Een doordachte innovatie-strategie gebaseerde Northern goshawk optimizer verbeterde extreme learning machine voor faillissementsvoorspellingsproblemen

Waarom het voorspellen van bedrijfsproblemen ertoe doet

Wanneer een bedrijf plotseling failliet gaat, verliezen werknemers hun baan, beleggers verliezen geld en banken nemen pijnlijke verliezen. Als we financiële problemen jaren van tevoren zouden kunnen signaleren, zouden kredietverstrekkers, toezichthouders en managers meer tijd hebben om te reageren. Dit artikel presenteert een nieuwe manier om te voorspellen welke bedrijven waarschijnlijk zullen falen, door een combinatie van snelle machine learning en een door de natuur geïnspireerde zoekstrategie die is gemodelleerd op het jachtgedrag van een roofvogel.

Balansrekeningen omzetten in vroegsignalen

De auteurs richten zich op een taak waarmee banken en accountants dagelijks worden geconfronteerd: beslissen of een onderneming er financieel gezond uitziet of dicht bij instorten staat, op basis van gedetailleerde numerieke gegevens. Dit wordt behandeld als een ja-of-nee-beslissing: elk bedrijf wordt geclassificeerd als failliet of niet-failliet. Moderne methoden uit de kunstmatige intelligentie, zoals neurale netwerken en support vector machines, voeren dit soort taken al uit, maar ze kunnen traag zijn om te trainen en zeer gevoelig voor de keuze van interne instellingen. Een nieuwere methode, de Kernel Extreme Learning Machine (KELM), kan veel sneller leren en omgaan met complexe, niet-lineaire patronen in financiële ratio's, maar de nauwkeurigheid hangt nog steeds sterk af van twee belangrijke interne instellingen die moeilijk handmatig af te stemmen zijn.

Leren van de jacht van een vogel

Om deze verborgen instellingen af te stemmen, grijpen de onderzoekers terug op een recente klasse zoektechnieken die bekendstaat als metaheuristische algoritmen. In plaats van elke mogelijkheid te proberen, doorkruisen deze methoden de oplossingsruimte op een intelligentere manier en kopiëren ze vaak strategieën die in de natuur worden gezien. Hier bouwt het team voort op de Northern goshawk optimizer, geïnspireerd door hoe deze haviken prooien lokaliseren en achtervolgen. In de basisversie verkent een zwerm kandidaatoplossingen de zoekruimte en valt "prooi" aan die veelbelovende parameterkeuzes vertegenwoordigt. Maar, zoals bij veel van dergelijke algoritmen, kan de originele versie aanvankelijk te willekeurig zwerven en vervolgens te snel vastlopen op een middelmatige oplossing.

Denken, variatie en grensgevoel toevoegen

Het artikel introduceert een verbeterde variant genaamd TIS_NGO, die drie lagen van "slimheid" toevoegt aan de havik-geïnspireerde zoekstrategie. Ten eerste houdt een thinking innovation strategy bij wat al is geprobeerd en geleerd, zodat de zwerm geen tijd verspeelt aan het opnieuw evalueren van in essentie dezelfde punten en kan putten uit een groeiende "diepte van kennis" naarmate de zoektocht vordert. Ten tweede leent een nieuwe prooi-aanvalstrategie ideeën uit differential evolution: in plaats van enkel te bewegen op basis van zijn eigen positie en één doel, houdt elke kandidaat ook rekening met verschillen tussen meerdere buren, wat frisse variatie injecteert en helpt de zwerm te ontsnappen aan lokale doodlopen. Ten derde duwt een centroid-gebaseerde grenscontrole behoedzaam elke kandidaat die buiten het toegestane bereik dreigt te raken terug naar het centrum van de actieve zoekregio, waardoor tijd in onbruikbare delen van het landschap wordt verminderd.

De slimmere zoekmethode aan de tand gevoeld

Voordat ze hun methode op echte bedrijven toepasten, zetten de auteurs TIS_NGO af tegen een reeks standaardoptimizers op veeleisende wiskundige testproblemen die worden gebruikt in internationale competities. Over tientallen van dergelijke functies uit de CEC2017- en CEC2022-benchmarks vindt het nieuwe algoritme vaker betere oplossingen, convergeert het sneller en vertoont het minder variabiliteit tussen runs dan concurrenten zoals Particle Swarm Optimization, Grey Wolf Optimizer, Whale Optimization Algorithm en de oorspronkelijke Northern goshawk-methode. Belangrijk is dat het dit doet terwijl de totale rekencost in dezelfde grootorde blijft. Het team combineert vervolgens TIS_NGO met KELM tot een compleet faillissementsvoorspellingssysteem en evalueert het op twee echte financiële datasets, waaronder een klassiek Pools dataset met 30 financiële ratio's voor 240 bedrijven over meerdere jaren.

Heldere waarschuwingen met minder valse alarmen

Op deze datasets uit de praktijk levert het TIS_NGO–KELM-model hogere nauwkeurigheid, een betere balans tussen het opsporen van probleembedrijven en het vermijden van valse alarmen, en stabielere prestaties over herhaalde tests dan zowel traditionele modellen (zoals support vector machines en populaire gradient-boosting-methoden) als andere geoptimaliseerde KELM-varianten. De Matthews-correlatiescores—een maat die vooral informatief is wanneer failliete bedrijven zeldzaam zijn—zijn consequent hoger, wat wijst op sterkere discriminatie tussen gezonde en falende ondernemingen. Eenvoudig gezegd is de methode beter in het vroeg signaleren van echte problemen zonder gezonde bedrijven onnodig als onveilig te bestempelen. De auteurs stellen dat deze combinatie van een snelle leerling en een meer "doordacht" zoekproces een praktisch nieuw hulpmiddel biedt voor financiële vroegwaarschuwingssystemen, en ze schetsen toekomstige plannen om het uit te breiden naar grotere, meer diverse datasets en om bredere economische signalen te integreren.

Bronvermelding: 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

Trefwoorden: faillissementsvoorspelling, financieel risico, machine learning, metaheuristische optimalisatie, vroegwaarschuwingssystemen