El propósito de este documento es prever el riesgo crediticio soberano para Egipto, Marruecos y Arabia Saudita durante crisis políticas. Nuestro enfoque utiliza modelos de aprendizaje automático (Regresión Lineal, Regresión Ridge, Regresión Lasso, XGBoost y Kernel Ridge) y modelos de aprendizaje profundo (RNN, LSTM, BiLSTM y GRU) para predecir las probabilidades de incumplimiento implícitas basadas en CDS. Comparamos la precisión predictiva de los modelos probados con los resultados que muestran que la Regresión Lineal supera a todas las demás técnicas, mientras que las arquitecturas de aprendizaje profundo, como RNN y GRU, demuestran un rendimiento competitivo. Para validar la predicción del riesgo crediticio soberano, utilizamos la probabilidad de incumplimiento implícita pronosticada del modelo de Regresión Lineal para determinar la calificación implícita pronosticada correspondiente según el modelo de Riesgo Soberano de Thomson Reuters StarMine. Los resultados revelan diferencias significativas en la solvencia percibida de Egipto, Marruecos y Arabia Saudita, reflejando los fundamentos económicos de cada país y su capacidad para gestionar choques globales, particularmente aquellos relacionados con la guerra ruso-ucraniana. Específicamente, Egipto es percibido como el más vulnerable, Marruecos ocupa una posición intermedia y Arabia Saudita es vista como teniendo un bajo riesgo crediticio. Este estudio proporciona valiosos conocimientos gerenciales al mejorar las herramientas para el análisis del riesgo crediticio soberano, ofreciendo una toma de decisiones confiable en mercados globales volátiles. La alineación entre las calificaciones pronosticadas y las probabilidades de incumplimiento subraya la relevancia práctica de los resultados, guiando a las partes interesadas en la gestión efectiva de los riesgos crediticios en medio de la incertidumbre económica.