En la actualidad, la calificación crediticia soberana no solo es un índice del desempeño económico y la estabilidad política de un país, sino también un indicador general del desarrollo y el crecimiento, así como del factor de confianza asociado con el país. Debido a su importancia, la gran cantidad de información disponible y la falta de una solución en forma cerrada, los modelos de predicción basados en técnicas de aprendizaje automático (ML) e inteligencia computacional (CI) están siendo cada vez más utilizados para complementar los enfoques financieros tradicionales. En este documento, nuestro objetivo es presentar un enfoque novedoso de ML-CI para la predicción de calificaciones crediticias soberanas basado en un algoritmo de evolución diferencial (DE) y álgebra booleana interpolativa (IBA). De hecho, el enfoque propuesto se basa en una función pseudo lógica en el marco de IBA derivada de los datos históricos de indicadores públicamente disponibles utilizando el algoritmo DE. Tales funciones son fácilmente interpretadas y permiten una gradación sutil entre los países. Se muestra que el enfoque IBA-DE supera a las redes neuronales de retropropagación en el problema observado, al mismo tiempo que proporciona una visión más profunda de cada uno de los indicadores utilizados para la predicción y su influencia respectiva en la calificación de predicción en los demás.