基于“有思考的创新策略”增强型北燕鸮优化器的极限学习机用于破产预测问题

为什么预测企业困境很重要

当一家公司突然破产时，员工失去工作，投资者遭受损失，银行承担沉重的亏损。如果我们能够提前数年识别出财务危机，贷款人、监管机构和管理层就能有更多时间采取应对措施。本文提出了一种新的破产预测方法，结合了快速的机器学习与一种受猛禽捕猎行为启发的自然搜索策略。

把资产负债表变成预警信号

作者关注的是银行和审计师每天面临的任务：根据详细的财务数据判断一家公司是健康还是接近倒闭。这被视为一个二元决策问题：每家公司被分类为破产或非破产。现代人工智能方法，如神经网络和支持向量机，已经能够完成此类任务，但它们训练可能耗时，并且对内部参数设定非常敏感。一种称为核极限学习机（KELM）的新方法可以更快地学习并处理财务比率中的复杂非线性模式，但其准确性仍在很大程度上依赖于两个难以手工调节的关键内部参数。

从猛禽的狩猎中学习

为调节这些隐含参数，研究者转向一种最近出现的搜索技术类别——元启发式算法。这类方法不是穷举所有可能，而是更智能地在选项空间中游走，常常借鉴自然界的策略。在这里，团队基于北燕鸮优化器（Northern goshawk optimizer）进行构建，该算法受到这些鹰类如何发现并追捕猎物的行为启发。在基本版本中，一群候选解在搜索空间中探索，攻击并追逐代表有希望参数选择的“猎物”。然而，像许多此类算法一样，原始版本可能在初期过于随机地漫游，然后又过早地收敛到一个平庸的解上。

加入思考、变异和边界感知

本文引入了一种名为 TIS_NGO 的升级变体，为受燕鸮启发的搜索添加了三层“智能”。首先，思考创新策略记录已尝试和已学到的内容，使群体不会浪费时间重复评估基本相同的点，并能在搜索推进过程中利用不断增长的“知识深度”。其次，一种新的猎物攻击策略借鉴了差分进化：候选解不仅基于自身位置和单一目标移动，还考虑若干邻居之间的差异，这注入了新的变异并帮助群体摆脱局部陷阱。第三，基于质心的边界控制会将任何漂出允许范围的候选解轻柔地推回到活动搜索区域的中心，减少在无益区域浪费的时间。

把更聪明的搜索付诸考验

在将方法应用于真实公司之前，作者先将 TIS_NGO 与一套国际竞赛中使用的严格数学测试问题上的标准优化器进行了比较。在来自 CEC2017 和 CEC2022 基准的数十个函数上，新算法更频繁地找到更优解、收敛更快，并且比粒子群优化、灰狼优化、鲸鱼优化算法以及原始北燕鸮方法等竞争对手显示出更小的运行间变异。重要的是，它在保持总体计算成本同一数量级的同时实现了这些改进。随后，团队将 TIS_NGO 与 KELM 结合，构建了一个完整的破产预测系统，并在两个真实金融数据集上进行了评估，其中包括一个经典的波兰数据集，该数据集包含 240 家企业多年度的 30 项财务比率。

更准确的预警与更少的误报

在这些真实世界的数据集上，TIS_NGO–KELM 模型相比传统模型（如支持向量机和主流梯度提升方法）及其他优化的 KELM 变体，表现出更高的准确率、更好的在识别问题企业与避免误报之间的平衡，以及在多次测试中更稳定的性能。其马修斯相关系数（在破产样本稀少时尤其有信息量）持续较高，表明在区分健康企业与濒临失败企业方面更强。简单来说，该方法在较早发现真实困境时更可靠，同时不会过度将健康公司标记为不安全。作者认为，快速学习器与更“有思想”的搜索过程相结合，为金融早期预警系统提供了一种实用的新工具，并概述了将其扩展到更大、更具多样性的数据集并纳入更广泛经济信号的未来计划。

引用: 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

关键词: 破产预测, 金融风险, 机器学习, 元启发式优化, 早期预警系统