אלגוריתם אופטימיזציה Osprey-Elite-Elimination שמשפר את מכונת הלמידה הקיצונית גרעינית לחיזוי פשיטות רגל

מדוע חשיפת בעיות מוקדם חשובה

כשחברה מפסיקה לפעול בגלל פשיטת רגל, הנזקים נדירים שמסתיימים בדלתה בלבד. עובדים מאבדים עבודות, ספקים לא משולמים, בנקים ומשקיעים חווים הפסדים ואף אזורים שלמים עלולים להרגיש את הזעזוע. לאחר משברים אחרונים והפרעות בשרשראות האספקה, מלווים פיננסיים ורשויות רגולטוריות מחפשים בדחיפות כלים שיכולים להזהיר כשהחברה נעה לעבר קשיים פיננסיים משמעותיים. מאמר זה מציג מודל בינה מלאכותית חדש שמטרתו לעשות בדיוק זאת: לעבד נתונים פיננסיים מורכבים ולסמן חברות השוקעות אל עבר פשיטת רגל, בצורה מדויקת ויעילה יותר מאשר שיטות רבות קיימות.

ללמד מחשבים לזהות סימני אזהרה פיננסיים

מודלים סטטיסטיים מסורתיים, ואפילו דורות ישנים יותר של למידת מכונה, מתקשים בטבע הא מבולגן והלא-ליניארי של נתונים פיננסיים אמיתיים. רשתות נוירונים ומכונות וקטור תמיכה יכולות ללכוד דפוסים מורכבים, אך לעתים קרובות האימון שלהן איטי והן עלולות להיתקע בפתרונות "מקומיים" שאינם הטובים ביותר באמת. גישה חדשה יותר, בשם Kernel Extreme Learning Machine (KELM), מתאמנת במהירות רבה ובדרך כלל מניבה תחזיות טובות, אך יש לה בעיה: הביצועים תלויים בבחירה מדויקת של מספר פרמטרים מרכזיים. בחירה ידנית של הגדרות אלו קשה ועלולה להוביל למודלים בעלי ביטחון-יתר שמכשלות כשתנאים משתנים.

חיפוש בהשראת טבע לשיפור המודלים

כדי לכוונן את KELM באופן אוטומטי, המחברים פונים למשפחה של אלגוריתמים בהשראת התנהגות בעלי חיים, שמחפשים פתרונות טובים על ידי הזזת "להקה" של מועמדים בנוף האפשרויות. הם בונים על שיטה חדשה שנדמית לאחרוני הרגלים הצידיים של דורסי ים, האוספרי. הווריאנט החדש, שנקרא אלגוריתם אופטימיזציה Elite-Elimination Osprey (EEOOA), מוסיף שלוש רעיונות: הוא מאפשר ללהקה ללמוד בעיקר מהמובילים שבה, משתמש בדרך חכמה לבצע מדי פעם קפיצות גדולות כדי לברוח מלחצים, ומסיר בהדרגה מועמדים חלשים תוך יצירת מועמדים חדשים בסמוך לפתרון הטוב שנמצא עד כה. כלל גבול מותאם מוודא שכל המועמדים נשארים באזורים מבטיחים במקום לבזבז מאמץ על ערכים בלתי אפשריים או לא רלוונטיים. יחד, התאמות אלה מסייעות לחיפוש להתמקד במהירות ובאמינות גדולה יותר בהגדרות פרמטר איכותיות.

הוכחה שהחיפוש עובד על בעיות מבחן קשות

לפני שניתן לסמוך על EEOOA בהחלטות פיננסיות אמיתיות, הצוות בוחן אותו תחילה על פונקציות מתמטיות מאתגרות שמשמשות באופן נרחב להשוואת שיטות אופטימיזציה. פונקציות אלה מעוצבות להיות מורכבות, עם ריבוי פסגות ועמקים מקומיים שיכולים ללכוד אסטרטגיות חיפוש נאיביות. על פני עשרות בעיות כאלה בממדים שונים, האלגוריתם החדש מתכנס בעקביות מהר יותר ונמצא קרוב יותר לפתרונות הטובים הידועים מאשר שבעת מתחריו המוכרים, כולל מאלפי הזאב האפור והאלגוריתם בהשראת הלווייתן וכן שיטת האוספרי המקורית. השוואות מפורטות ומחקרי חיסול—שבהם שיפורים בודדים מופעלים או מושתקים—מראים שכל אחד מהשלושה מוסיף ערך, וכי יחד הם מביאים להתנהגות חיפוש היציבה והמדויקת ביותר.

הפיכת חיפוש טוב לחיזוי פשיטות רגל טוב יותר

עם המאיץ הזה, המחברים בונים מערכת חיזוי פשיטות רגל מלאה בשם EEOOA-KELM. הם מזינים אותה בערכת נתונים אמיתית של 240 חברות פולניות, המחולקות בין חברות שלימים פשטו רגל לאלה שנשארו פועלות, המתוארות על ידי 30 מעריכי פיננסים כגון רווחיות, עומס חוב ויעילות תפעולית. בכל סיבוב בדיקה, EEOOA מחפש את הגדרות KELM הטובות ביותר על ידי מזעור שגיאות סיווג תחת ולידציה צולבת קפדנית, פרוצדורה שמערבבת את הנתונים שוב ושוב למערכי אימון ובדיקה כדי למנוע התאמה יתר. המודל שנובע מושווה אז לגרסאות KELM מכווננות על ידי אלגוריתמים אחרים. EEOOA-KELM משיג את הציונים הגבוהים ביותר בדיוק, דיוק חיובי, זיהוי (recall) וציון F1, בעוד שהוא גם מראה את השונות הקטנה ביותר מריצה לריצה—סימן לעמידות ולא למזל.

מה משמעות זה למעקב סיכונים במציאות

עבור לא-מומחים, המסקנה המרכזית היא שהמחברים בנו מנוע אזהרה מוקדמת אמין יותר למצוקה תאגידית. במקום לנחש אילו צירופים של מדדים פיננסיים והגדרות מודל עשויים לאותת על פשיטת רגל מתקרבת, הם נותנים לתהליך חיפוש מתוכנן היטב לחקור את האפשרויות ולנעוץ על אלה שמבצעים הכי טוב תחת בדיקות חוזרות. במדגם של חברות פולניות זה מניב שיפורים צנועים אך משמעותיים בזיהוי נכון של חברות במצוקה תוך הפחתת אזעקות שווא. אף על פי שהמחקר מוגבל לערכה אחת ולמדינה אחת, הגישה היא כללית: עם נתונים מתאימים, אותה שילוב של מסווג מהיר-למידה ואופטימייזר מחודד, בהשראת ציפור, יכול לסייע לבנקים, משקיעים ורשויות לפקח על בריאות פיננסית בצורה מדויקת יותר ולהגיב מוקדם יותר כשהחברות מתחילות להיחלש.

ציטוט: 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

מילות מפתח: חיזוי פשיטות רגל, סיכון פיננסי, למידת מכונה, אלגוריתם אופטימיזציה, מערכות אזהרה מוקדמת