Une stratégie d'innovation réfléchie basée sur un optimiseur Northern goshawk amélioré et une machine d'apprentissage extrême pour la prédiction des faillites

Pourquoi il est important de prévoir les difficultés des entreprises

Lorsqu'une entreprise fait subitement faillite, les employés perdent leur emploi, les investisseurs subissent des pertes et les banques encaissent des dommages importants. Si l'on pouvait détecter des difficultés financières des années à l'avance, les prêteurs, les régulateurs et les dirigeants disposeraient de plus de temps pour réagir. Cet article présente une nouvelle méthode pour prévoir quelles entreprises risquent de faire faillite, en combinant un apprentissage automatique rapide et une stratégie de recherche inspirée de la nature, modélisée sur le comportement de chasse d'un rapace.

Transformer les bilans en signaux d'alerte précoce

Les auteurs se concentrent sur une tâche que les banques et les auditeurs affrontent quotidiennement : décider si une entreprise paraît financièrement saine ou proche de l'effondrement, à partir d'enregistrements numériques détaillés. Il s'agit d'un problème de décision binaire : chaque société est classée comme en faillite ou non. Les méthodes d'intelligence artificielle modernes, telles que les réseaux de neurones et les machines à vecteurs de support, accomplissent déjà ce type de tâche, mais elles peuvent être longues à entraîner et très sensibles au choix de leurs paramètres internes. Une méthode plus récente, appelée Kernel Extreme Learning Machine (KELM), peut apprendre beaucoup plus rapidement et traiter des schémas non linéaires complexes dans les ratios financiers, mais sa précision dépend toujours fortement de deux paramètres internes clés difficiles à régler manuellement.

Apprendre de la chasse d'un oiseau

Pour régler ces paramètres cachés, les chercheurs se tournent vers une classe récente de techniques de recherche connues sous le nom d'algorithmes métaheuristiques. Plutôt que d'essayer chaque possibilité, ces méthodes explorent l'espace des options de façon plus intelligente, souvent en reproduisant des stratégies observées dans la nature. Ici, l'équipe s'appuie sur l'optimiseur Northern goshawk, inspiré par la manière dont ces faucons localisent et traquent leurs proies. Dans la version de base, un essaim de solutions candidates explore l'espace de recherche, attaquant et poursuivant des « proies » qui représentent des choix de paramètres prometteurs. Toutefois, comme beaucoup de ces algorithmes, la version originale peut errer de façon trop aléatoire au début puis se fixer trop rapidement sur une solution médiocre.

Ajouter réflexion, variation et sens des limites

L'article introduit une variante améliorée appelée TIS_NGO, qui ajoute trois couches de « réflexion » à la recherche inspirée du faucon. Premièrement, une stratégie d'innovation réfléchie conserve la trace de ce qui a été tenté et appris jusqu'à présent, pour éviter que l'essaim ne perde du temps à réévaluer des points essentiellement identiques et pour puiser dans une « profondeur de connaissance » croissante au fur et à mesure de la recherche. Deuxièmement, une nouvelle stratégie d'attaque de la proie emprunte des idées à l'évolution différentielle : au lieu de se déplacer uniquement en fonction de sa propre position et d'une seule cible, chaque candidat considère aussi les différences entre plusieurs voisins, ce qui injecte de la variation et aide l'essaim à échapper aux impasses locales. Troisièmement, un contrôle des limites basé sur le centroïde ramène en douceur tout candidat qui dérive en dehors de la plage autorisée vers le centre de la région de recherche active, réduisant le temps passé dans des zones peu utiles du paysage de recherche.

Mettre la recherche plus intelligente à l'épreuve

Avant d'appliquer leur méthode à de vraies entreprises, les auteurs confrontent TIS_NGO à une batterie d'optimiseurs standards sur des problèmes mathématiques exigeants utilisés dans des compétitions internationales. Sur des dizaines de fonctions issues des référentiels CEC2017 et CEC2022, le nouvel algorithme trouve plus souvent de meilleures solutions, converge plus rapidement et montre moins de variabilité d'une exécution à l'autre que des rivaux tels que Particle Swarm Optimization, Grey Wolf Optimizer, Whale Optimization Algorithm et la méthode Northern goshawk originale. Fait important, il réalise cela tout en maintenant un coût de calcul global du même ordre de grandeur. L'équipe combine ensuite TIS_NGO avec KELM pour former un système complet de prédiction des faillites et l'évalue sur deux jeux de données financiers réels, dont un jeu de données polonais classique comprenant 30 ratios financiers pour 240 entreprises sur plusieurs années.

Des alertes plus nettes avec moins de faux positifs

Sur ces jeux de données réels, le modèle TIS_NGO–KELM fournit une précision supérieure, un meilleur équilibre entre la détection des entreprises en difficulté et la prévention des fausses alertes, et une performance plus stable sur des tests répétés que les modèles traditionnels (comme les machines à vecteurs de support et les méthodes de gradient boosting populaires) ainsi que d'autres variantes de KELM optimisées. Les scores de corrélation de Matthews — une mesure particulièrement informative lorsque les entreprises en faillite sont rares — sont systématiquement plus élevés, indiquant une meilleure discrimination entre sociétés saines et en défaillance. En termes simples, la méthode repère mieux les signes réels de détresse tôt sans étiqueter à tort un grand nombre d'entreprises saines comme risquées. Les auteurs soutiennent que cette combinaison d'un apprenant rapide et d'un processus de recherche plus « réfléchi » offre un nouvel outil pratique pour les systèmes d'alerte financière, et ils esquissent des plans pour l'étendre à des jeux de données plus larges et diversifiés et pour intégrer des signaux économiques plus larges.

Citation: 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

Mots-clés: prédiction de faillite, risque financier, apprentissage automatique, optimisation métaheuristique, systèmes d'alerte précoce