準(zhǔn)確評(píng)估與企業(yè)打交道的金融風(fēng)險(xiǎn)能力，對(duì)經(jīng)濟(jì)和社會(huì)都至關(guān)重要。在預(yù)測(cè)破產(chǎn)時(shí)尤其如此，因?yàn)槠飘a(chǎn)可能導(dǎo)致巨大的財(cái)務(wù)損失并傷害國(guó)民經(jīng)濟(jì)。
長(zhǎng)期以來(lái)，企業(yè)破產(chǎn)的原因一直是經(jīng)濟(jì)學(xué)家感興趣的問(wèn)題。他們的工作包括對(duì)導(dǎo)致企業(yè)失敗的過(guò)程進(jìn)行經(jīng)驗(yàn)和理論研究，以便在早期階段發(fā)現(xiàn)問(wèn)題。關(guān)于公司經(jīng)濟(jì)業(yè)績(jī)指標(biāo)的數(shù)據(jù)也被用來(lái)開(kāi)發(fā)新的預(yù)測(cè)方法。
目前，破產(chǎn)預(yù)測(cè)在商業(yè)領(lǐng)域尤為突出。在發(fā)表于《專(zhuān)家系統(tǒng)與應(yīng)用》雜志的研究中，HSE大學(xué)商學(xué)院教授和學(xué)生提出了一種利用機(jī)器學(xué)習(xí)的新方法。
預(yù)測(cè)一個(gè)公司的破產(chǎn)是一種“分類(lèi)任務(wù)”，它涉及到確定一個(gè)企業(yè)是否屬于兩個(gè)類(lèi)別之一：那些繼續(xù)經(jīng)營(yíng)的企業(yè)和那些在一定時(shí)間內(nèi)破產(chǎn)的企業(yè)。
研究中所提出的方法是利用一組關(guān)于成功和失敗公司的歷史數(shù)據(jù)來(lái)進(jìn)行開(kāi)發(fā)，人工智能是使用一組商業(yè)業(yè)績(jī)指標(biāo)進(jìn)行訓(xùn)練的。然后，它在公司的發(fā)展和當(dāng)前狀態(tài)中搜索復(fù)雜的模式。在對(duì)一個(gè)特定的公司進(jìn)行訓(xùn)練后，該方法可用于預(yù)測(cè)一個(gè)企業(yè)的未來(lái)軌跡，并具有一定的準(zhǔn)確性。
這類(lèi)任務(wù)存在信息不平衡的分類(lèi)問(wèn)題——從統(tǒng)計(jì)學(xué)上看，破產(chǎn)是一種罕見(jiàn)的現(xiàn)象（根據(jù)現(xiàn)有數(shù)據(jù)，只有5-10%的公司發(fā)生過(guò)），而訓(xùn)練集包括更多關(guān)于成功公司的信息。機(jī)器學(xué)習(xí)方法沒(méi)有足夠的信息來(lái)了解哪些屬性集可以導(dǎo)致未來(lái)的破產(chǎn)。
研究人員開(kāi)發(fā)了一種對(duì)數(shù)據(jù)不平衡不那么敏感的方法。它涉及訓(xùn)練大量單獨(dú)的分類(lèi)算法，然后在這些算法中選擇最有效的算法，并將它們結(jié)合起來(lái)，以達(dá)到更高的預(yù)測(cè)準(zhǔn)確性。
研究人員表示，成功建立了一個(gè)快速算法，可以使用不平衡的數(shù)據(jù)進(jìn)行訓(xùn)練，做出比傳統(tǒng)方法更準(zhǔn)確的預(yù)測(cè)。值得注意的是，使用者可以以可視化的形式管理每個(gè)類(lèi)別的預(yù)測(cè)誤差。由于該模型完全基于公司的財(cái)務(wù)指標(biāo)，即使在新冠疫情的極端條件下，其結(jié)果仍然可靠。
對(duì)機(jī)器學(xué)習(xí)方法的興趣在未來(lái)只會(huì)繼續(xù)增長(zhǎng)，研究人員認(rèn)為，在某個(gè)時(shí)候，它將完全取代傳統(tǒng)的企業(yè)破產(chǎn)預(yù)測(cè)方法。同時(shí)，這項(xiàng)研究中的方法并不只專(zhuān)注于破產(chǎn)。它可以用于任何種類(lèi)的涉及不平衡數(shù)據(jù)的分類(lèi)任務(wù)，目前正在計(jì)劃其未來(lái)的研究和發(fā)展。
題為Bankruptcy prediction on the base of the unbalanced data using multi-objective selection of classifiers的相關(guān)研究論文發(fā)表在《專(zhuān)家系統(tǒng)與應(yīng)用》上。
