基于精英淘汰鹗优化算法的核极限学习机在破产预测问题中的应用

为什么及早发现问题很重要

当一家公司破产时，损害很少局限于公司自身。员工失业、供应商得不到付款、银行和投资者遭受损失，整个地区也可能感受到冲击。经历了近期的危机和供应链中断后，贷方和监管机构迫切需要能在企业走向严重财务困境时发出警报的工具。本文介绍了一种新的人工智能模型，旨在做到这一点：在复杂的财务数据中筛选，标记那些正悄然滑向破产的公司，较许多现有方法更准确、更高效。

教会计算机识别财务预警信号

传统统计模型，甚至早期的机器学习方法，面对真实财务数据的混乱和非线性特征时往往力不从心。神经网络和支持向量机能捕捉复杂模式，但它们训练速度慢，且常陷入非全局最优的“局部”解。一种较新的方法——核极限学习机（KELM）训练非常快速，通常能给出强有力的预测，但也有问题：其性能依赖于为若干关键参数选择恰当的设置。手动挑选这些设置困难，且可能导致在条件变化时失效的过度自信模型。

受自然启发的搜索以获得更好模型

为了自动调优 KELM，作者求助于一类受动物行为启发的算法，这些算法通过让一群候选解在可能性空间中移动来搜索优解。他们基于一种模仿鹗（鱼鹰）捕食习性的最新方法进行了改进。该新变体称为精英淘汰鹗优化算法（EEOOA），引入了三项思路：让群体主要向最优秀的个体学习；采用一种智能机制，偶尔进行大跳跃以逃离死胡同；并逐步淘汰弱候选同时在迄今发现的最佳解附近生成新候选。一个定制的边界规则确保所有候选保持在有前景的区域内，而不是浪费精力在不可能或无关的取值上。综合这些调整，能使搜索更快、更可靠地聚焦于高质量的参数设置。

在困难测试问题上验证搜索有效性

在把 EEOOA 用于真实金融决策之前，团队首先在广泛用于比较优化方法的一系列高难度数学基准上对其进行测试。这些函数被设计得很棘手，具有许多局部峰谷，会让简单的搜索策略陷入困境。在不同维度的几十个此类问题中，该新算法在收敛速度和接近已知最优解方面始终优于七种知名竞争算法，包括灰狼优化、座头鲸优化和原始鹗方法。详尽的比较和消融研究——逐项开关各个改进——表明这三种机制各自都有贡献，且共同作用时提供了最稳定和最准确的搜索行为。

把更好的搜索转化为更准确的破产预测

借助这一优化器，作者进一步构建了完整的破产预测系统 EEOOA-KELM。他们使用了一个包含240家波兰公司的真实数据集，样本分为后来破产的公司和保持偿付能力的公司两类，以30项财务比率（如盈利能力、负债水平和运营效率）描述。每轮测试中，EEOOA 通过在严格交叉验证下最小化分类错误来搜索最佳的 KELM 设置，交叉验证通过反复重排数据为训练集和测试集以避免过拟合。随后将得到的模型与由其他优化算法调优的 KELM 版本进行比较。EEOOA-KELM 在准确率、精确率、召回率和 F1 值等指标上均取得最高分，同时运行间的波动最小——这是稳健性而非偶然的标志。

对现实风险监测的意义

对非专业读者而言，关键结论是作者构建了一个更可靠的企业危机早期预警引擎。他们不是凭直觉猜测哪些财务指标和模型设置组合可能预示破产，而是让一个精心设计的搜索过程去探索可能性，并在重复测试中锁定那些表现最佳的组合。在这组波兰公司的样本上，这带来了在正确识别问题公司同时减少误报方面适度但有意义的提升。尽管该研究仅局限于一个数据集和一个国家，但该方法具有通用性：有了合适的数据，同样的快速学习分类器与经过优化的、受鸟类启发的优化器组合，能够帮助银行、投资者和监管机构更准确地监测财务健康状况，并在企业开始恶化时更早做出反应。

引用: 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

关键词: 破产预测, 金融风险, 机器学习, 优化算法, 预警系统