Verbessertes adaptives Zebra-Optimierungsalgorithmus-optimiertes Kernel Extreme Learning Machine für Insolvenzvorhersageprobleme

Warum die Vorhersage von Unternehmenszusammenbrüchen wichtig ist

Wenn ein Unternehmen zusammenbricht, bleiben die Schäden selten an seinen eigenen Türen stehen: Arbeitsplätze verschwinden, Kredite werden nicht zurückgezahlt, Lieferketten reißen und lokale Volkswirtschaften geraten ins Taumeln. Warnzeichen für eine Insolvenz schon Jahre im Voraus erkennen zu können, ist daher nicht nur für Führungskräfte wertvoll, sondern auch für Banken, Investoren und Aufsichtsbehörden. Diese Studie stellt einen neuen rechnergestützten Ansatz vor, der Finanzdaten durchsucht, um gefährdete Firmen früher und verlässlicher als viele bestehende Werkzeuge zu identifizieren.

Ein intelligenterer Weg, finanzielle Signale zu lesen

Traditionelle Methoden zur Vorhersage von Insolvenzen basieren meist auf linearen Zusammenhängen zwischen einigen wenigen Finanzkennzahlen, etwa Verschuldungsgrad oder Liquidität. Diese Verfahren sind leicht zu verstehen, haben aber Probleme mit den unordentlichen, nichtlinearen Mustern in realen Unternehmensabschlüssen, besonders in volatilen Märkten. In den letzten Jahren haben Modelle des maschinellen Lernens die Genauigkeit verbessert, indem sie subtile Muster in historischen Daten aufdecken. Eine solche Methode, die Kernel Extreme Learning Machine, kann schnell komplexe Zusammenhänge erlernen, doch ihr Erfolg hängt davon ab, zwei interne Parameter richtig zu wählen. Schlechte Einstellungen können die Vorhersagen unzuverlässig machen, und gängige Suchverfahren zur Abstimmung dieser Parameter sind langsam und leicht fehlleitbar.

Zebras inspirieren eine bessere Suchstrategie

Die Autoren wenden sich der Natur zu und lassen sich von der Futtersuche und Verteidigung von Zebraherden inspirieren. In ihrem Computermodell steht jedes Zebra für eine mögliche Lösung eines Optimierungsproblems — hier für eine bestimmte Einstellung des Lernmodells. Frühere Versionen dieses sogenannten Zebra-Optimierungsalgorithmus bewegten die Herde durch den Suchraum, verloren jedoch oft zu schnell an Diversität und blieben in mittelmäßigen Lösungen stecken. Um das zu beheben, entwickelten die Forschenden eine verbesserte Version, EAZOA, die die besten „Zebras“ festhält, einigen erlaubt, gelegentliche lange explorative Sprünge zu machen, und die Ränder des Suchraums besonders behandelt, damit gute Lösungen in Grenzbereichen nicht verworfen werden.

Die neue Herde an harten Problemen testen

Bevor sie EAZOA auf echte Finanzdaten anwendeten, prüfte das Team den Algorithmus an anspruchsvollen mathematischen Problemen, die weithin zur Bewertung von Suchalgorithmen genutzt werden. Bei vielen dieser Aufgaben — sowohl bei moderater als auch bei hoher Komplexität — fand EAZOA durchweg bessere Lösungen mit weniger Variabilität als mehrere bekannte Konkurrenten, darunter Partikelschwarm-, Grey-Wolf- und walinspirierte Methoden sowie der ursprüngliche Zebra-Ansatz. Es konvergierte schneller zu hochwertigen Lösungen, während es gleichzeitig breit genug explorierte, um nicht in lokalen Sackgassen stecken zu bleiben, und zeigte so ein gutes Gleichgewicht zwischen grober Suche und Feintuning.

Bessere Suche in bessere Insolvenzprognosen umsetzen

Um zu prüfen, ob diese Verbesserungen praktisch relevant sind, kombinierten die Autoren EAZOA mit der Kernel Extreme Learning Machine und trainierten das resultierende Modell an einem bekannten polnischen Datensatz mit 30 Finanzkennzahlen für 240 Unternehmen, von denen etwa die Hälfte später Insolvenz anmeldete. Sie verwendeten sorgfältige Kreuzvalidierung, indem sie die Daten wiederholt mischten und aufteilten und dabei das Verhältnis von gescheiterten zu gesunden Unternehmen beibehielten, um zu prüfen, wie gut das System auf unbekannte Fälle generalisiert. Im Vergleich zu Versionen derselben Lernmaschine, die mit anderen Optimierungsschemata abgestimmt wurden, erzielte das mit EAZOA verbesserte Modell die besten Werte bei gängigen Kennzahlen wie Genauigkeit, Präzision, Recall und F1-Score und zeigte dabei relativ stabile Leistungen über wiederholte Durchläufe.

Was das für Beobachter realer Risiken bedeutet

Für Nichtfachleute ist die Hauptaussage, dass die Abstimmung eines Prognosemodells genauso wichtig sein kann wie das Modell selbst. Indem sie eine virtuelle Zebraherde intelligenter durch den Raum möglicher Einstellungen führen, gewinnen die Autoren ein schnelleres und verlässlicheres Frühwarninstrument für Unternehmenskrisen. Zwar basieren die aktuellen Ergebnisse auf einem einzelnen, mittelgroßen Datensatz aus einem Land, doch deuten sie darauf hin, dass solche bio-inspirierten Suchstrategien in Kombination mit modernen Lerntechniken nützliche Bestandteile von Systemen werden könnten, die die finanzielle Gesundheit überwachen und Manager, Kreditgeber und Aufseher dabei unterstützen, zu handeln, bevor ein kämpfendes Unternehmen den Punkt ohne Wiederkehr erreicht.

Zitation: 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

Schlüsselwörter: Insolvenzvorhersage, finanzielles Risiko, maschinelles Lernen, Optimierungsalgorithmus, Zebra-Optimierung