İyileştirilmiş uyarlanabilir zebra optimizasyon algoritması ile optimize edilmiş kernel aşırı öğrenme makinesiyle iflas tahmini sorunları

Şirket başarısızlığını tahmin etmenin önemi

Bir şirket çöktüğünde zarar nadiren yalnızca o şirketle sınırlı kalır: işler kaybolur, krediler geri ödenmez, tedarik zincirleri bozulur ve yerel ekonomiler sarsılır. Bu yüzden iflas uyarı işaretlerini yıllar öncesinden tespit edebilmek yalnızca işletme liderleri için değil, bankalar, yatırımcılar ve düzenleyiciler için de değerlidir. Bu çalışma, finansal verileri tarayarak birçok mevcut araçtan daha erken ve daha güvenilir şekilde sorunlu firmaları işaretleyen yeni bir bilgisayar tabanlı yaklaşım sunar.

Finansal sinyalleri okumak için daha akıllı bir yol

İflası tahmin etmek için kullanılan geleneksel yöntemler genellikle borç seviyeleri veya elde nakit gibi birkaç finansal oran arasında doğrusal ilişkilere dayanır. Bu yöntemler anlaşılması kolaydır ama gerçek şirket hesaplarındaki dağınık, doğrusal olmayan örüntülerle, özellikle piyasalarda dalgalanma olduğunda, başa çıkmakta zorlanır. Son yıllarda makine öğrenimi modelleri, geçmiş verilerdeki ince örüntüleri ortaya çıkararak doğruluğu artırdı. Kernel Extreme Learning Machine olarak adlandırılan bir yöntem, karmaşık ilişkileri hızla öğrenebilir, ancak başarısı iç ayarlardan ikilisinin doğru seçilmesine bağlıdır. Kötü seçimler tahminleri güvenilmez kılabilir ve bu ayarları ince ayarlamak için kullanılan yaygın arama yöntemleri yavaş ve kolayca yanıltılabilir.

Zebralar daha iyi bir arama stratejisi ilhamı veriyor

Yazarlar yardımı doğadan alıyor; zebra sürülerinin besin arama ve savunma biçimlerinden ilham alıyorlar. Bilgisayar modellerinde her zebra, bir optimizasyon probleminin — burada makine öğrenimi modelinin belirli bir ayarının — olası bir çözümünü temsil eder. Bu sözde Zebra Optimizasyon Algoritması'nın önceki sürümleri sürüyü arama uzayında hareket ettiriyordu, ancak çeşitliliği çok hızlı kaybetme ve vasat çözümlerde takılma eğilimindeydiler. Bunu düzeltmek için araştırmacılar, en iyi "zebraları" izleyen, bazılarının ara sıra uzun keşif atlamaları yapmasına izin veren ve arama uzayının sınırlarını ekstra dikkate alarak sınır yakınındaki iyi çözümlerin elenmemesini sağlayan EAZOA adlı geliştirilmiş bir versiyon tasarladılar.

Zorlu problemlerde yeni sürüyü test etmek

EAZOA'yı gerçek finansal verilere uygulamadan önce ekip, arama algoritmalarını kıyaslamak için yaygın olarak kullanılan zorlu matematiksel bulmacalar üzerinde test etti. Bu zorlukların çoğunda ve hem orta hem de yüksek karmaşıklık düzeylerinde EAZOA, parçacık sürüsü, gri kurt ve balina ilhamlı yöntemler de dahil olmak üzere birkaç tanınmış rakibe ve orijinal zebra yaklaşımına kıyasla tutarlı şekilde daha iyi sonuçlar, daha az değişkenlikle buldu. Yüksek kaliteli çözümlere daha hızlı yakınsarken aynı zamanda lokal tuzaklara düşmemek için yeterince genişçe keşif yapmaya devam ederek geniş arama ile ince ayar arasında iyi bir denge gösterdi.

Daha iyi aramayı daha iyi iflas tahminine dönüştürmek

Bu kazanımların pratikte önemli olup olmadığını görmek için yazarlar EAZOA'yı Kernel Extreme Learning Machine ile birleştirdi ve ortaya çıkan modeli, yaklaşık yarısı daha sonra iflas eden 240 firma için 30 finansal oran içeren iyi bilinen bir Polonya veri seti üzerinde eğitti. Başarısız ve sağlıklı şirketlerin oranını koruyarak veriyi tekrar tekrar karıştırıp bölerek dikkatli çapraz doğrulama kullandılar; bu, sistemin görülmemiş durumlara ne kadar iyi genelleşeceğini test etmek içindi. Aynı öğrenme makinesinin diğer optimizasyon şemalarıyla ayarlanmış versiyonlarıyla karşılaştırıldığında EAZOA ile güçlendirilmiş model, doğruluk, kesinlik, geri çağırma ve F1 skoru gibi standart ölçütlerde en yüksek puanları elde etti ve tekrarlı denemeler boyunca görece istikrarlı performans gösterdi.

Gerçek dünya risk izleyicileri için anlamı

Uzman olmayanlar için ana mesaj, bir öngörücü modeli nasıl ayarladığımızın modelin kendisi kadar önemli olabileceğidir. Sanal bir zebra sürüsünü olası ayarlar uzayında daha akıllıca yönlendirerek yazarlar, kurumsal sıkıntı için daha hızlı ve daha güvenilir bir erken uyarı aracı elde ettiler. Mevcut sonuçlar tek bir ülkeden orta büyüklükte bir veri setine dayansa da, bio-ilhamlı bu tür arama stratejilerinin modern öğrenme teknikleriyle eşleştirildiğinde finansal sağlığı izleyen sistemlerde yöneticiler, kredi verenler ve düzenleyicilerin zorluk yaşayan bir şirket geri dönülmez noktaya gelmeden önce harekete geçmelerine yardımcı olacak yararlı bileşenler haline gelebileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: iflas tahmini, finansal risk, makine öğrenimi, optimizasyon algoritması, zebra optimizasyonu