Автор: 
Сотрудники Высшей школы бизнеса ВШЭ предложили новый метод предсказывать банкротство компаний на основе машинного обучения. Он позволяет использовать по максимуму информацию о финансовом состоянии компаний и показывает более высокие результаты по сравнению с классическими статистическими подходами. Исследование опубликовано в журнале Expert Systems with Applications.
Как для экономики, так и для общества крайне важно уметь оценивать финансовые риски при взаимодействии с любым бизнесом. В частности, прогнозировать банкротство компаний, которое ведёт к значительным убыткам и ухудшает экономическую ситуацию в стране. Учёные-экономисты уже давно изучают причины банкротства компаний. С одной стороны, ведутся эмпирические и теоретические исследования по изучению процессов, которые приводят к неудачам в бизнесе, для выявления проблем на ранней стадии. С другой — на основе данных об экономических показателях компаний разрабатываются методы прогнозирования проблем.
В настоящее время именно прогнозирование банкротства компаний получило широкое распространение в бизнес-среде. Профессор Высшей школы бизнеса ВШЭ Юрий Зеленков совместно со своим студентом Никитой Володарским предложил свой подход к проблеме, основанный на технологиях машинного обучения. Предсказание банкротства компаний относится к так называемым задачам классификации. В них на основании экономических характеристик необходимо определить, относится ли данный бизнес к одной из двух категорий: компании, которые останутся на плаву, или компании, которые обанкротятся в течение некоторого срока.
Для обучения методу используется набор исторических данных о благополучных и обанкротившихся компаниях. Искусственный интеллект тренируется на наборе признаков — показателей производительности бизнеса — и ищет сложные закономерности развития компаний и их текущего состояния. После обучения для любой новой компании метод сможет предсказать её будущее с некоторой степенью уверенности.
Подобные задачи страдают от дисбаланса классов: статистически банкротство случается редко, поэтому в тренировочных наборах гораздо больше выживших компаний. Согласно статистике, обычно доля банкротов не превышает 5–10% в доступных данных. Методам машинного обучения, оказывается, просто недостаточно информации, чтобы понять, какие совокупности признаков приводят к будущему банкротству.
Авторы исследования построили метод, который является менее чувствительным к дисбалансу в данных. В нём происходит тренировка множества отдельных алгоритмов классификации, из которых затем выбираются наиболее эффективные и комбинируются для достижения наибольшей точности предсказаний.
«Нам удалось построить быстрый алгоритм, который обучается на несбалансированных данных и показывает гораздо более высокую точность предсказаний по сравнению с традиционными методами. При этом важно, что пользователь может управлять ошибкой предсказания каждого класса на основе визуального представления. Поскольку модель основывается исключительно на финансовых показателях компаний, ее результаты также верны и в экстремальных условиях глобальной пандемии COVID-19. В будущем интерес к использованию методов машинного обучения будет только расти, и мы считаем, что в какой-то момент они полностью заменят традиционные способы предсказания банкротства компаний. Но стоит также отметить, что предложенный метод не сфокусирован исключительно на банкротствах, он может применяться для любой задачи классификации несбалансированных данных. В настоящее время мы планируем его дальнейшее исследование и развитие», — комментирует автор работы, профессор департамента бизнес-информатики ВШЭ Юрий Зеленков.
