用于破产预测问题的增强自适应斑马优化算法优化的核极限学习机

为何预测企业倒闭至关重要

当一家公司倒闭时，影响很少仅限于自身：岗位消失、贷款未偿还、供应链受扰且地方经济动摇。因此，能够提前数年识别破产预警信号，不仅对企业高管有价值，也对银行、投资者和监管机构至关重要。本研究提出了一种新的计算方法，可以在财务数据中筛选出问题企业，比许多现有工具更早、更可靠地发出警示。

更聪明地解读财务信号

传统的破产预测方法通常依赖若干财务比率（如负债水平或现金流）之间的线性关系。这类方法易于理解，但在面对真实公司账目中混乱、非线性的模式时表现欠佳，尤其在市场动荡时期。近年来，机器学习模型通过从历史数据中发现微妙模式提高了预测准确性。核极限学习机（Kernel Extreme Learning Machine）就是其中一种，能快速学习复杂关系，但其成败取决于一对内部参数的恰当选择。参数选择不当会导致预测不可靠，而常见的参数搜索方法既缓慢又容易被误导。

斑马启发出更好的搜索策略

作者从自然中汲取灵感，借鉴斑马群体觅食与防御行为。在他们的计算模型中，每只斑马代表一个可能的优化解——也就是机器学习模型的一组参数设置。早期的斑马优化算法（Zebra Optimization Algorithm）通过群体在搜索空间中移动来寻找解，但它们往往过快丧失多样性并陷入中等质量的解。为了解决这一问题，研究者设计了一个增强版，称为EAZOA，它记录表现最好的“斑马”，允许部分个体偶尔进行长距离探索跳跃，并对搜索空间边界进行额外处理，以免将接近边界的优秀解舍弃。

在艰难问题上测试新“群体”

在将EAZOA应用于真实财务数据之前，团队先在广泛用于基准测试搜索算法的高难度数学问题上进行测试。在这些挑战中，无论复杂度是中等还是高，EAZOA始终比包括粒子群、灰狼、鲸鱼启发方法以及原始斑马方法在内的多种知名算法找到更好的解且波动更小。它在向高质量解收敛时更快，同时仍足够广泛地探索，从而避免陷入局部最优，展现了搜索广度与精细调整之间的良好平衡。

将更好的搜索转化为更准确的破产判断

为了检验这些改进在实际中的意义，作者将EAZOA与核极限学习机结合，并在一个知名的波兰数据集上训练该模型。该数据集包含240家公司的30项财务比率，其中约一半公司后来破产。研究使用了严格的交叉验证，在保持破产与健康公司比例的同时反复打乱并划分数据，以评估系统对未见样本的泛化能力。与通过其他优化方案调参的同类型学习机相比，EAZOA增强的模型在准确率、精确率、召回率和F1值等常用指标上取得了最高分，并在重复试验中表现出相对稳定的性能。

这对现实世界的风险监测意味着什么

对非专业读者而言，核心信息是：我们如何调优预测模型可能与模型本身一样重要。通过更智能地引导虚拟斑马群在可能的参数空间中搜索，作者获得了一个更快、更可靠的企业困境预警工具。尽管目前的结果基于来自一个国家的单一中等规模数据集，但研究表明，当这类仿生启发的搜索策略与现代学习技术结合时，可能成为监测金融健康的有用组成部分，帮助管理者、放贷方和监管者在企业陷入无可挽回境地之前采取行动。

引用: 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

关键词: 破产预测, 金融风险, 机器学习, 优化算法, 斑马优化