Eine denkende Innovationsstrategie basierend auf dem Northern-Goshawk-Optimizer verbesserte Extreme Learning Machine zur Insolvenzprognose

Warum Vorhersagen von Unternehmensschwierigkeiten wichtig sind

Wenn ein Unternehmen plötzlich insolvent wird, verlieren Beschäftigte ihre Jobs, Anleger verlieren Geld und Banken tragen schmerzhafte Verluste. Wenn sich finanzielle Probleme Jahre im Voraus erkennen ließen, hätten Kreditgeber, Aufsichtsbehörden und Manager mehr Zeit zu reagieren. Diese Arbeit stellt einen neuen Ansatz zur Vorhersage vor, welche Unternehmen wahrscheinlich scheitern werden, und kombiniert dabei schnelles maschinelles Lernen mit einer von der Jagd eines Greifvogels inspirierten Suchstrategie.

Bilanzkennzahlen in Frühwarnsignale verwandeln

Die Autoren konzentrieren sich auf eine Aufgabe, mit der Banken und Prüfer täglich konfrontiert sind: zu entscheiden, ob ein Unternehmen auf Basis detaillierter Zahlen gesund aussieht oder kurz vor dem Kollaps steht. Dies wird als Ja‑oder‑Nein-Entscheidung behandelt: Jede Firma wird entweder als insolvent oder nicht insolvent klassifiziert. Moderne KI‑Methoden wie neuronale Netze und Support‑Vector‑Machines erfüllen diese Aufgabe bereits, können jedoch langsam im Training sein und stark davon abhängen, wie ihre internen Einstellungen gewählt werden. Eine neuere Methode namens Kernel Extreme Learning Machine (KELM) kann deutlich schneller lernen und komplizierte, nichtlineare Muster in Finanzkennzahlen handhaben, aber ihre Genauigkeit hängt weiterhin stark von zwei wichtigen internen Parametern ab, die manuell nur schwer zu justieren sind.

Lernen von der Jagd eines Vogels

Um diese verborgenen Einstellungen zu optimieren, greifen die Forscher auf eine jüngere Klasse von Suchverfahren zurück, die als metaheuristische Algorithmen bekannt sind. Statt jede Möglichkeit auszuprobieren durchstreifen diese Methoden die Optionslandschaft intelligenter und übernehmen oft Strategien aus der Natur. Hier baut das Team auf dem Northern‑Goshawk‑Optimizer auf, inspiriert von der Art und Weise, wie diese Habichte Beute orten und verfolgen. In der Grundversion erkundet ein Schwarm von Kandidatenlösungen den Suchraum und greift „Beute“ an, die vielversprechende Parameterkombinationen repräsentiert. Wie viele solcher Algorithmen kann die ursprüngliche Version jedoch anfangs zu zufällig umherschweifen und dann zu schnell auf einer mittelmäßigen Lösung verharren.

Denken, Variation und Randbewusstsein hinzufügen

Die Arbeit stellt eine verbesserte Variante namens TIS_NGO vor, die dem habichtinspirierten Suchverfahren drei Schichten von „Intelligenz“ hinzufügt. Erstens hält eine Thinking‑Innovation‑Strategie fest, was bereits ausprobiert und gelernt wurde, sodass der Schwarm nicht dieselben Punkte immer wieder neu bewertet und im Laufe der Suche auf eine wachsende „Wissens tiefe“ zurückgreifen kann. Zweitens entlehnt eine neue Beuteangriffsstrategie Ideen aus der differentiellen Evolution: Statt sich nur nach eigener Position und einem Ziel zu bewegen, berücksichtigt jeder Kandidat auch Unterschiede zwischen mehreren Nachbarn, was frische Variation einbringt und dem Schwarm hilft, aus lokalen Sackgassen zu entkommen. Drittens sorgt eine zentroidbasierte Randkontrolle dafür, dass Kandidaten, die außerhalb des zulässigen Bereichs treiben, sanft zur Mitte der aktiven Suchregion zurückgelenkt werden, wodurch Zeit in wenig hilfreichen Bereichen reduziert wird.

Den intelligenteren Suchprozess auf die Probe stellen

Bevor sie ihre Methode an realen Unternehmen anwenden, vergleichen die Autoren TIS_NGO mit einer Reihe gängiger Optimierer auf anspruchsvollen mathematischen Testproblemen, wie sie in internationalen Wettbewerben verwendet werden. Über Dutzende solcher Funktionen aus den CEC2017‑ und CEC2022‑Benchmarks hinweg findet der neue Algorithmus häufiger bessere Lösungen, konvergiert schneller und zeigt weniger Lauf‑zu‑Lauf‑Variabilität als Konkurrenten wie Particle Swarm Optimization, Grey Wolf Optimizer, Whale Optimization Algorithm und die ursprüngliche Northern‑Goshawk‑Methode. Wichtig ist, dass dies geschieht, ohne die gesamte Rechenkostenordnung wesentlich zu erhöhen. Das Team kombiniert anschließend TIS_NGO mit KELM zu einem vollständigen System zur Insolvenzprognose und bewertet es an zwei realen Finanzdatensätzen, darunter ein klassischer polnischer Datensatz mit 30 Finanzkennzahlen für 240 Unternehmen über mehrere Jahre.

Scharfere Warnungen bei weniger Fehlalarmen

Auf diesen realen Datensätzen liefert das TIS_NGO–KELM‑Modell höhere Genauigkeit, ein besseres Gleichgewicht zwischen dem Erkennen gefährdeter Firmen und dem Vermeiden von Fehlalarmen sowie stabilere Leistungen über wiederholte Tests hinweg als sowohl traditionelle Modelle (wie Support‑Vector‑Machines und verbreitete Gradient‑Boosting‑Methoden) als auch andere optimierte KELM‑Varianten. Seine Matthews‑Korrelationswerte — ein Maß, das besonders aussagekräftig ist, wenn insolvente Firmen selten sind — liegen durchweg höher und zeigen eine stärkere Unterscheidung zwischen gesunden und scheiternden Unternehmen. Einfach gesagt ist die Methode besser darin, echte Notfälle früh zu erkennen, ohne gesunde Firmen unnötig als unsicher zu kennzeichnen. Die Autoren argumentieren, dass diese Kombination aus einem schnellen Lernverfahren und einem „bedacht(er)en“ Suchprozess ein praktisches neues Werkzeug für finanzielle Frühwarnsysteme darstellt, und skizzieren Pläne, das System auf größere, vielfältigere Datensätze auszudehnen und breitere wirtschaftliche Signale einzubeziehen.

Zitation: Jiang, K., Zhao, X., Li, Y. et al. A thinking innovation strategy based Northern goshawk optimizer enhanced extreme learning machine for bankruptcy prediction problems. Sci Rep 16, 9628 (2026). https://doi.org/10.1038/s41598-025-34452-y

Schlüsselwörter: Insolvenzprognose, finanzielles Risiko, Maschinelles Lernen, metaheuristische Optimierung, Frühwarnsysteme