Стратегия мышления инноваций на основе оптимизатора северного ястреба, улучшенный экстремальный обучающийся механизм для задач прогнозирования банкротства

Почему важно предсказывать финансовые проблемы

Когда компания внезапно банкротится, работники теряют рабочие места, инвесторы — деньги, а банки несут болезненные убытки. Если выявлять признаки финансовых затруднений за годы до краха, кредиторы, регуляторы и менеджеры получали бы больше времени на реакцию. В этой работе предложен новый подход к прогнозированию того, какие фирмы с высокой вероятностью потерпят неудачу, сочетающий быстрые методы машинного обучения с поисковой стратегией, вдохновлённой поведением хищной птицы при охоте.

Преобразование балансов в сигналы раннего предупреждения

Авторы сосредоточены на задаче, с которой ежедневно сталкиваются банки и аудиторы: оценить, выглядит ли фирма финансово здоровой или близкой к краху, опираясь на подробные числовые данные. Это трактуется как двоичная задача: каждая компания классифицируется как банкрот или не банкрот. Современные методы ИИ, такие как нейронные сети и метод опорных векторов, уже справляются с такими задачами, но обучение у них может быть медленным и сильно зависеть от настройки внутренних параметров. Новый метод Kernel Extreme Learning Machine (KELM) обучается гораздо быстрее и способен улавливать сложные нелинейные зависимости в финансовых коэффициентах, однако его точность по‑прежнему сильно зависит от двух ключевых настроек, которые трудно подобрать вручную.

Учимся у охоты птицы

Для настройки этих скрытых параметров исследователи обращаются к новому классу поисковых техник, известному как метаэвристические алгоритмы. Вместо перебора всех вариантов такие методы интеллектуально исследуют пространство решений, часто копируя стратегии, наблюдаемые в природе. В данной работе команда основывается на оптимизаторе северного ястреба, вдохновлённом тем, как эти ястребы обнаруживают и преследуют добычу. В базовой версии рой кандидатов решений исследует пространство поиска, атакует и преследует «добычу», соответствующую обещающим набором параметров. Однако, как и многие подобные алгоритмы, исходная версия может сначала слишком случайно блуждать, а затем преждевременно сойтись на посредственном решении.

Добавление размышлений, вариативности и контроля границ

В статье предложен улучшенный вариант под названием TIS_NGO, который вводит три уровня «мышления» в вдохновлённый ястребом поиск. Во‑первых, стратегия мыслительного новаторства фиксирует уже опробованные и изученные точки, чтобы рой не тратил время на повторную оценку по сути тех же решений и мог опираться на растущий «глубинный запас знаний» по мере продвижения поиска. Во‑вторых, новая стратегия атаки на добычу заимствует идеи из дифференциальной эволюции: вместо движения, основанного только на собственной позиции и одной цели, каждый кандидат учитывает различия между несколькими соседями, что вносит свежую вариативность и помогает рою выходить из локальных ловушек. В‑третьих, контроль границ на основе центроида мягко подталкивает любой кандидат, который уходит за допустимые пределы, обратно к центру активного региона поиска, сокращая время, проведённое в бесполезных частях пространства решений.

Проверка усовершенствованного поиска

Перед применением метода к реальным компаниям авторы сравнили TIS_NGO с набором стандартных оптимизаторов на сложных математических тестовых задачах, используемых в международных конкурсах. На десятках функций из эталонов CEC2017 и CEC2022 новый алгоритм чаще находит лучшие решения, сходится быстрее и демонстрирует меньшую вариативность между запусками по сравнению с конкурентами — Particle Swarm Optimization, Grey Wolf Optimizer, Whale Optimization Algorithm и исходным методом северного ястреба. Важно, что при этом общие вычислительные затраты остаются того же порядка величины. Затем команда комбинировала TIS_NGO с KELM, чтобы получить полноценную систему прогнозирования банкротств, и проверяла её на двух реальных финансовых наборах данных, включая классический польский набор с 30 финансовыми коэффициентами для 240 фирм за несколько лет.

Более четкие предупреждения при меньшем числе ложных тревог

На этих реальных наборах данных модель TIS_NGO–KELM показывает более высокую точность, лучший баланс между обнаружением проблемных фирм и избеганием ложных срабатываний, а также более стабильную работу между повторными тестами по сравнению как с традиционными моделями (например, методами опорных векторов и популярными градиентными бустинг‑алгоритмами), так и с другими оптимизированными вариантами KELM. Её значения коэффициента корреляции Мэттьюса — метрики, особенно информативной при редкости банкротств — последовательно выше, что указывает на более сильную способность различать здоровые и терпящие бедствие компании. Проще говоря, метод лучше выявляет подлинные признаки финансового стресса на ранних стадиях и при этом не склонен чрезмерно маркировать здоровые фирмы как небезопасные. Авторы утверждают, что сочетание быстрого обучающегося алгоритма и более «обдуманного» поиска представляет практический инструмент для систем раннего финансового предупреждения, и намечают планы по расширению на большие и более разнообразные наборы данных, а также по включению более широких экономических индикаторов.

Цитирование: 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

Ключевые слова: прогнозирование банкротства, финансовый риск, машинное обучение, метаэвристическая оптимизация, системы раннего предупреждения