Ансамблевые модели с XAI повысили точность прогнозирования банкротства компаний

Прогнозирование банкротства остается одной из ключевых задач финансового анализа. Однако реальные данные о несостоятельности компаний сильно несбалансированы: случаев банкротства значительно меньше, чем успешных компаний, что затрудняет обучение моделей. Группа исследователей представила в архиве arXiv новый подход, объединяющий консенсусный отбор признаков, гибридный ресемплинг и стекинг-ансамбли с объяснимым искусственным интеллектом (XAI).

В качестве основы использован тайваньский датасет по прогнозированию банкротства из репозитория UCI. На первом этапе пять алгоритмов отбора признаков применялись независимо, после чего консенсусное правило сократило пространство до 23 устойчивых переменных. Для балансировки классов авторы применили три техники: SVM-SMOTE, SMOTE-Tomek и SMOTE-ENN.

Затем сравнивались пять ансамблевых классификаторов: градиентный бустинг, XGBoost, гистограммный градиентный бустинг, LightGBM и AdaBoost. Также были протестированы пять глубоких моделей: RNN, LSTM, GRU, DNN и MLP. Дополнительно исследователи построили гибридные стекинг-ансамбли, где пять классических моделей выступали базовыми, а в качестве мета-обучающей модели использовались глубокие сети.

Результаты показали, что стратегия ресемплинга существенно влияет на поведение моделей. SVM-SMOTE и SMOTE-Tomek повышали точность и специфичность, тогда как SMOTE-ENN обеспечивал более сильное обнаружение миноритарного класса. Среди отдельных моделей лучший баланс предсказаний достигла GRU с SMOTE-ENN: полнота (recall) составила 0.8627, G-mean — 0.8517, ROC-AUC — 0.9431.

В категории стекинг-ансамблей наилучший компромисс между чувствительностью и специфичностью показала комбинация SMOTE-ENN с базовыми моделями (GB, XGB, HGB, LGBM, AB) и LSTM в качестве мета-обучателя. Анализ SHAP позволил интерпретировать вклад признаков: наиболее значимыми предикторами банкротства оказались показатели левериджа, прибыльности, платежеспособности и операционной эффективности.

Авторы отмечают, что предложенный фреймворк способствует созданию более надежных и интерпретируемых систем раннего предупреждения для финансово нестабильных предприятий. Работа опубликована в виде препринта на arXiv и прошла первичное рецензирование.