltantes en tres pasos, basado en características de la empresa, para manejar eficazmente los datos financieros faltantes. Este estudio evalúa el rendimiento de 11 clasificadores base individuales y todas las combinaciones de los 11 algoritmos base utilizando el método de conjunto. Se utilizó un enfoque de clasificación manual basado en rangos para evaluar el rendimiento de 2047 modelos. Los resultados de cada combinación se introducen en un algoritmo de mecanismo de votación mayoritaria dura para predecir el estrés financiero de una empresa. Se entrenan y evalúan once modelos base, siendo el Gradient Boosting el que exhibe la mayor precisión. Luego se aplica la optimización de hiperparámetros para mejorar el rendimiento de los clasificadores base individuales. El mecanismo de votación mayoritaria con clasificadores base ajustados por hiperparámetros logra una alta precisión. La robustez del modelo se prueba a través de la validación cruzada k-fold, demostrando su capacidad de generalización. Después de ajustar los hiperparámetros, la investigación experimental arrojó una precisión del 99.52%, superando el rendimiento de estudios anteriores. Además, resulta en la ausencia de errores de Tipo I.