Алгоритм оптимизации орланов с элиминацией элиты и улучшенная kernel extreme learning machine для задач прогнозирования банкротства

Почему раннее обнаружение проблем важно

Когда компания обанкрочивается, последствия редко ограничиваются её стенами. Люди теряют работу, поставщики остаются без оплаты, банки и инвесторы несут убытки, а целые регионы ощущают шок. После недавних кризисов и сбоев в цепочках поставок кредиторы и регуляторы остро нуждаются в инструментах, которые могли бы предупредить об ухудшении финансового состояния фирмы. В этой статье представлен новый модельный подход в области искусственного интеллекта, цель которого — именно это: просеять сложные финансовые данные и отметить компании, незаметно скатывающиеся к банкротству, точнее и эффективнее многих существующих методов.

Обучение компьютеров распознавать финансовые сигналы тревоги

Традиционные статистические модели и даже старые поколения методов машинного обучения испытывают трудности с неаккуратной, нелинейной природой реальных финансовых данных. Нейронные сети и машины опорных векторов способны уловить сложные закономерности, но часто обучаются медленно и могут застрять в «локальных» решениях, которые не являются по-настоящему оптимальными. Более современный подход — Kernel Extreme Learning Machine (KELM) — обучается очень быстро и обычно даёт сильные прогнозы, но у него есть слабое место: его качество зависит от правильного подбора нескольких ключевых параметров. Подбор этих настроек вручную труден и может приводить к чрезмерной уверенности модели, которая ломается при изменении условий.

Поиски лучших моделей, вдохновлённые природой

Чтобы автоматически настроить KELM, авторы обращаются к классу алгоритмов, вдохновлённому поведением животных: они исследуют пространство решений, перемещая «рой» кандидатов по ландшафту возможностей. Они развивают недавний метод, моделировавший охотничьи привычки орланов. Новая версия, названная Elite-Elimination Osprey Optimization Algorithm (EEOOA), вносит три идеи: позволяет рою учиться преимущественно у своих лучших членов, использует умный механизм для периодических больших прыжков, чтобы выбираться из тупиков, и постепенно устраняет слабых кандидатов, порождая новых поблизости от лучшего найденного решения. Специальное правило для границ удерживает всех кандидатов в перспективных районах, вместо того чтобы тратить усилия на невозможные или не относящиеся к делу значения. В совокупности эти приёмы помогают поиску быстрее и надёжнее находить качественные настройки параметров.

Доказательство работоспособности поиска на сложных тестах

Перед тем как доверить EEOOA реальные финансовые решения, команда сначала проверяет его на требовательных математических эталонах, широко используемых для сравнения методов оптимизации. Эти функции специально сложны: у них много локальных пиков и впадин, которые могут захватить простые стратегии поиска. На десятках таких задач в разных размерностях новый алгоритм последовательно сходится быстрее и оказывается ближе к лучшим известным решениям, чем семь хорошо известных конкурентов, включая оптимизаторы Grey Wolf и Whale, а также исходный метод орлана. Подробные сравнения и абляционные исследования — когда отдельные улучшения включают и выключают — показывают, что каждый из трёх механизмов добавляет ценность, а вместе они обеспечивают наиболее стабильное и точное поведение поиска.

Как улучшенный поиск превращается в лучшие прогнозы банкротства

Вооружившись этим оптимизатором, авторы затем создают полноценную систему прогнозирования банкротства EEOOA-KELM. Они кормят её реальным набором данных о 240 польских компаниях, разделённых на фирмы, которые впоследствии обанкротились, и те, что остались платёжеспособными, описанными 30 финансовыми коэффициентами, такими как рентабельность, долговая нагрузка и операционная эффективность. Для каждого раунда тестирования EEOOA ищет лучшие настройки KELM, минимизируя ошибки классификации под строгой процедурой кросс-валидации, при которой данные многократно перемешиваются и разделяются на обучающую и тестовую выборки, чтобы избежать переобучения. Полученная модель затем сравнивается с версиями KELM, настроенными другими алгоритмами оптимизации. EEOOA-KELM демонстрирует наивысшие показатели по точности, precision, recall и F1-score, а также наименьшую вариативность между запусками — признак устойчивости, а не случайности.

Что это значит для мониторинга рисков в реальном мире

Для неспециалистов главный вывод в том, что авторы создали более надёжный механизм раннего предупреждения о корпоративных трудностях. Вместо попыток угадать, какие комбинации финансовых показателей и настроек модели могут сигнализировать о надвигающемся банкротстве, они позволяют тщательно спроектированному процессу поиска исследовать варианты и выбрать те, которые лучше всего проявляют себя при многократном тестировании. На выборке польских компаний это даёт скромный, но значимый прирост в корректном выявлении проблемных фирм при одновременном снижении ложных тревог. Хотя исследование ограничено одним набором данных и одной страной, подход универсален: при наличии подходящих данных то же сочетание быстрого обучающегося классификатора и усовершенствованного, вдохновлённого поведением птиц оптимизатора может помочь банкам, инвесторам и регуляторам точнее отслеживать финансовое здоровье и действовать быстрее, когда компании начинают давать сбой.

Цитирование: 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

Ключевые слова: прогнозирование банкротства, финансовый риск, машинное обучение, алгоритм оптимизации, системы раннего предупреждения