خوارزمية تحسين النسر بالقضاء على النخبة مع آلة التعلم المتطرف النواة المُحسَّنة لمشكلات التنبؤ بالإفلاس

لماذا يكون كشف المشكلات مبكرًا مهمًا

عندما تفلس شركة، نادرًا ما يتوقف الضرر عند أبوابها فقط. يفقد العمال وظائفهم، قد لا يتلقى الموردون مستحقاتهم، تتكبّد البنوك والمستثمرون خسائر، وقد تتأثر مناطق بأكملها بالصدمة. بعد الأزمات الأخيرة واضطرابات سلسلة التوريد، يسعى المقرضون والجهات الرقابية على نحو عاجل إلى أدوات يمكنها تحذيرهم عندما تكون شركة ما في طريقها نحو مشكلة مالية خطيرة. تقدم هذه الورقة نموذجًا جديدًا للذكاء الاصطناعي يهدف إلى فعل ذلك بالضبط: فرز بيانات مالية معقدة والإشارة إلى الشركات التي تنزلق بهدوء نحو الإفلاس، بدقة وكفاءة أكبر من العديد من الطرق الحالية.

تعليم الحواسيب قراءة إشارات التحذير المالي

النماذج الإحصائية التقليدية، وحتى أجيال أقدم من تعلم الآلة، تكافح مع الطبيعة الفوضوية وغير الخطية للبيانات المالية الحقيقية. الشبكات العصبية وآلات الدعم الناقل يمكنها التقاط أنماط معقدة، لكنها غالبًا ما تتدرب ببطء وقد تعلق في حلول "محلية" ليست الأفضل حقًا. نهج أحدث، يسمى آلة التعلم المتطرف النواة (KELM)، يتدرب بسرعة كبيرة وعادةً ما يقدم توقعات قوية، لكنه لديه قيد: أداؤه يعتمد على اختيار الإعدادات الصحيحة لعدد قليل من المعاملات الأساسية. اختيار هذه الإعدادات يدويًا صعب وقد يؤدي إلى نماذج مفرطة الثقة تفشل عندما تتغير الظروف.

بحث مستوحى من الطبيعة لنماذج أفضل

لضبط KELM تلقائيًا، يلجأ المؤلفون إلى فئة من الخوارزميات المستوحاة من سلوك الحيوان، التي تبحث عن حلول جيدة عبر تحريك "سرب" من الإجابات المرشحة عبر مشهد من الاحتمالات. يبنون على طريقة حديثة مستوحاة من عادات صيد النسر البحري. النسخة الجديدة، المسماة خوارزمية تحسين النسر بالقضاء على النخبة (EEOOA)، تضيف ثلاث أفكار: تسمح للسرب بالتعلم في المقام الأول من أعضائه الأفضل، تستخدم طريقة ذكية للقيام أحيانًا بقفزات كبيرة للهروب من الطرق المسدودة، وتزيل تدريجيًا المرشحين الضعفاء بينما تولد مرشحين جددًا بالقرب من أفضل حل تم العثور عليه حتى الآن. قاعدة حدود مخصصة تحافظ على جميع المرشحين في مناطق واعدة بدل إضاعة الجهد على قيم مستحيلة أو غير ذات صلة. مجتمعة، تساعد هذه التعديلات البحث على التركيز بسرعة وموثوقية أكبر على إعدادات المعاملات عالية الجودة.

إثبات فعالية البحث على مشاكل اختبار صعبة

قبل الوثوق بـ EEOOA في قرارات مالية حقيقية، تختبرها الفرق أولًا على اختبارات معيارية رياضية صعبة تُستخدم على نطاق واسع لمقارنة طرق التحسين. تم تصميم هذه الدوال لتكون خادعة، مع العديد من القمم والقيعان المحلية التي يمكن أن تحاصر استراتيجيات البحث الساذجة. عبر عشرات مثل هذه المشكلات بأبعاد مختلفة، تتقارب الخوارزمية الجديدة بشكل أسرع وتصل أقرب إلى أفضل الحلول المعروفة مقارنة بسبعة منافسين معروفين، بما في ذلك محسنو الذئب الرمادي والحوت والطريقة الأصلية للنسر البحري. تُظهر المقارنات التفصيلية ودراسات الازالة — حيث تُفصل التحسينات الفردية لتقييم تأثيرها — أن كلًّا من الآليات الثلاث تُضيف قيمة، وأنها معًا توفر سلوك بحثي أكثر استقرارًا ودقة.

تحويل البحث الأفضل إلى توقعات إفلاس أفضل

مسلحين بهذا المحسّن، يبني المؤلفون بعد ذلك نظامًا كاملاً للتنبؤ بالإفلاس، EEOOA-KELM. يزودونه بمجموعة بيانات واقعية تضم 240 شركة بولندية، مقسمة بين شركات أفلست لاحقًا وأخرى بقيت قادرة على الوفاء بالتزاماتها، موصوفة بواسطة 30 نسبة مالية مثل الربحية، عبء الدين، وكفاءة التشغيل. في كل جولة من الاختبار، يبحث EEOOA عن أفضل إعدادات KELM بتقليل أخطاء التصنيف تحت تحقق متعدد صارم (cross-validation)، إجراء يعيد خلط البيانات مرارًا إلى مجموعات تدريب واختبار لتجنب الإفراط في الملاءمة. يُقارن النموذج الناتج بعد ذلك بنُسخ من KELM مضبوطة بواسطة خوارزميات تحسين أخرى. يحقق EEOOA-KELM أعلى الدرجات عبر الدقة والدقة النوعية والاسترجاع ودرجة F1، مع إظهار أقل تباين بين مرات التشغيل — علامة على المتانة بدلاً من الحظ.

ماذا يعني هذا لمراقبة المخاطر في العالم الحقيقي

لغير المختصين، الخلاصة الأساسية هي أن المؤلفين بنوا محرك إنذار مبكر أكثر موثوقية لضائقة الشركات. بدل محاولة تخمين أي تراكيب من المؤشرات المالية وإعدادات النموذج قد تشير إلى الإفلاس الوشيك، يتيحون لعملية بحث مصممة بعناية استكشاف الاحتمالات والتثبيت على تلك التي تؤدي أفضل عند اختبارها مرارًا. على عينة الشركات البولندية، هذا يحقق مكاسب متواضعة لكن ذات مغزى في التعرف الصحيح على الشركات المتعثرة مع تجنب الإنذارات الكاذبة. رغم أن الدراسة محدودة بمجموعة بيانات ودولة واحدة، فإن النهج عام: مع بيانات مناسبة، يمكن لنفس الجمع بين مصنف يتعلم سريعًا ومحسّن محسّن مستوحى من الطيور أن يساعد البنوك والمستثمرين والجهات الرقابية على مراقبة الصحة المالية بدقة أكبر والتدخل أبكر عندما تبدأ الشركات في التراجع.

الاستشهاد: Liu, W., Wu, H., Wang, T. et al. Elite elimination osprey optimization algorithm optimized kernel extreme learning machine for bankruptcy prediction problems. Sci Rep 16, 6246 (2026). https://doi.org/10.1038/s41598-026-37249-9

الكلمات المفتاحية: التنبؤ بالإفلاس, المخاطر المالية, تعلم الآلة, خوارزمية التحسين, أنظمة الإنذار المبكر