Elite-Eliminations-Osprey-Optimierungsalgorithmus optimiertes Kernel Extreme Learning Machine für Insolvenzprognosen

Warum frühes Erkennen von Problemen zählt

Wenn ein Unternehmen insolvent wird, bleiben die Folgen selten an seiner Tür stehen. Beschäftigte verlieren ihre Arbeit, Lieferanten bleiben unbezahlt, Banken und Investoren erleiden Verluste, und ganze Regionen können den Schock spüren. Nach jüngsten Krisen und Störungen in Lieferketten wünschen sich Kreditgeber und Aufsichtsbehörden dringend Instrumente, die anzeigen, wenn ein Unternehmen in ernste finanzielle Schwierigkeiten abrutscht. Dieses Papier stellt ein neues KI-Modell vor, das genau das leisten will: komplexe Finanzdaten durchforsten und Unternehmen markieren, die still und leise auf Insolvenz zusteuern — genauer und effizienter als viele gängige Methoden.

Computern beibringen, Warnzeichen in Zahlen zu lesen

Traditionelle statistische Modelle und ältere Generationen des maschinellen Lernens tun sich mit der unordentlichen, nichtlinearen Natur realer Finanzdaten schwer. Neuronale Netze und Support-Vektor-Maschinen erfassen komplexe Muster, trainieren aber oft langsam und können in „lokalen“ Lösungen hängenbleiben, die nicht wirklich optimal sind. Ein neuerer Ansatz, die Kernel Extreme Learning Machine (KELM), trainiert sehr schnell und liefert häufig starke Vorhersagen, hat jedoch einen Haken: Ihre Leistung hängt davon ab, genau die richtigen Einstellungen für einige wenige Schlüsselfaktoren zu wählen. Diese Einstellungen von Hand zu treffen ist schwierig und kann zu übermäßig selbstsicheren Modellen führen, die versagen, wenn sich die Bedingungen ändern.

Von der Natur inspirierte Suche nach besseren Modellen

Um KELM automatisch zu optimieren, greifen die Autorinnen und Autoren auf eine Klasse von Algorithmen zurück, die vom Verhalten von Tieren inspiriert sind und gute Lösungen finden, indem sie einen „Schwarm“ von Kandidaten durch eine Landschaft von Möglichkeiten bewegen. Sie bauen auf einer jüngeren Methode auf, die dem Jagdverhalten von Fischadlern (Ospreys) nachempfunden ist. Die neue Variante, Elite-Elimination Osprey Optimization Algorithm (EEOOA), ergänzt drei Ideen: Der Schwarm lernt vor allem von seinen besten Mitgliedern, es gibt eine intelligente Möglichkeit, gelegentlich große Sprünge zu machen, um Sackgassen zu verlassen, und schwache Kandidaten werden schrittweise entfernt, während neue in der Nähe der bislang besten Lösung erzeugt werden. Eine spezielle Randbedingungsregel hält alle Kandidaten in vielversprechenden Bereichen, anstatt Aufwand auf unmögliche oder irrelevante Werte zu verschwenden. Zusammen helfen diese Anpassungen der Suche, schneller und verlässlicher hochwertige Parameterkombinationen zu finden.

Beweisen, dass die Suche bei schwierigen Testproblemen funktioniert

Bevor man EEOOA für echte finanzielle Entscheidungen einsetzt, testet das Team den Algorithmus zunächst an anspruchsvollen mathematischen Benchmark-Funktionen, die weithin genutzt werden, um Optimierungsverfahren zu vergleichen. Diese Funktionen sind so gestaltet, dass sie tückisch sind, mit vielen lokalen Gipfeln und Tälern, die naive Suchstrategien in die Irre führen können. Über dutzende solcher Probleme in verschiedenen Dimensionen konvergiert der neue Algorithmus konsistent schneller und kommt den besten bekannten Lösungen näher als sieben bekannte Konkurrenten, darunter Grey-Wolf- und Whale-Optimierer sowie die ursprüngliche Osprey-Methode. Detaillierte Vergleiche und Ablationsstudien — bei denen einzelne Verbesserungen ein- und ausgeschaltet werden — zeigen, dass jede der drei Mechanismen einen Beitrag leistet und dass sie zusammen das stabilste und genaueste Suchverhalten liefern.

Aus besserer Suche bessere Insolvenzprognosen machen

Mit diesem Optimierer bauen die Autorinnen und Autoren anschließend ein vollständiges Insolvenzprognosesystem, EEOOA-KELM. Sie füttern es mit einem realen Datensatz von 240 polnischen Unternehmen, aufgeteilt in Firmen, die später zahlungsunfähig wurden, und solche, die solvent blieben, beschrieben durch 30 Finanzkennzahlen wie Rentabilität, Verschuldungsgrad und operative Effizienz. In jeder Testrunde sucht EEOOA die besten KELM-Einstellungen, indem es die Klassifikationsfehler unter strikter Kreuzvalidierung minimiert — ein Verfahren, das die Daten wiederholt in Trainings- und Testmengen umschichtet, um Überanpassung zu vermeiden. Das resultierende Modell wird dann mit KELM-Versionen verglichen, die von anderen Optimierungsalgorithmen abgestimmt wurden. EEOOA-KELM erreicht die höchsten Werte bei Genauigkeit, Präzision, Trefferquote und F1-Score und zeigt zugleich die geringste Variation von Lauf zu Lauf — ein Zeichen für Robustheit statt Zufall.

Was das für die Überwachung realer Risiken bedeutet

Für Nicht-Spezialisten lautet die zentrale Erkenntnis, dass die Autorinnen und Autoren eine verlässlichere Frühwarnmaschine für Unternehmenskrisen entwickelt haben. Anstatt zu raten, welche Kombinationen aus Finanzindikatoren und Modelleinstellungen auf eine drohende Insolvenz hindeuten könnten, erlauben sie einem sorgfältig gestalteten Suchprozess, die Möglichkeiten zu erkunden und diejenigen zu wählen, die sich bei wiederholten Tests am besten bewähren. Im Beispiel der polnischen Unternehmen führt das zu moderaten, aber bedeutsamen Verbesserungen bei der korrekten Identifikation gefährdeter Firmen bei gleichzeitigem Verringerung von Fehlalarmen. Obwohl die Studie auf einen Datensatz und ein Land beschränkt ist, ist der Ansatz allgemein anwendbar: Mit passenden Daten könnte dieselbe Kombination aus einem schnell lernenden Klassifikator und einem verfeinerten, vogelinspirierten Optimierer Banken, Investoren und Aufsichtsbehörden helfen, die finanzielle Gesundheit genauer zu überwachen und früher zu reagieren, wenn Unternehmen ins Straucheln geraten.

Zitation: 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

Schlüsselwörter: Insolvenzprognose, finanzielles Risiko, Maschinelles Lernen, Optimierungsalgorithmus, Frühwarnsysteme