This paper offers an exhaustive analysis of the effectiveness of several models and methodologies that are commonly used to forecast financial failure: Linear, MDA, Logit, and artificial neural network. Our main aim is to evaluate their relative strengths and weaknesses, in terms of technical reliability and error cost; to do so, models are estimated and validated, and then used to perform an artificial simulation to evaluate which of them causes the lower cost of errors. Reliability is examined in four forecast horizons, to collect evidences about temporal (in) stability. We also check the relative advantages of financial ratios-based models, versus audit-based forecast models. Our results suggest that all models attain a high performance rate; however, artificial neural networks’ forecasts seem to be more stable, both in temporal and cross-sectional perspectives.En este artículo aportamos evidencia empírica de predicción del fallo financiero en empresas no financieras. Hemos desarrollado diversos modelos para la evaluación del riesgo de fallo financiero en PYME. Contrastada la capacidad predictiva de modelos paramétricos (análisis discriminante multivariante, LOGIT) comparando con la información aportada por la auditoria. Los modelos están fundamentados en variables financieras relevantes y ratios, de lógica financiera y en situaciones de estrés. Examinamos una muestra aleatoria de empresas, comprobando la capacidad predictiva en distintos momentos del tiempo, verificando si los modelos muestran señales anticipadas de futuros eventos de fallo financiero, simulando el impacto de los costes de los errores de estimación en función del modelo previsional. Los resultados sugieren que nuestros modelos son efectivos en el corto y medio plazo, ofreciendo mayor capacidad predictiva que las auditorías externas.