Algoritmo de otimização zebra adaptativo aprimorado e Máquina de Aprendizado Extrema com Kernel otimizada para problemas de previsão de falência

Por que prever a falência corporativa importa

Quando uma empresa entra em colapso, os impactos raramente se limitam ao seu próprio âmbito: empregos desaparecem, empréstimos deixam de ser pagos, cadeias de suprimento se fragilizam e economias locais oscilam. Ser capaz de identificar sinais de alerta de falência com anos de antecedência é, portanto, valioso não apenas para líderes empresariais, mas também para bancos, investidores e reguladores. Este estudo apresenta uma nova abordagem computacional que vasculha dados financeiros para sinalizar empresas em dificuldade mais cedo e com maior confiabilidade do que muitas ferramentas existentes.

Uma maneira mais inteligente de ler sinais financeiros

Métodos tradicionais para prever falências costumam basear-se em relações lineares simples entre alguns índices financeiros, como níveis de endividamento ou caixa disponível. Esses métodos são fáceis de entender, mas têm dificuldade com padrões desordenados e não lineares encontrados nas contas corporativas reais, especialmente em mercados voláteis. Nos últimos anos, modelos de aprendizado de máquina melhoraram a acurácia ao descobrir padrões sutis em dados históricos. Um desses métodos, chamado Kernel Extreme Learning Machine, pode aprender rapidamente relações complexas, mas seu sucesso depende de escolher corretamente um par de parâmetros internos. Más escolhas podem tornar suas previsões pouco confiáveis, e métodos comuns de busca para ajustar esses parâmetros são lentos e facilmente enganados.

Zebras inspiram uma estratégia de busca melhor

Os autores recorrem à natureza em busca de inspiração, partindo do comportamento de manadas de zebras ao se alimentar e se defender. Em seu modelo computacional, cada zebra representa uma solução possível para um problema de otimização — aqui, uma configuração específica do modelo de aprendizado de máquina. Versões anteriores desse chamado Algoritmo de Otimização Zebra moviam a manada pelo espaço de busca, mas tendiam a perder diversidade rapidamente e ficar presas em soluções medíocres. Para corrigir isso, os pesquisadores projetaram uma versão aprimorada, chamada EAZOA, que acompanha as melhores "zebras", permite que algumas realizem saltos exploratórios longos ocasionais e trata com cuidado extra as bordas do espaço de busca para que boas soluções próximas aos limites não sejam descartadas.

Testando a nova manada em problemas difíceis

Antes de aplicar o EAZOA a dados financeiros reais, a equipe testou o método em problemas matemáticos exigentes amplamente usados para avaliar algoritmos de busca. Em muitos desses desafios, e em níveis de complexidade tanto modestos quanto elevados, o EAZOA consistentemente encontrou soluções melhores, com menor variabilidade, do que vários concorrentes conhecidos, incluindo métodos inspirados em enxame de partículas, lobo-cinzento e baleia, assim como a abordagem zebra original. Convergiu mais rapidamente para soluções de alta qualidade enquanto ainda explorava amplamente o espaço, evitando ficar preso em ótimos locais, demonstrando um bom equilíbrio entre busca ampla e refinamento.

Convertendo a busca aprimorada em melhores previsões de falência

Para verificar se esses ganhos importam na prática, os autores combinaram o EAZOA com a Kernel Extreme Learning Machine e treinaram o modelo resultante em um conhecido conjunto de dados polonês contendo 30 índices financeiros de 240 empresas, cerca de metade das quais posteriormente faliu. Eles usaram validação cruzada cuidadosa, embaralhando e dividindo os dados repetidamente enquanto preservavam a proporção de empresas falidas e saudáveis, para verificar quão bem o sistema generalizaria para casos não vistos. Em comparação com versões da mesma máquina de aprendizado ajustadas por outros esquemas de otimização, o modelo aprimorado com EAZOA atingiu as maiores pontuações em medidas padrão como acurácia, precisão, recall e F1-score, e fez isso com desempenho relativamente estável ao longo de ensaios repetidos.

O que isso significa para observadores do risco no mundo real

Para não especialistas, a principal mensagem é que a forma como ajustamos um modelo preditivo pode ser tão importante quanto o próprio modelo. Ao guiar uma manada virtual de zebras de maneira mais inteligente pelo espaço de configurações possíveis, os autores obtêm uma ferramenta de alerta precoce mais rápida e confiável para problemas corporativos. Embora os resultados atuais se baseiem em um único conjunto de dados de porte médio de um país, eles sugerem que tais estratégias de busca inspiradas na biologia, quando combinadas com técnicas modernas de aprendizado, podem se tornar componentes úteis em sistemas que monitoram a saúde financeira, ajudando gestores, credores e reguladores a agir antes que uma empresa em dificuldade alcance o ponto sem retorno.

Citação: 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

Palavras-chave: previsão de falência, risco financeiro, aprendizado de máquina, algoritmo de otimização, otimização zebra