İflas tahmini problemleri için düşünsel inovasyon stratejili Kuzey kerkenez optimizatörü ile güçlendirilmiş aşırı öğrenme makinesi

İşletme sıkıntısını tahmin etmenin önemi

Bir şirket aniden iflas ettiğinde çalışanlar işlerini kaybeder, yatırımcılar para kaybeder ve bankalar ağır zararlarla karşılaşır. Mali sıkıntıyı yıllar öncesinden tespit edebilseydik, kredi verenler, düzenleyiciler ve yöneticiler müdahale etmek için daha çok zamana sahip olurdu. Bu makale, hızlı bir makine öğrenimi yöntemiyle yırtıcı kuşların avlanma davranışından esinlenen doğa temelli bir arama stratejisinin bir karışımını kullanarak hangi firmaların başarısız olma olasılığının yüksek olduğunu tahmin etmenin yeni bir yolunu sunuyor.

Bilanço kalemlerini erken uyarı sinyallerine dönüştürmek

Yazarlar, bankaların ve denetçilerin her gün karşılaştığı bir göreve odaklanıyor: ayrıntılı sayısal kayıtlar temel alınarak bir firmanın mali açıdan sağlıklı mı yoksa çöküşe yakın mı olduğuna karar vermek. Bu, evet-hayır biçiminde bir karar problemi olarak ele alınıyor: her şirket ya iflas etmiş ya da iflas etmemiş olarak sınıflandırılıyor. Sinir ağları ve destek vektör makineleri gibi modern yapay zeka yöntemleri zaten bu tür görevleri yerine getirebiliyor, ancak eğitimleri yavaş olabilir ve iç ayarların nasıl seçildiğine çok duyarlıdırlar. Kernel Extreme Learning Machine (KELM) adı verilen daha yeni bir yöntem çok daha hızlı öğrenebilir ve finansal oranlardaki karışık, doğrusal olmayan desenlerle başa çıkabilir, ancak doğruluğu hâlâ elle ayarlaması zor olan iki temel iç parametreye güçlü biçimde bağlıdır.

Bir kuşun avından öğrenmek

Bu gizli parametreleri ayarlamak için araştırmacılar meta-sezgisel algoritmalar olarak bilinen son sınıf arama tekniklerine yöneliyor. Her olasılığı denemek yerine, bu yöntemler seçenekler manzarasında daha akıllıca dolaşır ve sıklıkla doğada gözlemlenen stratejileri taklit eder. Burada ekip, kerkenezlerin avı nasıl bulup takip ettiğinden ilham alan Kuzey kerkenez optimizatörü üzerine inşa ediyor. Temel versiyonda, aday çözümlerden oluşan bir sürü arama uzayını keşfeder, umut verici parametre seçimlerini temsil eden “av”lara saldırır ve onları kovalar. Ancak, birçok benzer algoritmada olduğu gibi, orijinal versiyon başlangıçta çok rastgele dolaşabilir ve sonra vasat bir çözümde fazla çabuk takılıp kalabilir.

Düşünme, çeşitlilik ve sınır duyusu eklemek

Makale, kerkenez esinli aramaya üç kat “zeka” ekleyen TIS_NGO adlı geliştirilmiş bir varyant tanıtıyor. Birincisi, bir düşünsel inovasyon stratejisi şimdiye kadar deneneni ve öğrenileni takip eder; böylece sürü temelde aynı noktaları yeniden değerlendirmekle zaman kaybetmez ve arama ilerledikçe artan bir “bilgi derinliğinden” yararlanabilir. İkincisi, yeni bir av saldırı stratejisi diferansiyel evrimden ödünç alınır: her aday yalnızca kendi konumuna ve tek bir hedefe dayanmak yerine, birkaç komşu arasındaki farkları da dikkate alır; bu, taze çeşitlilik getirir ve sürünün yerel tuzaklardan kaçmasına yardımcı olur. Üçüncüsü, merkez-tabanlı bir sınır kontrolü izin verilen aralığın dışına kayan adayları etkin arama bölgesinin merkezine doğru nazikçe geri iter; bu, faydasız manzara bölgelerinde geçen zamanı azaltır.

Daha akıllı aramayı teste sokmak

Yöntemlerini gerçek şirketlere uygulamadan önce yazarlar TIS_NGO’yu uluslararası yarışmalarda kullanılan zorlu matematiksel test problemlerinden oluşan bir dizi standart optimizatöre karşı sınarlar. CEC2017 ve CEC2022 benchmark’larından onlarca fonksiyon üzerinde yeni algoritma daha sık daha iyi çözümler buluyor, daha hızlı yakınsıyor ve Parçacık Sürü Optimizasyonu, Gri Kurt Optimizatörü, Balina Optimizasyon Algoritması ve orijinal Kuzey kerkenez yöntemleri gibi rakiplerden daha az çalışmadan-çalışmaya değişkenlik gösteriyor. Önemli olarak, bunu yaparken toplam hesaplama maliyetini aynı büyüklük mertebesinde tutuyor. Ekip daha sonra TIS_NGO’yu KELM ile birleştirip eksiksiz bir iflas tahmin sistemi oluşturuyor ve bunu iki gerçek finansal veri setinde değerlendiriyor; bunlardan biri birkaç yıl boyunca 240 firma için 30 finansal oran içeren klasik bir Polonya veri seti.

Daha az yanlış alarmla daha keskin uyarılar

Bu gerçek dünya veri setlerinde TIS_NGO–KELM modeli daha yüksek doğruluk, sıkıntılı firmaları yakalamak ile yanlış alarmlardan kaçınma arasında daha iyi bir denge ve tekrar edilen testlerde daha istikrarlı performans sunuyor; bu sonuçlar hem geleneksel modellere (destek vektör makineleri ve popüler gradyan artırma yöntemleri gibi) hem de diğer optimize edilmiş KELM varyantlarına kıyasla elde ediliyor. Nadir olan iflaslar söz konusu olduğunda özellikle bilgilendirici olan Matthews korelasyon skorları tutarlı şekilde daha yüksek çıkıyor; bu, sağlıklı ve başarısız olan işletmeler arasındaki ayrımı daha güçlü biçimde gösteriyor. Basitçe söylemek gerekirse, yöntem gerçek sıkıntıyı erken tespit etmede daha başarılı olurken, sağlıklı firmaları gereksiz yere güvensiz olarak etiketlemiyor. Yazarlar, hızlı bir öğrenici ile daha “düşünceli” bir arama sürecinin birleşiminin finansal erken uyarı sistemleri için pratik bir yeni araç sunduğunu savunuyor ve bunu daha büyük, daha çeşitli veri setlerine genişletme ile daha geniş ekonomik sinyalleri dahil etme yönünde gelecek planlarını özetliyor.

Atıf: 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

Anahtar kelimeler: iflas tahmini, finansal risk, makine öğrenimi, meta-sezgisel optimizasyon, erken uyarı sistemleri