خوارزمية حمار وحشي تكيفية محسّنة مع آلة التعلم المتطرف النُواة المحسّنة لمشكلات التنبؤ بالإفلاس

لماذا يهم التنبؤ بفشل الشركات

عندما تنهار شركة، لا يتوقف الضرر عادة عند أبوابها فقط: تختفي الوظائف، تتخلف القروض عن السداد، تتلف سلاسل التوريد وتتذبذب الاقتصادات المحلية. لذا فإن القدرة على رصد إشارات الإنذار المبكر للإفلاس قبل سنوات لها قيمة ليس فقط لقادة الأعمال، بل أيضاً للبنوك والمستثمرين والمنظمين. تقدم هذه الدراسة نهجاً حاسوبياً جديداً يفلتر البيانات المالية للإشارة إلى الشركات المتعثرة في وقت أبكر وبمزيد من الاعتمادية مقارنة بالعديد من الأدوات الحالية.

طريقة أذكى لقراءة الإشارات المالية

تعتمد الأساليب التقليدية لتوقع الإفلاس عادة على علاقات خطية بسيطة بين عدد قليل من النسب المالية، مثل مستويات الدين أو السيولة النقدية. هذه الأساليب سهلة الفهم لكنها تواجه صعوبة مع الأنماط المعقدة وغير الخطية الموجودة في الحسابات الحقيقية للشركات، خصوصاً عندما تكون الأسواق متقلبة. في السنوات الأخيرة، حسّنت نماذج تعلم الآلة الدقة من خلال كشف أنماط دقيقة في البيانات التاريخية. أحد هذه الأساليب، المسمى آلة التعلم المتطرف النُواة (Kernel Extreme Learning Machine)، يمكنه تعلم العلاقات المعقدة بسرعة، لكن نجاحه يعتمد على اختيار زوج من الإعدادات الداخلية بدقة. الاختيارات السيئة قد تجعل توقعاته غير موثوقة، وطرق البحث الشائعة لضبط هذه الإعدادات بطيئة ومعرضة للانحراف.

الحمار الوحشي يلهم استراتيجية بحث أفضل

استلهم المؤلفون من الطبيعة، مستفيدين من طريقة قطيع الحمير الوحشية في البحث عن الطعام والدفاع عن نفسه. في نموذجهم الحاسوبي، يمثل كل حمار وحشي حلاً محتملاً لمشكلة تحسين—هنا، إعداد معين لنموذج تعلم الآلة. النسخ الأقدم من ما يسمى خوارزمية الحمار الوحشي حَرَّكت القطيع عبر فضاء البحث، لكنها كانت تميل إلى فقدان التنوع بسرعة والوقوع في حلول متوسطة. لإصلاح ذلك، صمّم الباحثون نسخة محسّنة تُدعى EAZOA، تحتفظ بسجل لأفضل «الحمير الوحشية»، وتسمح لبعضها بالقفزات الاستكشافية الطويلة أحياناً، وتتعامل مع حدود فضاء البحث بعناية إضافية حتى لا تُهمل الحلول الجيدة القريبة من الحواف.

اختبار القطيع الجديد على مشكلات صعبة

قبل تطبيق EAZOA على بيانات مالية حقيقية، اختبر الفريق الخوارزمية على مسائل رياضية مرهقة تُستخدم على نطاق واسع كمقاييس معيارية لخوارزميات البحث. عبر العديد من هذه التحديات، وعلى مستويات تعقيد متوسطة وعالية، وجدت EAZOA إجابات أفضل باستمرار وببتقلبات أقل مقارنة بعدة منافسين معروفين، بما في ذلك خوارزميات السرب الجسيمي، الذئب الرمادي وخوارزميات مستوحاة من الحوت، فضلاً عن النهج الأصلي للحمار الوحشي. تقاربت بسرعة أكبر نحو حلول عالية الجودة مع الحفاظ على استكشاف كافٍ لتجنب الوقوع في مآزق محلية، مما أظهر توازناً جيداً بين البحث الواسع والضبط الدقيق.

تحويل البحث الأفضل إلى توقعات إفلاس أدق

لمعرفة ما إذا كانت هذه المكاسب ذات أهمية عملية، دمج المؤلفون EAZOA مع آلة التعلم المتطرف النُواة ودربوا النموذج الناتج على مجموعة بيانات بولندية معروفة تحتوي على 30 نسبة مالية لـ240 شركة، نصفها تقريباً أفلست لاحقاً. استخدموا تقاطعات تحقق متقنة، أعادوا فيها خلط وتقسيم البيانات مع الحفاظ على نسبة الشركات الفاشلة والصحية، للتحقق من قدرة النظام على التعميم إلى حالات غير مرئية. بالمقارنة مع نسخ من نفس آلة التعلم التي ضُبطت عبر مخططات تحسين أخرى، حقق النموذج المعزَّز بـEAZOA أعلى الدرجات على مقاييس معيارية مثل الدقة والدقة النوعية والاستدعاء ومقياس F1، وحقق ذلك بأداء مستقر نسبياً عبر التجارب المتكررة.

ما يعنيه هذا لمراقبي المخاطر في العالم الحقيقي

بالنسبة لغير المتخصصين، الرسالة الرئيسية هي أن كيفية ضبط نموذج تنبؤي قد تكون مهمة بنفس قدر أهمية النموذج نفسه. من خلال توجيه قطيع افتراضي من الحمير الوحشية بذكاء أكبر عبر فضاء الإعدادات الممكنة، يحصل الباحثون على أداة إنذار مبكر أسرع وأكثر موثوقية للضائقة المؤسسية. مع أن النتائج الحالية مبنية على مجموعة بيانات متوسطة الحجم من بلد واحد، إلا أنها تشير إلى أن استراتيجيات البحث المستوحاة من الطبيعة، عندما تقترن بتقنيات تعلم حديثة، قد تصبح مكوّنات مفيدة في أنظمة مراقبة الصحة المالية، مما يساعد المديرين والمقرضين والمنظمين على التحرك قبل أن تصل الشركة المتعثرة إلى نقطة اللاعودة.

الاستشهاد: Liu, W., Zhang, Y. & Du, M. Enhanced adaptive zebra optimization algorithm optimized kernel extreme learning machine for bankruptcy prediction problems. Sci Rep 16, 10268 (2026). https://doi.org/10.1038/s41598-026-40651-y

الكلمات المفتاحية: التنبؤ بالإفلاس, المخاطر المالية, تعلم الآلة, خوارزمية تحسين, خوارزمية حمار وحشي