Uma estratégia de inovação reflexiva baseada no Northern goshawk optimizer aprimorada com máquina de aprendizado extremo para problemas de previsão de falência

Por que prever problemas empresariais é importante

Quando uma empresa de repente entra em falência, trabalhadores perdem empregos, investidores perdem dinheiro e bancos absorvem perdas dolorosas. Se pudéssemos detectar problemas financeiros anos antes, credores, reguladores e gestores teriam mais tempo para reagir. Este artigo apresenta uma nova forma de prever quais empresas têm maior probabilidade de falhar, usando uma combinação de aprendizado de máquina rápido e uma estratégia de busca inspirada na natureza baseada no comportamento de caça de uma ave de rapina.

Transformando balanços em sinais de alerta precoce

Os autores se concentram em uma tarefa que bancos e auditores enfrentam todos os dias: decidir se uma empresa parece financeiramente saudável ou próxima do colapso, com base em registros numéricos detalhados. Isso é tratado como um problema de decisão binária: cada companhia é classificada como falida ou não falida. Métodos modernos de inteligência artificial, como redes neurais e máquinas de vetores de suporte, já realizam esse tipo de tarefa, mas podem ser lentos para treinar e muito sensíveis à escolha de seus parâmetros internos. Um método mais recente chamado Kernel Extreme Learning Machine (KELM) pode aprender muito mais rápido e lidar com padrões não lineares complexos em índices financeiros, mas sua acurácia ainda depende fortemente de dois parâmetros internos chave que são difíceis de ajustar manualmente.

Aprendendo com a caça de uma ave

Para ajustar esses parâmetros ocultos, os pesquisadores recorrem a uma classe recente de técnicas de busca conhecidas como algoritmos metaheurísticos. Em vez de testar todas as possibilidades, esses métodos percorrem o espaço de opções de forma mais inteligente, muitas vezes copiando estratégias observadas na natureza. Aqui, a equipe baseia-se no Northern goshawk optimizer, inspirado em como esses gaviões localizam e perseguem presas. Na versão básica, um enxame de soluções candidatas explora o espaço de busca, atacando e perseguindo a “presa” que representa escolhas de parâmetros promissoras. Entretanto, como muitos desses algoritmos, a versão original pode vagar de forma excessivamente aleatória no início e depois convergir rápido demais para uma solução mediana.

Adicionando raciocínio, variação e senso de limites

O artigo introduz uma variante aprimorada chamada TIS_NGO, que acrescenta três camadas de “inteligência” à busca inspirada no gavião. Primeiro, uma estratégia de inovação reflexiva registra o que já foi testado e aprendido até o momento, para que o enxame não perca tempo reavaliando pontos essencialmente iguais e possa aproveitar uma crescente “profundidade de conhecimento” à medida que a busca avança. Segundo, uma nova estratégia de ataque à presa empresta conceitos da evolução diferencial: em vez de se mover com base apenas em sua própria posição e em um único alvo, cada candidato também considera diferenças entre vários vizinhos, o que injeta variação e ajuda o enxame a escapar de becos sem saída locais. Terceiro, um controle de limite baseado em centróide empurra suavemente qualquer candidato que saia da faixa permitida de volta em direção ao centro da região ativa de busca, reduzindo o tempo gasto em regiões pouco úteis do espaço.

Testando a busca mais inteligente

Antes de aplicar seu método a empresas reais, os autores confrontam o TIS_NGO com um conjunto de otimizadores padrão em problemas matemáticos exigentes usados em competições internacionais. Em dezenas dessas funções dos benchmarks CEC2017 e CEC2022, o novo algoritmo encontra soluções melhores com mais frequência, converge mais rápido e mostra menos variabilidade entre execuções do que rivais como Particle Swarm Optimization, Grey Wolf Optimizer, Whale Optimization Algorithm e o método Northern goshawk original. Importante, faz isso mantendo o custo computacional total na mesma ordem de magnitude. A equipe então combina TIS_NGO com KELM para formar um sistema completo de previsão de falência e o avalia em dois conjuntos de dados financeiros reais, incluindo um clássico conjunto polonês com 30 índices financeiros para 240 empresas ao longo de vários anos.

Alertas mais precisos com menos falsos positivos

Nesses conjuntos de dados do mundo real, o modelo TIS_NGO–KELM oferece maior precisão, melhor equilíbrio entre detectar empresas em dificuldade e evitar falsos alarmes, e desempenho mais estável ao longo de testes repetidos do que modelos tradicionais (como máquinas de vetores de suporte e métodos populares de gradient boosting) e outras variantes de KELM otimizadas. Suas pontuações de correlação de Matthews — uma medida especialmente informativa quando empresas falidas são raras — são consistentemente maiores, indicando discriminação mais forte entre negócios saudáveis e em falência. Em termos simples, o método é melhor em identificar sofrimento genuíno cedo sem rotular indevidamente empresas saudáveis como inseguras. Os autores argumentam que essa combinação de um aprendente rápido e um processo de busca mais “reflexivo” oferece uma nova ferramenta prática para sistemas financeiros de alerta precoce, e delineiam planos futuros para expandi‑la para conjuntos de dados maiores e mais diversos e para incorporar sinais econômicos mais amplos.

Citação: 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

Palavras-chave: previsão de falência, risco financeiro, aprendizado de máquina, metaheurística de otimização, sistemas de alerta precoce