DOI: https://doi.org/10.1038/s41598-025-34452-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41813670
تاريخ النشر: 2026-03-12
المؤلف: Keyu Jiang وآخرون
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تناقش هذه القسم أهمية توقع مخاطر الإفلاس في إدارة المخاطر المالية، مع التأكيد على دورها في تقييم الصحة المالية للشركات ومساعدة المؤسسات المالية في عمليات اتخاذ القرار. تواجه نماذج التعلم الآلي التقليدية تحديات في تحسين المعلمات عند التعامل مع بيانات مالية غير خطية وعالية الأبعاد. لمعالجة هذه القيود، يقدم البحث نموذجًا جديدًا لتوقع الإفلاس يجمع بين آلة التعلم المتطرفة باستخدام النواة (KELM) ومحسن شمالي معزز (TIS_NGO)، الذي يتميز باستراتيجية مستوحاة من الفكر (TIS) لتحسين الأداء.
يتضمن TIS_NGO عدة آليات مبتكرة، بما في ذلك آلية ابتكار فكري قائمة على التباين، واستراتيجية هجوم على الفريسة مستوحاة من التطور التفاضلي، وآلية تحكم حدود قائمة على معارضة المركز. تشير النتائج التجريبية من مجموعات الاختبار CEC2017 و CEC2022 إلى أن TIS_NGO يتفوق بشكل كبير على NGO القياسي وخوارزميات أخرى معروفة، مثل تحسين سرب الجسيمات (PSO) ومحسن الذئب الرمادي (GWO)، من حيث سرعة التقارب ودقة الحل. يظهر KELM المحسن، الذي تم ضبطه بدقة باستخدام معلمة العقوبة \( C \) ومعلمة النواة \( \gamma \) الخاصة بـ TIS_NGO، دقة تصنيف عالية وموثوقية على مجموعة بيانات إفلاس ويسلاو. تؤكد هذه النتائج على إمكانية دمج خوارزميات ميتاheuristic المتقدمة مع نماذج التعلم الآلي لتعزيز توقع المخاطر المالية، مما يوفر طريقًا واعدًا لتحسين دقة واستقرار توقع الإفلاس.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على القلق العالمي المتزايد بشأن الأزمات المالية وتأثيرها الكبير على الأعمال، مما يبرز ضرورة وجود أدوات فعالة لتوقع الإفلاس. يتم تأطير هذه الأدوات بشكل أساسي كمشاكل تصنيف ثنائية، مع ظهور مجموعة متنوعة من النماذج من كل من الطرق الإحصائية التقليدية وتقنيات الذكاء الاصطناعي المتقدمة. أظهرت نماذج الذكاء الاصطناعي، وخاصة تلك القادرة على التعامل مع البيانات غير الخطية، أداءً متفوقًا مقارنة بالطرق التقليدية، مدفوعة بالتقدم في تقنيات البيانات الضخمة والذكاء الاصطناعي. تشمل الأساليب البارزة في الذكاء الاصطناعي الشبكات العصبية الاصطناعية (ANN) وآلات الدعم الناقل (SVM) ومجموعة متنوعة من النماذج الهجينة، التي اكتسبت زخمًا في كل من السياقات الأكاديمية والصناعية.
تناقش الورقة أيضًا التقدم المحدد في منهجيات توقع الإفلاس، مثل خوارزمية البحث عن هوائيات الخنفساء غير الخطية (NABAS) وخوارزمية XGBoost المحسنة التي تتضمن اختيار أهمية الميزات. بالإضافة إلى ذلك، تشير إلى الفجوات في أداء النماذج التنبؤية خلال الأزمات المالية مقابل الفترات غير الأزمة، كما لوحظ في الدراسات التي تستخدم CatBoost و LightGBM و XGBoost. بينما تُستخدم ANN و SVM على نطاق واسع بسبب قدراتهما على التعلم الذاتي، إلا أنها تظهر قيودًا مثل الحساسية لضبط المعلمات الفائقة وعدم الكفاءة الحاسوبية. بالمقابل، تقدم آلة التعلم المتطرفة (ELM) ونسختها المتقدمة، آلة التعلم المتطرفة باستخدام النواة (KELM)، تدريبًا أسرع ودقة تصنيف محسنة، على الرغم من أن أدائها حساس لمعايير حاسمة مثل معلمة عقوبة النواة \(C\) وعرض النواة \(\gamma\). تهدف تقنيات التحسين المقدمة إلى تعزيز اختيار المعلمات لـ KELM، مع معالجة التحديات التي تطرحها طرق البحث التقليدية.
