אסטרטגיית חדשנות חושבת מבוססת על אופטימיזר בז צפון משודרג ב-Machine Learning קיצוני עבור בעיות חיזוי פשיטת רגל

למה חשוב לחזות מצוקה עסקית

כשחברה פושטת רגל בפתאומיות, עובדים מאבדים את פרנסתם, משקיעים מפסידים כסף ובנקים נושאים בהפסדים כואבים. אם ניתן היה לזהות בעיות פיננסיות שנים מראש, למלוים, לרגולטורים ולמנהלים היו יותר זמן להגיב. מאמר זה מציג שיטה חדשה לחיזוי אילו חברות צפויות להיכשל, המשתמשת בשילוב של למידה מהירה במכונה ואסטרטגיית חיפוש בהשראת הטבע, המדמה את התנהגות הצייד של עוף דורס.

להפוך מאזני תשלומים לאיתותים מוקדמים

המחברים מתמקדים במשימה שלפני הבנקים והמבקרים מדי יום: להחליט האם חברה נראית בריאה כלכלית או קרובה לקריסה, על סמך רשומות ממוספרות מפורטות. זוהי בעיית החלטה מסוג כן-או-לא: כל חברה מסווגת כפשיטת רגל או לא. שיטות מודרניות של אינטיליגנציה מלאכותית כגון רשתות נוירונים ומכונות וקטור תמיכה כבר מבצעות משימות מסוג זה, אך הן עשויות להיות איטיות באימון ורגישות לבחירת הפרמטרים הפנימיים שלהן. שיטה חדשה יחסית הנקראת Kernel Extreme Learning Machine (KELM) יכולה ללמוד הרבה יותר מהר ולהתמודד עם דפוסים לא-ליניאריים במכנים הפיננסיים, אך הדיוק שלה עדיין תלוי במידה רבה בשני פרמטרים פנימיים מרכזיים שקשה לכוונם ידנית.

ללמוד מציד של עוף

כדי לכוונן את ההגדרות הנסתרות האלה, החוקרים פונים למחלקה עדכנית של טכניקות חיפוש המכונות אלגוריתמים מטה-יוריסטיים. במקום לנסות כל אפשרות, שיטות אלה סורקות את נוף האפשרויות בצורה חכמה יותר, לעתים תוך חיקוי אסטרטגיות הנצפות בטבע. כאן הקבוצה בונה על האופטימיזר של בז הצפון, המושפע מאופן שבו בזים אלה מאתרים ורודפים אחרי טרף. בגרסה הבסיסית, קבוצת מועמדים חוקרת את מרחב החיפוש, תוקפת ורודפת אחר "הטרף" המייצג בחירות פרמטר מבטיחות. עם זאת, כמו רבות מאלגוריתמים אלה, הגרסה המקורית עלולה לנדוד באופן אקראי מדי בתחילה ואז להתמקם מהר מדי על פתרון בינוני.

הוספת חשיבה, וריאציה ותחושת גבול

המאמר מציג גרסה משודרגת שנקראת TIS_NGO, שמוסיפה שלוש שכבות "חכמה" לחיפוש בהשראת הבז. ראשית, אסטרטגיית חדשנות חושבת עוקבת אחרי מה שניסו ולמדו עד כה, כך שהעדר לא מבזבז זמן על הערכה מחדש של נקודות זהות ויכול להיעזר ב"עומק ידע" גדל ככל שהחיפוש מתקדם. שנית, אסטרטגיית התקפת טרף חדשה שאבה רעיונות מהאלגוריתם של אבולוציה דיפרנציאלית: במקום לזוז רק על סמך מיקומו האישי ומטרה אחת, כל מועמד שוקל גם הבדלים בין מספר שכנים, מה שמזריק וריאציה חדשה ועוזר להמולה להימלט ממבואות מקומיים. שלישית, בקרת גבול מבוססת מרכז כובד דוחפת בעדינות כל מועמד שסטה מחוץ לטווח המותר חזרה לעבר מרכז אזור החיפוש הפעיל, ובכך מצמצמת זמן שנצרך בחלקים לא מועילים של הנוף.

לבחון את החיפוש החכם בתנאים אמיתיים

לפני יישום שיטתם על חברות אמיתיות, המחברים השוו את TIS_NGO לסדרת אופטימיזרים סטנדרטיים על בעיות מתמטיות מאתגרות המשמשות בתחרויות בינלאומיות. על פני עשרות פונקציות כאלו ממבחני CEC2017 ו-CEC2022, האלגוריתם החדש מצא פתרונות טובים יותר לעתים תכופות יותר, התכנס מהר יותר והראה פחות שונות בין ריצות בהשוואה למתחרים כגון Particle Swarm Optimization, Grey Wolf Optimizer, Whale Optimization Algorithm והגרסה המקורית של בז הצפון. וחשוב, הוא עושה זאת תוך שמירה על עלות חישוב כוללת באותו סדר גודל. הצוות לאחר מכן שילב את TIS_NGO עם KELM ליצירת מערכת חיזוי פשיטות רגל מלאה והעריך אותה על שני מערכי נתונים פיננסיים אמיתיים, כולל מאגרים קלאסי מפולין המכיל 30 מכנים פיננסיים עבור 240 חברות לאורך כמה שנים.

אזהרות חדות יותר עם פחות אזעקות שווא

במערכי הנתונים מהעולם האמיתי הללו, מודל TIS_NGO–KELM מספק דיוק גבוה יותר, איזון טוב יותר בין זיהוי חברות במצוקה לבין הימנעות מאזהרות שווא, וביצועים יציבים יותר בין מבחנים חוזרים בהשוואה גם למודלים מסורתיים (כמו מכונות וקטור תמיכה ושיטות פופולריות של gradient-boosting) וגם לווריאנטים אחרים של KELM שאותם כווננו. ציוני המת'יווס (Matthews correlation) שלו — מדד המיידע במיוחד כאשר חברות פושטות רגל הן נדירות — גבוהים באופן עקבי, מה שמצביע על יכולת הבחנה חזקה יותר בין עסקים בריאים לכושלים. במילים פשוטות, השיטה טובה יותר בזיהוי מצוקה אמיתית מוקדם מבלי לסווג באופן מופרז חברות בריאות כסכנה. המחברים טוענים שהשילוב של לומד מהיר ותהליך חיפוש "מחשבה" מעשי מציע כלי חדש ופרקטי למערכות אזעקה מוקדמת פיננסיות, והם מפרטים תוכניות להרחיבו למערכי נתונים גדולים ומגוונים יותר ולשלב איתו איתותים כלכליים רחבים יותר.

ציטוט: 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

מילות מפתח: חיזוי פשיטת רגל, סיכון פיננסי, למידת מכונה, אופטימיזציה מטה-יוריסטית, מערכות אזעקה מוקדמת