İflas tahmini problemleri için elit elenme balık kartalı optimizasyon algoritması ile optimize edilmiş çekirdek aşırı öğrenme makinesi

Sorunları erken fark etmenin önemi

Bir şirket iflas ettiğinde, zarar genellikle yalnızca o şirketle sınırlı kalmaz. Çalışanlar işlerini kaybeder, tedarikçilere ödemeler yapılmaz, bankalar ve yatırımcılar zarar yazar ve tüm bölgeler bundan etkilenebilir. Son krizler ve tedarik zinciri aksaklıklarının ardından kredi verenler ve düzenleyiciler, bir şirketin ciddi mali sıkıntıya sürüklendiğini önceden haber verebilecek araçlara acilen ihtiyaç duyuyor. Bu makale tam da bunu amaçlayan yeni bir yapay zeka modeli sunuyor: karmaşık finansal verileri tarayıp, birçok mevcut yöntemden daha doğru ve verimli şekilde iflasa doğru sessizce kayan şirketleri işaretlemek.

Bilgisayarlara finansal erken uyarı işaretlerini öğretmek

Geleneksel istatistiksel modeller ve hatta daha eski makine öğrenimi yaklaşımları, gerçek finansal verilerin dağınık ve doğrusal olmayan doğasıyla başa çıkmakta zorlanır. Sinir ağları ve destek vektör makineleri karmaşık desenleri yakalayabilir, ancak genellikle yavaş eğitilirler ve gerçekten en iyi olmayan "yerel" çözümlerde takılabilirler. Daha yeni bir yaklaşım olan Çekirdek Aşırı Öğrenme Makinesi (KELM), çok hızlı eğitilir ve genelde güçlü tahminler yapar, fakat bir sakıncası vardır: performansı birkaç önemli parametrenin doğru seçimine bağlıdır. Bu ayarları elle seçmek zor ve koşullar değiştiğinde başarısız olabilecek aşırı güvenli modeller üretebilir.

Daha iyi modeller için doğadan ilham alan arama

KELM'i otomatik olarak ayarlamak için yazarlar, hayvan davranışlarından ilham alan ve bir "sürü" halinde aday çözümleri olasılık manzarası üzerinde hareket ettirerek iyi çözümler arayan algoritma sınıfına yöneliyor. Çalışma, balık kartalının avlanma alışkanlıklarını modelleyen yeni bir yöntemin üzerine inşa ediliyor. Elite-Elimination Osprey Optimization Algorithm (EEOOA) adı verilen yeni varyant üç fikir ekliyor: sürünün en iyi üyelerinden öğrenmesine ağırlık vermek, çıkmazlardan kaçmak için zaman zaman büyük sıçramalar yapmayı sağlayan akıllı bir yöntem kullanmak ve zayıf adayları kademeli olarak elerken en iyi bulunan çözüme yakın yeni adaylar üretmek. Özel bir sınır kuralı, tüm adayların mümkün veya ilgili olmayan değerlerle zaman kaybetmek yerine umut verici bölgelerde kalmasını sağlıyor. Bu iyileştirmeler birlikte, aramanın yüksek kaliteli parametre ayarlarına daha hızlı ve daha güvenilir şekilde odaklanmasına yardımcı oluyor.

Zorlu test problemlerinde aramanın işe yaradığını kanıtlamak

EEOOA'ya gerçek finansal kararlar vermeden önce ekip, onu optimizasyon yöntemlerini karşılaştırmak için yaygın olarak kullanılan zorlu matematiksel kıyas fonksiyonlarında test ediyor. Bu fonksiyonlar, sade arama stratejilerini tuzağa düşürebilecek çok sayıda yerel tepe ve çukurla tasarlanmıştır. Farklı boyutlardaki onlarca böyle problemde, yeni algoritma tutarlı şekilde daha hızlı yakınsıyor ve Grey Wolf ve Whale gibi yedi iyi bilinen rakip ve orijinal balık kartalı yöntemine kıyasla en iyi bilinen çözümlere daha yakın sonuçlar veriyor. Ayrıntılı karşılaştırmalar ve bireysel iyileştirmelerin açılıp kapatıldığı ablation çalışmalar—her bir mekanizmanın değer kattığını ve birlikte en kararlı ve en doğru arama davranışını sağladığını gösteriyor.

Daha iyi aramadan daha iyi iflas tahminlerine geçmek

Bu optimize ediciyle donatılan yazarlar, ardından tam bir iflas tahmin sistemi olan EEOOA-KELM'i inşa ediyor. Sisteme, daha sonra iflas eden ve ayakta kalan firmalar arasında ayrılmış 240 Polonya şirketinden oluşan gerçek dünya veri seti veriliyor; veriler kârlılık, borç yükü ve işletme verimliliği gibi 30 finansal oranla tanımlanıyor. Her test turunda EEOOA, sıkı çapraz doğrulama altında sınıflandırma hatalarını minimize ederek en iyi KELM ayarlarını arıyor; çapraz doğrulama, aşırı uyumu önlemek için veriyi tekrar tekrar eğitim ve test setlerine karıştıran bir prosedürdür. Ortaya çıkan model, diğer optimizasyon algoritmalarıyla ayarlanmış KELM versiyonlarıyla karşılaştırılıyor. EEOOA-KELM doğruluk, kesinlik, geri çağırma ve F1-skoru açısından en yüksek puanları elde ederken, çalıştırmalar arasındaki varyasyonu en küçük gösteriyor—şans yerine dayanıklı bir performans işareti.

Gerçek dünya risk izlemesi için ne anlama geliyor

Uzman olmayanlar için temel çıkarım, yazarların kurumsal sıkıntı için daha güvenilir bir erken uyarı motoru geliştirmiş olmalarıdır. Hangi finansal göstergelerin ve model ayarlarının yaklaşan iflası işaretleyebileceğini tahmin etmeye çalışmak yerine, dikkatle tasarlanmış bir arama sürecinin olasılıkları keşfetmesine ve tekrar eden testler altında en iyi performans gösterenleri kilitlemesine izin veriyorlar. Polonya şirketleri örnekleminde, bu yaklaşım sorunlu şirketleri doğru şekilde tanımlamada ve yanlış alarmlardan kaçınmada ölçülebilir ama anlamlı kazanımlar sağlıyor. Çalışma tek bir veri seti ve ülkeyle sınırlı olsa da yaklaşım geneldir: uygun veriyle, hızlı öğrenen bir sınıflandırıcı ile rafine edilmiş, kuştan ilham alan bir optimize edicinin aynı kombinasyonu bankaların, yatırımcıların ve düzenleyicilerin finansal sağlığı daha doğru izlemesine ve şirketler zayıflamaya başladığında daha erken müdahale etmesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: iflas tahmini, finansal risk, makine öğrenimi, optimizasyon algoritması, erken uyarı sistemleri