Predecir los colapsos del mercado de valores es difícil porque tales eventos son raros, altamente no lineales y están moldeados por fuerzas estructurales y conductuales latentes. Este estudio presenta un marco de Random Forest calibrado e interpretable para detectar condiciones previas al colapso a través de la ingeniería de características estructurales, la calibración de advertencias tempranas y la explicabilidad del modelo. Utilizando datos diarios sobre índices de acciones globales y principales acciones de gran capitalización de EE. UU., Europa y Asia, construimos un conjunto de características que captura la expansión de la volatilidad, el deterioro de la media móvil, el ancho de las Bandas de Bollinger y la dinámica de retornos a corto plazo. La optimización del umbral de probabilidad mejora significativamente la sensibilidad a eventos raros y produce un punto de operación en un umbral de probabilidad de colapso de 0.33. En comparación con los puntos de referencia econométricos y de aprendizaje automático, el modelo calibrado alcanza una mayor precisión mientras mantiene puntuaciones competitivas de F1 y MCC, y proporciona señales de advertencia temprana significativas con un tiempo de anticipación promedio de alrededor de 60 días. El análisis de SHAP indica que las predicciones están ancladas en indicadores teóricamente consistentes, particularmente en la agrupación de la volatilidad y las tendencias de debilitamiento, mientras que los controles de robustez muestran resistencia al ruido, perturbaciones estructurales y colapsos simulados. En conjunto, estos resultados proporcionan un plan transparente y reproducible para construir sistemas operativos de advertencia temprana en los mercados financieros.