Улучшенный адаптивный алгоритм зебровой оптимизации, оптимизирующий Kernel Extreme Learning Machine для задач прогнозирования банкротства

Почему важно предсказывать крах компаний

Когда компания рушится, вред редко ограничивается только её пределами: рабочие места исчезают, кредиты остаются невозвращёнными, цепочки поставок нарушаются, а местные экономики пошатываются. Умение распознавать признаки приближающегося банкротства за годы до его наступления ценно не только для руководителей компаний, но и для банков, инвесторов и регуляторов. В этом исследовании представлен новый компьютерный подход, который анализирует финансовые данные, чтобы выявлять проблемные компании раньше и надёжнее, чем многие существующие инструменты.

Более умный способ считывать финансовые сигналы

Традиционные методы прогнозирования банкротства обычно опираются на линейные взаимосвязи между несколькими финансовыми коэффициентами, такими как уровень долга или объём наличности. Эти методы понятны, но им тяжело справляться с запутанными, нелинейными закономерностями, присутствующими в реальной корпоративной отчётности, особенно в условиях волатильных рынков. За последние годы модели машинного обучения повысили точность, обнаруживая тонкие шаблоны в исторических данных. Один из таких методов, называемый Kernel Extreme Learning Machine, быстро обучается сложным зависимостям, но его успех зависит от корректного выбора двух внутренних параметров. Неправильный подбор делает прогнозы ненадёжными, а распространённые методы поиска настроек медлительны и легко вводятся в заблуждение.

Зебры вдохновляют более эффективную стратегию поиска

Авторы обратились к природе за подсказкой, вдохновившись тем, как стада зебр находят пищу и защищаются. В их компьютерной модели каждая зебра представляет собой возможное решение задачи оптимизации — в данном случае конкретную конфигурацию параметров модели машинного обучения. Ранние версии так называемого алгоритма зебровой оптимизации перемещали стадо по пространству поиска, но они склонны были быстро терять разнообразие и застревать на посредственных решениях. Чтобы исправить это, исследователи разработали улучшенную версию, названную EAZOA, которая отслеживает лучших «зебр», позволяет некоторым из них совершать редкие длинные исследовательские прыжки и аккуратно обращается с краями пространства поиска, чтобы хорошие решения вблизи границ не отбрасывались.

Тестирование нового стада на сложных задачах

Прежде чем применять EAZOA к реальным финансовым данным, команда испытала его на требовательных математических задачах, которые широко используются для бенчмаркинга алгоритмов поиска. По многим из этих задач и при умеренной, и при высокой сложности EAZOA последовательно находил лучшие решения с меньшей вариативностью по сравнению с несколькими известными конкурентами, включая алгоритмы роя частиц, серых волков и, вдохновлённые китами, а также оригинальный зебровый подход. Он сходился быстрее к качественным решениям, при этом достаточно широко исследуя пространство, чтобы не застревать в локальных оптимумах, демонстрируя хороший баланс между разведкой и донастройкой.

Превращение лучшего поиска в более точные прогнозы банкротства

Чтобы проверить, имеют ли эти достижения практическое значение, авторы объединили EAZOA с Kernel Extreme Learning Machine и обучили полученную модель на известном польском наборе данных, содержащем 30 финансовых коэффициентов для 240 компаний, примерно половина из которых впоследствии обанкротилась. Они применили тщательную кросс-валидацию, многократно перетасовывая и разделяя данные с сохранением пропорции банкротов и стабильных компаний, чтобы оценить, как система будет обобщать на невидимые случаи. По сравнению с версиями той же обучающей машины, настроенными другими схемами оптимизации, модель с EAZOA показала наивысшие показатели по стандартным метрикам, таким как точность, precision, recall и F1‑score, причём демонстрировала относительно стабильную производительность в повторных испытаниях.

Что это значит для наблюдателей финансовых рисков в реальном мире

Для неспециалистов основная мысль такова: то, как мы настраиваем предиктивную модель, может быть не менее важным, чем сама модель. Направляя виртуальное стадо зебр более разумно по пространству возможных настроек, авторы получают более быстрый и надёжный инструмент раннего предупреждения о корпоративных трудностях. Хотя текущие результаты основаны на одном наборе данных среднего размера из одной страны, они указывают на то, что такие био-вдохновлённые стратегии поиска в сочетании с современными методами обучения могут стать полезными компонентами систем мониторинга финансового здоровья, помогая менеджерам, кредиторам и регуляторам принимать меры до того, как компания достигнет точки невозврата.

Цитирование: 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

Ключевые слова: прогнозирование банкротства, финансовый риск, машинное обучение, алгоритм оптимизации, зебровая оптимизация