La gestión de la cadena de suministro es esencial para que las empresas manejen incertidumbres, mantengan la eficiencia y se mantengan competitivas. Los riesgos financieros pueden surgir de diversas fuentes internas y externas, impactando diferentes etapas de la cadena de suministro. Las empresas que gestionan eficazmente estos riesgos obtienen una comprensión más profunda de sus actividades de adquisición e implementan estrategias para mitigar las amenazas financieras. Este documento explora la evaluación de riesgos financieros en la gestión de la cadena de suministro utilizando técnicas avanzadas de aprendizaje profundo sobre grandes datos. Se utiliza el Autoencoder Serial Adaptativo en Cascada (ASCA), combinado con Memoria a Largo y Corto Plazo (LSTM) y Perceptrón Multicapa (MLP), para evaluar los riesgos financieros. Se utiliza un proceso de transformación de datos para limpiar y preparar los datos financieros para el análisis. Además, se emplea la Optimización de Enjambre Galáctico Sandpiper (SGSO) para optimizar el rendimiento del modelo de aprendizaje profundo. El modelo de predicción de riesgos financieros basado en SGSO-ASCALSMLP demostró una precisión superior en comparación con los métodos tradicionales. Superó a GRU (unidad recurrente con compuerta)-ASCALSMLP en un 3.03%, a MLP-ASCALSMLP en un 7.22%, a AE-LSTM-ASCALSMLP en un 10.7% y a AE-LSTM-MLP-ASCALSMLP en un 10.9% basado en el rendimiento del F1-score. El modelo SGSO-ASCALSMLP es altamente eficiente en la predicción de riesgos financieros, superando las técnicas de predicción convencionales y los algoritmos heurísticos, lo que lo convierte en un enfoque prometedor para mejorar la gestión de riesgos financieros en las redes de la cadena de suministro.