Algoritmo de otimização Elite Elimination Osprey combinado com Kernel Extreme Learning Machine para problemas de previsão de falência

Por que detectar problemas cedo importa

Quando uma empresa entra em falência, o dano raramente se limita às suas portas. Trabalhadores perdem empregos, fornecedores ficam sem receber, bancos e investidores têm prejuízos, e regiões inteiras podem sentir o impacto. Após crises recentes e rupturas em cadeias de suprimento, credores e reguladores buscam com urgência ferramentas que os alertem quando uma empresa está se aproximando de sérias dificuldades financeiras. Este artigo apresenta um novo modelo de inteligência artificial que pretende fazer exatamente isso: vasculhar dados financeiros complexos e sinalizar empresas que estão silenciosamente se aproximando da falência, de maneira mais precisa e eficiente do que muitos métodos atuais.

Ensinar computadores a ler sinais de alerta financeiros

Modelos estatísticos tradicionais e até gerações anteriores de aprendizado de máquina têm dificuldade com a natureza desordenada e não linear dos dados financeiros reais. Redes neurais e máquinas de vetores de suporte conseguem capturar padrões complexos, mas frequentemente treinam devagar e podem ficar presas em soluções "locais" que não são realmente as melhores. Uma abordagem mais recente, chamada Kernel Extreme Learning Machine (KELM), treina muito rapidamente e geralmente faz previsões robustas, mas tem uma limitação: seu desempenho depende de escolher corretamente um pequeno conjunto de parâmetros-chave. Selecionar esses parâmetros manualmente é difícil e pode levar a modelos excessivamente confiantes que falham quando as condições mudam.

Busca inspirada na natureza por modelos melhores

Para ajustar a KELM automaticamente, os autores recorrem a uma classe de algoritmos inspirados no comportamento animal, que procuram boas soluções movendo um "bando" de candidaturas por uma paisagem de possibilidades. Eles se baseiam em um método recente modelado nos hábitos de caça dos gaviões-pescadores (ospreys). A nova variante, chamada Elite-Elimination Osprey Optimization Algorithm (EEOOA), adiciona três ideias: permite que o bando aprenda principalmente com seus melhores membros, usa uma estratégia inteligente de saltos ocasionais grandes para escapar de becos sem saída e elimina gradualmente candidatos fracos enquanto gera novos perto da melhor solução encontrada até então. Uma regra de fronteira personalizada mantém todos os candidatos em regiões promissoras em vez de desperdiçar esforço em valores impossíveis ou irrelevantes. Juntas, essas melhorias ajudam a busca a convergir para configurações de parâmetros de alta qualidade de forma mais rápida e confiável.

Comprovando que a busca funciona em problemas de teste difíceis

Antes de confiar na EEOOA para decisões financeiras reais, a equipe a testa primeiro em benchmarks matemáticos exigentes amplamente usados para comparar métodos de otimização. Essas funções são projetadas para serem traiçoeiras, com muitos picos e vales locais que podem prender estratégias de busca ingênuas. Em dezenas desses problemas em diferentes dimensões, o novo algoritmo converge consistentemente mais rápido e fica mais próximo das melhores soluções conhecidas do que sete concorrentes bem conhecidos, incluindo otimizações Grey Wolf e Whale e o método original inspirado no osprey. Comparações detalhadas e estudos de ablação — nos quais melhorias individuais são ativadas e desativadas — mostram que cada um dos três mecanismos agrega valor e que, combinados, eles proporcionam o comportamento de busca mais estável e preciso.

Transformando uma busca melhor em previsões de falência melhores

Munidos desse otimizador, os autores constroem em seguida um sistema completo de previsão de falência, EEOOA-KELM. Eles o alimentam com um conjunto de dados do mundo real de 240 empresas polonesas, divididas entre firmas que posteriormente faliram e as que permaneceram solventes, descritas por 30 índices financeiros como lucratividade, endividamento e eficiência operacional. Em cada rodada de teste, a EEOOA procura as melhores configurações da KELM minimizando erros de classificação sob validação cruzada rigorosa, um procedimento que reorganiza repetidamente os dados em conjuntos de treino e teste para evitar sobreajuste. O modelo resultante é então comparado com versões da KELM ajustadas por outros algoritmos de otimização. A EEOOA-KELM alcança as melhores pontuações em acurácia, precisão, recall e F1-score, mostrando também a menor variação entre execuções — um sinal de robustez em vez de sorte.

O que isso significa para o monitoramento de risco no mundo real

Para não especialistas, a principal conclusão é que os autores construíram um motor de alerta precoce mais confiável para o risco corporativo. Em vez de tentar adivinhar quais combinações de indicadores financeiros e configurações de modelo podem sinalizar uma falência iminente, eles deixam um processo de busca cuidadosamente projetado explorar as possibilidades e identificar aquelas que têm melhor desempenho sob testes repetidos. Na amostra de empresas polonesas, isso produz ganhos modestos mas relevantes na identificação correta de empresas em dificuldade, ao mesmo tempo em que evita falsos alarmes. Embora o estudo seja limitado a um conjunto de dados e a um país, a abordagem é geral: com dados adequados, a mesma combinação de um classificador de aprendizado rápido e um otimizador refinado, inspirado em aves, poderia ajudar bancos, investidores e reguladores a monitorar a saúde financeira com mais precisão e reagir mais cedo quando empresas começarem a fraquejar.

Citação: 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

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