طرق
في هذا القسم، يتم تقييم أداء خوارزمية TIS_NGO المقترحة مقابل مجموعات الاختبار CEC2017 و CEC2022، مع التركيز على فعاليتها في مهام التحسين. تضمنت التجارب 30 بعدًا لـ CEC2017 و 20 بعدًا لـ CEC2022، مع تلخيص النتائج في جداول توضح قيم اللياقة المتوسطة والانحرافات المعيارية والترتيبات لكل خوارزمية. تفوقت TIS_NGO على NGO القياسي وخوارزميات مقارنة أخرى، محققة أفضل النتائج في 23 من أصل 30 وظيفة في مجموعة CEC2017 و 7 وظائف في مجموعة CEC2022. من الجدير بالذكر أن TIS_NGO أظهرت أيضًا أقل انحرافات معيارية، مما يدل على قوتها واستقرارها.
أظهرت منحنيات التقارب أن TIS_NGO أظهرت معدل تقارب أسرع بشكل ملحوظ، خاصة على الوظائف أحادية الشكل، مع الحفاظ على كفاءة بحث عالية على الوظائف متعددة الأشكال والهجينة والمركبة. ساعدت قدرة الخوارزمية على تعديل سلوك البحث ديناميكيًا في تجنب التقارب المبكر، وهي مشكلة شائعة تواجهها خوارزميات أخرى. أبرزت التمثيلات المرئية، بما في ذلك الرسوم البيانية الرادارية، توزيع ترتيب TIS_NGO المتفوق، الذي يتواجد بشكل أساسي ضمن المركزين الأولين عبر وظائف الاختبار، مما يتناقض مع الترتيبات الأدنى لـ NGO القياسي. تؤكد هذه النتائج على فعالية استراتيجيات التحسين الثلاثة المدمجة في TIS_NGO، مما يثبت أنها خوارزمية تحسين تنافسية.
مناقشة
في هذا القسم من المناقشة، يستعرض المؤلفون مجموعة متنوعة من خوارزميات التحسين المطبقة لتعزيز أداء نماذج آلة التعلم المتطرفة باستخدام النواة (KELM) عبر مهام التنبؤ المختلفة، بما في ذلك توقع طاقة الرياح وتوقع الإفلاس. يبرزون قيود الخوارزميات الحالية مثل تحسين سرب الجسيمات (PSO) ومحسن الذئب الرمادي (GWO)، التي غالبًا ما تعاني من مشاكل مثل التقارب المبكر وعشوائية المعلمات. لمعالجة هذه التحديات، يقترح المؤلفون خوارزمية تحسين شمالي معززة (NGO)، تُسمى TIS_NGO، والتي تتضمن ثلاث استراتيجيات مبتكرة: استراتيجية ابتكار التفكير (TIS) لتحسين توازن الاستكشاف والاستغلال، واستراتيجية هجوم الفريسة المستندة إلى التطور التفاضلي لتعزيز تنوع البحث، واستراتيجية التحكم في حدود التعلم العكسي المركزية لمنع عمليات البحث غير الفعالة.
يتم التحقق من فعالية TIS_NGO من خلال التجارب على مجموعات الاختبار المرجعية، مما يظهر أدائها المتفوق من حيث دقة التصنيف والاستقرار مقارنةً بخيارات KELM الأخرى المحسنة بواسطة خوارزميات بديلة. يحسن النموذج المقترح بشكل كبير القدرة على التمييز بين الشركات المفلسة وغير المفلسة، مما يظهر إمكانيته كأداة قوية لمشاكل غير خطية معقدة في المجال المالي. يؤكد المؤلفون أن دمج خوارزميات ميتاheuristic المحسنة مع نماذج التعلم الآلي لا يتجاوز فقط قيود ضبط المعلمات التقليدية، بل يوفر أيضًا مرجعًا منهجيًا جديدًا للبحوث المستقبلية في مجالات التحسين والتنبؤ.
DOI: https://doi.org/10.1038/s41598-025-34452-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41813670
Publication Date: 2026-03-12
Author(s): Keyu Jiang et al.
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
This section discusses the significance of bankruptcy risk prediction in financial risk management, emphasizing its role in evaluating corporate financial health and aiding financial institutions’ decision-making processes. Traditional machine learning models face challenges in parameter optimization when dealing with high-dimensional, nonlinear financial data. To address these limitations, the paper introduces a novel bankruptcy prediction model that combines a Kernel Extreme Learning Machine (KELM) with an enhanced Northern Goshawk Optimizer (TIS_NGO), which features a Thought-Inspired Strategy (TIS) for improved performance.
