基于特征的早期破产风险评估预测优化框架
《Big Data Research》:A Feature-Based Predictive Optimization Framework for Early-Stage Bankruptcy Risk Assessment
【字体:
大
中
小
】
时间:2026年08月28日
来源:Big Data Research 4.6
编辑推荐:
# 摘要
破产预测是银行和其他金融机构评估违约风险并进行明智决策的重要功能。然而,传统破产预测模型面临着不同财务指标之间复杂、非线性关系带来的挑战。这些模型往往无法识别最佳特征并获得高预测准确率,导致风险评估效果不佳。为了解决这些问题,本文利用敏感性分析找出哪些特征对破产结
# 摘要
破产预测是银行和其他金融机构评估违约风险并进行明智决策的重要功能。然而,传统破产预测模型面临着不同财务指标之间复杂、非线性关系带来的挑战。这些模型往往无法识别最佳特征并获得高预测准确率,导致风险评估效果不佳。为了解决这些问题,本文利用敏感性分析找出哪些特征对破产结果贡献最大。通过应用蚂蚁群落优化(ACO)和布谷鸟搜索优化(CSO)等先进优化方法进行超参数和特征选择,提升了预测性能。这些工具促进了特征识别和模型准确率的改善。研究发现,竞争力确实是排名最高的最重要特征,通过递归特征消除(RFE)和敏感性分析均得到验证。此外,基于集成模型(包括XGBC)经ACO优化后的模型(XGAC)相比标准模型(包括逻辑回归分类LRC)取得了更好的性能。模型在破产(B)和非破产(NB)两种场景下进行了测试,XGAC表现更为出色。结论可直接应用于实际破产预测,有助于银行增强风险应对能力。未来研究应关注结合时间序列数据以进一步提升模型性能。
# 引言
在当今瞬息万变的金融环境中,破产持续成为一个重大问题,对投资者、债权人、监管机构和企业管理层具有严重影响。及时准确地预测财务困境对于风险防范、投资决策、监管和金融稳定至关重要[1]。破产通常是复杂、多方面的结果,例如财务管理不善、不利宏观经济环境、治理不当、监管变化及外部冲击[2]。在财务脆弱性萌芽阶段加以识别,可使利益相关者实施预防措施,并以结构化方式管理对问题金融机构的风险敞口[3]。
历史上,破产预测基于统计模型,包括判别分析和基于财务比率的逻辑回归。这些经典模型在捕捉非线性关系和多变量交互方面能力有限。随着金融数据维度不断增加,数据更加庞大、异质和复杂,人工智能和机器学习(ML)已被证明是可行的替代方案。这些方法能够捕捉高维特征空间,利用历史模式并提取隐性的财务困境指标,从而大幅提升预测性能[4-6]。
Zhao等人也强调了机器学习模型(包括决策树、支持向量机和神经网络)在预测破产方面的适用性。Kuang等人以及[–]等人也表明,集成技术(包括随机森林和梯度提升)以及结合多个分类器的混合方法,在平衡和非平衡数据集上均能有效提升性能[7-9]。Gavurova等人支持这一观点,强调类别不平衡是金融建模中常见的难题,可能影响预测准确率[10]。尽管取得了上述进展,重要挑战依然存在。Al-jawazneh等人及Safi等人报告了缺失数据、噪声和数据质量差等问题,这些问题需要深入的预处理和强大的特征工程[11-12]。此外,Park和Yang以及Jones等人强调了"黑箱"模型的低可解释性,指出在高利害财务决策中对透明和可解释预测的需求日益增长[13-14]。
为填补这些空白,本研究进行了一项基于Scopus索引文献指导的PRISMA系统综述,对应用于破产预测的AI/ML方法进行梳理。前序文献按建模方法、所用特征、评估指标、类别不平衡处理以及集成或混合方法的引入进行分类。与Reddy和Nazareth、Shakeel等人以及Devi和Radhika之前的综述相比,本研究聚焦于尚未充分探索的问题,包括混合方法优化应用不足、缺乏敏感性驱动的特征选择以及某些模型泛化能力低下[15-17]。
Elhoseny等人的研究[18]引入了一种基于长短期记忆网络(LSTM)的混合深度学习框架,并使用和声搜索算法进行优化。该模型实现了90.80%的高预测准确率,优于传统方法。主成分分析(PCA)的整合实现了有效的降维,同时保留了关键财务信息,从而提高了模型效率和性能。在另一种近期方法中,将数据包络分析(DEA)分数作为输入特征取得了显著改进,相比传统模型,ROC-AUC值提升了20%以上。该方法依赖于选择合适的会计指标并推导效率分数,为企业表现和潜在失败风险提供更深入的见解。此外,替代性数据驱动方法也获得了关注。Kou等人的研究[20]利用交易和支付网络数据而非传统财务比率,展示了强大的预测性能。他们提出的两阶段多目标特征选择方法有效平衡了模型准确率和可解释性,突显了特征优化在财务预测任务中的重要性。尽管取得了上述进展,传统财务比率在破产预测中仍然发挥着基础性作用。正如Naved和Kumar[21]所讨论的,这些指标为企业财务状况提供了基本的基线洞察。
