Durante las últimas décadas, el aprendizaje automático ha constituido una herramienta significativa para extraer conocimiento útil de datos económicos que asisten en la toma de decisiones. En este trabajo, evaluamos el rendimiento de las redes neuronales recurrentes con restricción de peso en la predicción de problemas de clasificación económica. Estas redes se entrenan eficientemente con un algoritmo de entrenamiento recientemente propuesto, el cual tiene dos ventajas principales. En primer lugar, explota la eficiencia numérica y los bajos requisitos de memoria de las matrices BFGS de memoria limitada; en segundo lugar, utiliza una estrategia de proyección de gradiente para manejar los límites en los pesos. Los experimentos numéricos reportados presentan la precisión de clasificación del modelo propuesto, proporcionando evidencia empírica de que la aplicación de límites en los pesos de la red neuronal recurrente proporciona un aprendizaje más estable y confiable.