Співробітники вищої школи бізнесу вше запропонували новий метод передбачати банкрутство компаній на основі машинного навчання. Він дозволяє використовувати по максимуму інформацію про фінансовий стан компаній і показує більш високі результати в порівнянні з класичними статистичними підходами. Дослідження опубліковано в журналі expert systems with applications.
Як для економіки, так і для суспільства вкрай важливо вміти оцінювати фінансові ризики при взаємодії з будь-яким бізнесом. Зокрема, прогнозувати банкрутство компаній, яке веде до значних збитків і погіршує економічну ситуацію в країні.
Вчені-економісти вже давно вивчають причини банкрутства компаній. З одного боку, ведуться емпіричні і теоретичні дослідження з вивчення процесів, які призводять до невдач в бізнесі, для виявлення проблем на ранній стадії. З іншого — на основі даних про економічні показники компаній розробляються методи прогнозування проблем.
В даний час саме прогнозування банкрутства компаній набуло широкого поширення в бізнес-середовищі. У дослідженні, опублікованому в журналі expert systems with applications, професор вищої школи бізнесу вше юрій зеленков спільно зі своїм студентом микитою володарським запропонував свій підхід до проблеми, заснований на технологіях машинного навчання.
Передбачення банкрутства компаній відноситься до так званих завдань класифікації. У них на підставі економічних характеристик необхідно визначити, чи відноситься даний бізнес до однієї з двох категорій: компанії, які залишаться на плаву, або компанії, які збанкрутують протягом деякого терміну.
Для навчання методу використовується набір історичних даних про благополучних і збанкрутілих компаніях. Штучний інтелект тренується на наборі ознак-показників продуктивності бізнесу — і шукає складні закономірності розвитку компаній і їх поточного стану. Після навчання для будь-якої нової компанії метод зможе передбачити її майбутнє з певним ступенем впевненості.
Подібні завдання страждають від дисбалансу класів: статистично банкрутство трапляється рідко, тому в тренувальних наборах набагато більше компаній, що вижили. Згідно зі статистикою, зазвичай частка банкрутів не перевищує 5-10% в доступних даних. Методам машинного навчання, виявляється, просто недостатньо інформації, щоб зрозуміти, які сукупності ознак призводять до майбутнього банкрутства.
Автори дослідження побудували метод, який є менш чутливим до дисбалансу в даних. У ньому відбувається тренування безлічі окремих алгоритмів класифікації, з яких потім вибираються найбільш ефективні і комбінуються для досягнення найбільшої точності передбачень.
