Los conjuntos de datos desequilibrados son uno de los principales problemas encontrados por los investigadores de inteligencia artificial, ya que los algoritmos de aprendizaje automático (ML) pueden sesgarse hacia la clase mayoritaria y tener un rendimiento insuficiente en las clases minoritarias. La angustia financiera (FD) es una de las numerosas aplicaciones del mundo real de ML que lucha con este problema. Además, el tema de la angustia financiera despierta un considerable interés tanto para académicos como para profesionales debido a los indicadores no determinados de los estados de condición. Esta investigación se centra en la participación de técnicas de equilibrio según diferentes estados de condición de FD.