Ulepszony adaptacyjny algorytm optymalizacji zebry z optymalizowanym kernelowym ekstremalnym uczeniem maszynowym do problemów prognozowania upadłości

Dlaczego przewidywanie upadku korporacji ma znaczenie

Gdy firma upada, szkody rzadko ograniczają się tylko do niej: miejsca pracy znikają, pożyczki pozostają niespłacone, łańcuchy dostaw się rozluźniają, a lokalne gospodarki chwiejnieją. Możliwość wykrycia sygnałów ostrzegawczych przed upadłością na kilka lat wcześniej jest zatem cenna nie tylko dla kierownictwa przedsiębiorstw, ale i dla banków, inwestorów oraz regulatorów. W badaniu przedstawiono nowe podejście komputerowe, które przeszukuje dane finansowe, by wcześniej i bardziej niezawodnie niż wiele istniejących narzędzi sygnalizować firmy w tarapatach.

Mądrzejszy sposób czytania sygnałów finansowych

Tradycyjne metody prognozowania upadłości zwykle opierają się na liniowych zależnościach między kilkoma wskaźnikami finansowymi, takimi jak poziom zadłużenia czy płynność. Metody te są łatwe do zrozumienia, lecz mają problemy z chaotycznymi, nieliniowymi wzorcami występującymi w rzeczywistych księgach firm, szczególnie gdy rynki są zmienne. W ostatnich latach modele uczenia maszynowego poprawiły dokładność przez wychwytywanie subtelnych wzorców w danych historycznych. Jedna z takich metod, zwana Kernel Extreme Learning Machine, potrafi szybko uczyć się złożonych zależności, ale jej skuteczność zależy od trafnego dobrania dwóch wewnętrznych ustawień. Złe wybory mogą sprawić, że prognozy będą zawodna, a powszechne metody wyszukiwania tych parametrów bywają wolne i podatne na wpadnięcie w pułapki.

Zebry jako inspiracja lepszej strategii poszukiwań

Autorzy sięgają po inspirację w naturze, wzorując się na tym, jak stada zebr żerują i bronią się. W ich modelu komputerowym każda zebra reprezentuje możliwe rozwiązanie problemu optymalizacyjnego — w tym wypadku konkretne ustawienie modelu uczenia maszynowego. Wcześniejsze wersje tzw. algorytmu optymalizacji zebry poruszały stado po przestrzeni poszukiwań, ale miały tendencję do zbyt szybkiej utraty różnorodności i utknięcia w przeciętnych rozwiązaniach. Aby to naprawić, badacze zaprojektowali ulepszoną wersję, nazwaną EAZOA, która śledzi najlepsze „zebry”, pozwala niektórym wykonywać okazjonalne długie, eksploracyjne skoki oraz traktuje krawędzie przestrzeni poszukiwań ze szczególną ostrożnością, by dobre rozwiązania blisko granic nie były odrzucane.

Testowanie nowego stada na trudnych zadaniach

Zanim zastosowano EAZOA do rzeczywistych danych finansowych, zespół przetestował go na wymagających matematycznych zagadkach powszechnie używanych do porównywania algorytmów poszukiwań. W wielu takich wyzwaniach, zarówno o umiarkowanym, jak i wysokim stopniu złożoności, EAZOA konsekwentnie znajdował lepsze rozwiązania z mniejszą zmiennością niż kilka dobrze znanych konkurencyjnych metod, w tym metody oparte na roju cząstek, szarych wilkach czy inspirowane zachowaniem wielorybów, a także oryginalne podejście zebr. Algorytm szybciej zbiegał w kierunku rozwiązań wysokiej jakości, jednocześnie eksplorując wystarczająco szeroko, by unikać utknięcia w lokalnych minimach, pokazując dobry balans między szerokim przeszukiwaniem a dopracowywaniem rozwiązań.

Przekuwanie lepszego poszukiwania na lepsze prognozy upadłości

Aby sprawdzić, czy te ulepszenia mają praktyczne znaczenie, autorzy połączyli EAZOA z Kernel Extreme Learning Machine i wytrenowali powstały model na znanym polskim zbiorze danych zawierającym 30 wskaźników finansowych dla 240 firm, z których około połowa później upadła. Zastosowali staranną walidację krzyżową, wielokrotnie tasując i dzieląc dane przy zachowaniu proporcji firm upadających i zdrowych, aby ocenić, jak system uogólnia się na nieznane przypadki. W porównaniu z wersjami tej samej maszyny uczącej dostrojonymi innymi schematami optymalizacji, model z EAZOA osiągnął najwyższe wyniki w standardowych miarach, takich jak dokładność, precyzja, recall i miara F1, przy stosunkowo stabilnej wydajności w powtarzanych próbach.

Co to znaczy dla obserwatorów ryzyka w praktyce

Dla osób niebędących specjalistami główny przekaz jest taki, że sposób strojenia modelu prognostycznego może być równie ważny jak sam model. Poprzez inteligentniejsze kierowanie wirtualnym stadem zebr po przestrzeni możliwych ustawień, autorzy uzyskali szybsze i bardziej niezawodne narzędzie wczesnego ostrzegania przed problemami korporacyjnymi. Choć obecne wyniki opierają się na jednym, średniej wielkości zestawie danych z jednego kraju, sugerują, że takie inspirowane biologią strategie poszukiwań, w połączeniu z nowoczesnymi technikami uczenia, mogą stać się użytecznymi elementami systemów monitorowania kondycji finansowej, pomagając menedżerom, kredytodawcom i regulatorom działać zanim firma w tarapatach osiągnie punkt bez powrotu.

Cytowanie: Liu, W., Zhang, Y. & Du, M. Enhanced adaptive zebra optimization algorithm optimized kernel extreme learning machine for bankruptcy prediction problems. Sci Rep 16, 10268 (2026). https://doi.org/10.1038/s41598-026-40651-y

Słowa kluczowe: prognozowanie upadłości, ryzyko finansowe, uczenie maszynowe, algorytm optymalizacyjny, optymalizacja zebry