The TIS_NGO incorporates several innovative mechanisms, including a divergence-based thought innovation mechanism, a prey-attacking strategy inspired by differential evolution, and a centroid opposition-based boundary control mechanism. Experimental results from the CEC2017 and CEC2022 benchmark suites indicate that TIS_NGO significantly outperforms the standard NGO and other established algorithms, such as Particle Swarm Optimization (PSO) and Grey Wolf Optimizer (GWO), in terms of convergence speed and solution accuracy. The optimized KELM, fine-tuned with TIS_NGO’s penalty parameter \( C \) and kernel parameter \( \gamma \), demonstrates high classification accuracy and robustness on the Wieslaw bankruptcy dataset. These findings underscore the potential of integrating advanced metaheuristic algorithms with machine learning models to enhance financial risk forecasting, offering a promising avenue for improving bankruptcy prediction accuracy and stability.
Introduction
The introduction of this research paper highlights the growing global concern regarding financial crises and their significant impact on businesses, underscoring the necessity for effective bankruptcy prediction tools. These tools are primarily framed as binary classification problems, with a variety of models emerging from both traditional statistical methods and advanced artificial intelligence (AI) techniques. AI models, particularly those capable of handling nonlinear data, have shown superior performance compared to conventional methods, driven by advancements in big data and AI technologies. Notable AI approaches include Artificial Neural Networks (ANN), Support Vector Machines (SVM), and various hybrid models, which have gained traction in both academic and industrial contexts.
The paper also discusses specific advancements in bankruptcy prediction methodologies, such as the Nonlinear Activated Beetle Antennae Search (NABAS) algorithm and an improved XGBoost algorithm that incorporates feature importance selection. Additionally, it notes the performance discrepancies of predictive models during financial crises versus non-crisis periods, as observed in studies utilizing CatBoost, LightGBM, and XGBoost. While ANN and SVM are widely used due to their self-learning capabilities, they exhibit limitations such as sensitivity to hyperparameter tuning and computational inefficiency. In contrast, the Extreme Learning Machine (ELM) and its advanced variant, the Kernel Extreme Learning Machine (KELM), offer faster training and improved classification accuracy, although their performance is sensitive to critical parameters like the kernel penalty parameter \(C\) and kernel bandwidth \(\gamma\). The introduction of optimization techniques aims to enhance parameter selection for KELM, addressing the challenges posed by traditional grid search methods.
Methods
In this section, the performance of the proposed TIS_NGO algorithm is evaluated against the CEC2017 and CEC2022 benchmark suites, focusing on its effectiveness in optimization tasks. The experiments involved 30 dimensions for CEC2017 and 20 dimensions for CEC2022, with results summarized in tables that report average fitness values, standard deviations, and rankings for each algorithm. TIS_NGO outperformed the standard NGO and other comparative algorithms, achieving the best results on 23 out of 30 functions in the CEC2017 suite and on 7 functions in the CEC2022 suite. Notably, TIS_NGO also exhibited the lowest standard deviations, indicating its robustness and stability.
The convergence curves illustrated that TIS_NGO demonstrated a significantly faster convergence rate, particularly on unimodal functions, while maintaining high search efficiency on multimodal, hybrid, and composite functions. The algorithm’s ability to dynamically adjust its search behavior helped it avoid premature convergence, a common issue faced by other algorithms. Visual representations, including radar charts, highlighted TIS_NGO’s superior ranking distribution, predominantly within the top two positions across test functions, contrasting with the standard NGO’s lower rankings. These findings underscore the effectiveness of the three enhancement strategies integrated into TIS_NGO, establishing it as a competitive optimization algorithm.
Discussion
In this discussion section, the authors review various optimization algorithms applied to enhance the performance of Kernel Extreme Learning Machine (KELM) models across different forecasting tasks, including wind power prediction and bankruptcy forecasting. They highlight the limitations of existing algorithms such as Particle Swarm Optimization (PSO) and Grey Wolf Optimizer (GWO), which often suffer from issues like premature convergence and parameter randomness. To address these challenges, the authors propose an enhanced Northern Goshawk Optimization (NGO) algorithm, termed TIS_NGO, which incorporates three innovative strategies: a Thinking Innovation Strategy (TIS) to improve exploration and exploitation balance, a Prey Attack Strategy based on Differential Evolution to enhance search diversity, and a Centroid Reverse Learning Boundary Control Strategy to prevent ineffective searches.
The effectiveness of TIS_NGO is validated through experiments on benchmark test suites, demonstrating its superior performance in terms of classification accuracy and stability compared to other KELM variants optimized by alternative algorithms. The proposed model significantly improves the ability to distinguish between bankrupt and non-bankrupt firms, showcasing its potential as a robust tool for complex nonlinear problems in the financial domain. The authors emphasize that the integration of improved metaheuristic algorithms with machine learning models not only overcomes traditional parameter tuning limitations but also provides a novel methodological reference for future research in optimization and forecasting.