Una strategia innovativa pensante basata sull’ottimizzatore Northern goshawk potenziata con Extreme Learning Machine per problemi di previsione del fallimento

Perché è importante prevedere le difficoltà aziendali

Quando un’impresa fallisce improvvisamente, i lavoratori perdono il posto, gli investitori subiscono perdite e le banche assorbono danni significativi. Se si potessero individuare segnali di difficoltà finanziaria con anni di anticipo, finanziatori, regolatori e dirigenti avrebbero più tempo per reagire. Questo articolo presenta un nuovo approccio per prevedere quali aziende sono più a rischio di fallimento, combinando un apprendimento automatico veloce con una strategia di ricerca ispirata al comportamento di caccia di un rapace.

Trasformare i bilanci in segnali di allerta precoce

Gli autori si concentrano su un compito che banche e revisori affrontano quotidianamente: decidere se un’impresa appare finanziariamente sana o vicina al collasso, sulla base di registrazioni numeriche dettagliate. Questo viene trattato come un problema decisionale binario: ogni azienda viene classificata come fallita o non fallita. Metodi di intelligenza artificiale moderni, come le reti neurali e le macchine a vettori di supporto, svolgono già questo tipo di compito, ma possono essere lenti da addestrare e molto sensibili alla scelta dei parametri interni. Un metodo più recente chiamato Kernel Extreme Learning Machine (KELM) può imparare molto più rapidamente e gestire pattern non lineari complessi nei rapporti finanziari, ma la sua accuratezza dipende ancora in modo rilevante da due impostazioni interne chiave difficili da sintonizzare manualmente.

Apprendere dalla caccia di un uccello

Per regolare questi parametri nascosti, i ricercatori ricorrono a una classe recente di tecniche di ricerca note come algoritmi metaeuristici. Invece di provare ogni possibilità, questi metodi esplorano lo spazio delle opzioni in modo più intelligente, spesso copiando strategie osservate in natura. Qui il team si basa sull’ottimizzatore Northern goshawk, ispirato al modo in cui questi sparvieri localizzano e inseguono la preda. Nella versione base, uno sciame di soluzioni candidate esplora lo spazio di ricerca, attaccando e inseguendo le “prede” che rappresentano scelte di parametri promettenti. Tuttavia, come molti di questi algoritmi, la versione originale può muoversi in modo eccessivamente casuale all’inizio e poi fissarsi troppo rapidamente su una soluzione mediocre.

Aggiungere ragionamento, variazione e senso dei confini

L’articolo introduce una variante migliorata chiamata TIS_NGO, che aggiunge tre livelli di “intelligenza” alla ricerca ispirata al falco. Primo, una strategia di innovazione pensante tiene traccia di ciò che è stato già provato e appreso, così lo sciame non spreca tempo a rivalutare punti sostanzialmente identici e può attingere a una crescente “profondità di conoscenza” man mano che la ricerca avanza. Secondo, una nuova strategia di attacco della preda prende in prestito elementi dalla differential evolution: invece di muoversi basandosi solo sulla propria posizione e su un singolo bersaglio, ogni candidato considera anche differenze tra diversi vicini, il che introduce variazione e aiuta lo sciame a sfuggire a vicoli ciechi locali. Terzo, un controllo dei confini basato sul centroide corregge delicatamente qualsiasi candidato che derivi fuori dall’intervallo consentito riportandolo verso il centro della regione di ricerca attiva, riducendo il tempo speso in aree non utili dello spazio delle soluzioni.

Mettere alla prova la ricerca più intelligente

Prima di applicare il loro metodo a imprese reali, gli autori confrontano TIS_NGO con una serie di ottimizzatori standard su impegnativi problemi matematici di test utilizzati in competizioni internazionali. Su dozzine di funzioni provenienti dai benchmark CEC2017 e CEC2022, il nuovo algoritmo trova soluzioni migliori più frequentemente, converge più rapidamente e mostra meno variabilità tra esecuzioni rispetto a rivali come Particle Swarm Optimization, Grey Wolf Optimizer, Whale Optimization Algorithm e la versione originale del Northern goshawk. È importante notare che lo fa mantenendo il costo computazionale complessivo nello stesso ordine di grandezza. Il team combina quindi TIS_NGO con KELM per creare un sistema completo di previsione dei fallimenti e lo valuta su due dataset finanziari reali, incluso un classico dataset polacco con 30 rapporti finanziari per 240 imprese su diversi anni.

Allerta più precisa con meno falsi allarmi

Su questi dataset reali, il modello TIS_NGO–KELM offre maggiore accuratezza, un miglior equilibrio tra individuare le imprese in difficoltà ed evitare falsi allarmi, e prestazioni più stabili tra prove ripetute rispetto sia ai modelli tradizionali (come le macchine a vettori di supporto e metodi di gradient boosting diffusi) sia ad altre varianti KELM ottimizzate. I suoi punteggi di correlazione di Matthews — una misura particolarmente informativa quando le imprese fallite sono rare — sono costantemente più alti, indicando una discriminazione più forte tra aziende sane e in difficoltà. In termini pratici, il metodo è migliore nel rilevare tempestivamente vere situazioni di crisi senza etichettare ingiustamente come a rischio aziende che sono invece sane. Gli autori sostengono che questa combinazione di un apprendente veloce e di un processo di ricerca più “riflessivo” offre uno strumento pratico per i sistemi di allerta finanziaria, e delineano piani futuri per estenderlo a dataset più ampi e diversificati e per integrare segnali economici più generalizzati.

Citazione: 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

Parole chiave: previsione dei fallimenti, rischio finanziario, apprendimento automatico, ottimizzazione metaeuristica, sistemi di allerta precoce