[论文解读] A hybrid neural network model based an improved PSO and SA for bankruptcy prediction

Fatima Zahra Azayite, Saïd Achchab|arXiv (Cornell University)|Jan 31, 2019

Financial Distress and Bankruptcy Prediction参考文献 18被引用 4

一句话总结

本文提出了一种混合神经网络模型，通过整合改进的粒子群优化（PSO）与模拟退火（SA），以提升破产预测的准确性。通过结合变量选择与先进的训练算法，该模型有效减少了局部极小值问题，并提升了收敛性，尤其在缺失数据条件下表现更优，实证评估中优于基线模型。

ABSTRACT

Predicting firm's failure is one of the most interesting subjects for investors and decision makers. In this paper, a bankruptcy prediction model is proposed based on Artificial Neural networks (ANN). Taking into consideration that the choice of variables to discriminate between bankrupt and non-bankrupt firms influences significantly the model's accuracy and considering the problem of local minima, we propose a hybrid ANN based on variables selection techniques. Moreover, we evolve the convergence of Particle Swarm Optimization (PSO) by proposing a training algorithm based on an improved PSO and Simulated Annealing. A comparative performance study is reported, and the proposed hybrid model shows a high performance and convergence in the context of missing data.

研究动机与目标

• 通过将先进优化技术与神经网络结合，提升破产预测模型的准确性。
• 通过改进的PSO与SA混合算法，解决神经网络训练中的局部极小值问题。
• 通过有效的变量选择与优化，提升模型在缺失数据情况下的鲁棒性。
• 构建一种混合框架，结合PSO、SA与ANN的优势，实现金融困境检测中更优的预测性能。
• 通过与传统方法的对比性能分析，验证模型的有效性。

提出的方法

• 该模型采用混合架构，结合人工神经网络（ANN）与变量选择技术，以增强判别能力。
• 设计了一种改进的PSO算法，以加速收敛并避免过早收敛至局部极小值。
• 将模拟退火（SA）与PSO结合，以增强全局搜索能力并逃离局部最优。
• 使用混合PSO-SA算法训练ANN，优化网络权重并提升泛化能力。
• 在训练前应用变量选择，以降低维度并增强模型的可解释性与性能。
• 在缺失数据条件下评估模型，以测试其鲁棒性与收敛稳定性。

实验结果

研究问题

• RQ1 混合PSO-SA优化算法能否提升神经网络在破产预测中的收敛性与准确性？
• RQ2 变量选择技术的整合在多大程度上影响基于ANN的破产预测模型性能？
• RQ3 在缺失数据条件下，所提出的模型在多大程度上保持高性能？
• RQ4 与标准PSO或SA单独使用相比，改进的PSO-SA算法是否能有效降低陷入局部极小值的风险？
• RQ5 与传统ANN及其他基于优化的模型相比，所提出的混合模型在预测企业破产方面表现如何？

主要发现

• 所提出的混合模型在收敛行为方面优于标准PSO与基于SA的训练方法。
• 变量选择的整合显著提升了模型对破产与非破产企业之间的判别准确性。
• 即使在面对缺失数据时，模型仍保持高性能，表明其具有强鲁棒性。
• 实证结果表明，改进的PSO-SA算法降低了收敛至局部极小值的可能性，从而提升了整体优化效率。
• 通过对比性能分析，混合模型在预测准确率与稳定性方面均优于基线模型。
• 模型实现了高收敛速度与高准确率，证实了结合PSO、SA与ANN在金融困境预测中的有效性。