人工智能的最新进展展示了优化ML模型在各预测领域的广泛适用性。在金融领域,增强的核函数极限学习机已被用于解决破产和金融风险预测中的复杂挑战[22]。此外,元启发式算法与深度学习架构的整合在利用财务会计信息系统进行利润预测方面展现了显著效果[23]。在企业财务之外,AI驱动的预测框架已成功应用于通过战略前瞻预测未来趋势和建模商业战略[24],以及结合国内生产总值(GDP)等宏观经济变量来建模全球能源互联[25]。这些算法的适应性延伸到非金融领域,包括使用机器学习预测土木工程中的结构承载力[26]、矿山作业中的爆破利用率[27],以及通过生物启发优化算法(如黑猩猩优化算法和旗鱼-变异增强方法)进行性能预测[28]。这些多样化的应用凸显了向算法优化和特征驱动建模的范式转变,为本研究提出的用于破产风险评估的混合元启发式优化框架奠定了坚实的实证基础。
研究结果强调,未来工作需优先考虑开发可解释、稳定且在不同财务场景下表现优异的模型,并具备在现实破产风险管理框架中有效部署的能力。
尽管AI和ML在破产预测方面取得了显著进展,但仍存在一些未解决的问题。先前的研究广泛使用了各种分类器,包括决策树、支持向量机、神经网络和集成模型,其中许多取得了出色的预测性能。然而,这些模型往往采用复杂的架构模式,降低了可解释性,这在需要透明度的金融决策中是不合适的。此外,类别不平衡仍然是一个重大挑战。大多数研究未能令人满意地处理不平衡分布,或忽视了其对少数类分类(特别是破产识别)的影响。一个局限性在于缺乏使用能够同时优化特征和超参数调优的混合优化方法。虽然某些研究中使用了一些元启发式算法,但这种使用通常是分离进行的,或未经检验其对模型可迁移性和鲁棒性的影响。此外,尽管一些研究识别了主要财务指标,但没有一项研究通过系统性敏感性分析来衡量特征的相对重要性。
虽然元启发式算法已被应用于金融预测,但其整合往往是通用的,脱离了输入特征的统计属性。本研究通过引入上下文感知优化流程弥补了这些空白。本框架不是将ACO和CSO作为标准搜索工具应用,而是将元启发式搜索空间明确绑定到卡方统计依赖和RFE排名上。这种有针对性的整合确保了优化算法在早期定性风险指标的有序特征空间内导航,过滤共线的定性风险,同时调优集成超参数,从而增强预测性能、模型可解释性和适用性。
本研究的主要目标是通过整合基于特征的优化和集成学习来提升破产预测模型的准确性、可解释性和适用性。考虑到公认的研究弱点,包括可解释性低、泛化能力不足以及先前ML方法中缺乏适当的特征选择,本文开发了一种综合方法,应用敏感性分析和RFE技术选择相关且有影响力的因素,包括竞争力、财务灵活性和管理风险。为增强模型鲁棒性和预测能力,使用了两个基线分类器:逻辑回归分类(LRC)和极端梯度提升分类(XGBC)。两者进一步使用生物启发元启发式方法ACO和CSO进行调优,提供超参数调整和特征子集选择的能力。模型在破产(B)和非破产(NB)两种场景下训练和测试,以确保两种情况下性能一致。该策略不仅克服了数据不平衡和黑箱的可解释性挑战,还基于特征改善了银行的决策支持。通过聚焦关键财务风险因素和预测结构优化,本研究有望交付一个可解释且可扩展的框架,适用于现实财务风险估计和早期破产识别。
本框架的主要方法论创新在于其上下文感知优化架构,使其区别于传统混合模型。ACO和CSO在财务预测中的标准应用通常将这些算法视为通用超参数调优工具。相比之下,所提出的方法利用先验统计证据(具体为卡方敏感性指标和RFE衍生的排名)限定元启发式搜索边界。通过使ACO和CSO优先考虑在有序定性特征空间内表现出高统计依赖性的特征子集,该框架防止了冗余特征交互,并强制集成模型从最具区分度的早期风险信号中学习。这种统计约束的优化,结合双场景验证,确立了当前研究超越现有优化策略简单组合的独特贡献。
## 数据描述
本研究使用的数据集包含2500个实例,取自机器学习研究中常用的公开金融破产数据集。该数据集包含从企业收集的定性风险评估指标,聚焦于财务困境的早期预警信号,而非失败后的财务报表。数据集中的特征代表关键的定性和半定量财务风险因素,包括:产业风险、管理风险、财务灵活性、信誉、竞争力和运营风险。
# 方法
## 逻辑回归分类(LRC)
LR是一种用于预测二元因变量的回归方法。LR方程通过最大似然比来评估变量的统计显著性[29-30]。LR在利用一组预测特征来预测某一属性或结果的存在或缺失时非常有效。虽然线性回归和LR模型相似,但LR在因变量为二元时表现最佳。
## 结果与讨论
本节描述了为预测企业破产设计的AI/ML模型性能评估的实验结果。模型在两种选择场景(N和NB)下使用分类准确率、精确率、召回率和F1分数等重要指标进行了测试,以全面评估预测性能,特别是在破产数据中常见的类别不平衡条件下。每个模型的判别能力对准确识别偿债能力
## 讨论
RFE对特征的选择强烈支持信誉、竞争力和运营风险是预测破产的驱动因素这一结论。这是一个重要发现,因为基于显著性选择特征可以带来更准确、更简洁且更有效的决策。这些结果可直接应用于行业,包括信用评分或企业风险评估,其中及时准确的判断至关重要。
## 结论
本研究旨在识别破产预测的最重要特征,并通过优化技术增强模型性能。进行敏感性分析以提取影响破产结果的关键特征,重点关注六个变量:产业风险、管理风险、财务灵活性、信誉、竞争力和运营风险。使用的基线ML模型为逻辑回归分类(LRC)和极端梯度提升分类(XGBC)。
**作者贡献声明:** 陈烨:撰写——初稿。陈烨,蚌埠学院经济与管理学院,安徽蚌埠,233000,中国。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号