FRAG-Net: An Explainable Computational Intelligence Framework for Imbalanced Financial Risk Early Warning via Conditional Wasserstein GAN and Attention-Based Feature Fusion

في عالم التمويل، يعد التنبؤ بالمتاعب قبل وقوعها مسألة حياة أو موت. فالبنوك والمستثمرون والجهات التنظيمية يراقبون باستمرار الصحة المالية للشركات، بحثاً عن العلامات الخفية التي قد تشير إلى أن شركة ما قد تفشل قريباً. تعتمد هذه المهمة على كميات هائلة من البيانات: هوامش الربح، مستويات الديون، التدفق النقدي، ومعدلات النمو. ومع ذلك، هناك مشكلة جوهرية في هذه البيانات؛ ففي أي سنة معينة، تكون الغالبية العظمى من الشركات سليمة وتعمل بشكل طبيعي، بينما لا تقع سوى نسبة ضئيلة جداً في فخ الإفلاس. وهذا يخلق خللاً شديداً، حيث تطغى الحالات "الطبيعية" على الحالات "المعرضة للمخاطر". وعندما يتم تدريب النماذج الحاسوبية على مثل هذه البيانات المنحازة، فإنها تميل إلى الاعتماد على الأغلبية الإحصائية، فتكتفي بالتخمين بأن كل شركة آمنة لأن ذلك هو النتيجة الأكثر احتمالاً من الناحية الإحصائية، وبذلك تفوتها الحالات الخطيرة القليلة التي تهمنا حقاً. علاوة على ذلك، حتى عندما تصدر هذه النماذج تنبؤات، فإنها غالباً ما تعمل كـ "صناديق سوداء"، حيث تقدم حكماً دون شرح العوامل المالية التي أدت إلى هذا الاستنتاج. وفي عالم التمويل عالي المخاطر، نادراً ما يكفي التنبؤ بدون سبب.

ولحل هاتين المشكلتين المتمثلتين في فقدان المخاطر النادرة والافتقار إلى الشفافية، طور الباحثون ميلينج دونج، وتيانجياو شا، وهانوين تشانغ نظاماً جديداً يسمى FRAG-Net. صُمم هذا الإطار خصيصاً للتعامل مع صعوبة العثور على "الإبرة في كومة القش" مع شرح سبب العثور على تلك الإبرة بدقة. اختبر الفريق نهجهم على مجموعة بيانات واقعية تحتوي على سجلات مالية لما يقرب من 7,000 شركة تايوانية، وهي مجموعة لم تفلس منها سوى حوالي 3 بالمائة فقط. كان التحدي يكمن في بناء نظام يمكنه تعلم الأنماط المعقدة والخفية لتلك الشركات المتعثرة دون أن يرتبك بآلاف الشركات السليمة، ومن ثم إظهار المؤشرات المالية التي كانت بمثابة علامات تحذيرية بوضوح.

كانت العقبة الأولى التي واجهها الباحثون هي ندرة البيانات المتعلقة بالشركات المفلسة. ولأن أمثلة الإفلاس كانت قليلة جداً، فقد كان لدى النموذج الحاسوبي قدر ضئيل جداً ليتعلم منه. تحاول الطرق القياسية إصلاح ذلك عبر ابتكار أمثلة جديدة من خلال "الاستكمال الرياضي البسيط"، وهو ما يعني أساساً رسم خط مستقيم بين شركتين مفلستين معلومتين لإنشاء شركة وهمية في المنتصف. وجد الباحثون أن هذا النهج معيب، لأنه غالباً ما ينشئ بيانات اصطناعية لا تعكس الواقع المعقد والحقيقي للضائقة المالية. بدلاً من ذلك، استخدموا تقنية أكثر تطوراً تُعرف باسم "شبكة الخصومة التوليدية الشرطية لـ واسرشتاين" (Conditional Wasserstein Generative Adversarial Network). وبعبارة بسيطة، هذا نظام حيث يتنافس برنامجان حاسوبيان ضد بعضهما البعض؛ يحاول أحد البرنامجين إنشاء سجلات مالية مزيفة تبدو لا يمكن تمييزها عن السجلات الحقيقية، بينما يحاول الآخر اكتشاف الزيف. ومن خلال هذه المنافسة الشديدة، يتعلم "المبتكر" توليد أمثلة اصطناعية واقعية للغاية. هذه السجلات الاصطناعية الجديدة تتوافق إحصائياً مع السجلات الحقيقية، مما يؤدي فعلياً إلى توسيع بيانات التدريب بحيث يمكن للنموذج تعلم الشكل الحقيقي للمخاطر المالية دون أن تضلله التخمينات البسيطة.

بمجرد موازنة البيانات، احتاج الباحثون إلى طريقة لتحليلها تفهم كيفية تفاعل العوامل المالية المختلفة. فنادراً ما يكون خطر الشركة ناتجاً عن رقم واحد، مثل نسبة ديون مرتفعة، بمعزل عن غيره؛ بل هو عادة نتيجة لشبكة معقدة من العلاقات بين الربحية، والسيولة، والنمو. ولتحقيق ذلك، بنى الفريق مصنفاً يستخدم آلية تسمى "الانتباه متعدد الرؤوس" (multi-head attention). تخيل فريقاً من الخبراء يراجعون ملف الشركة؛ فبدلاً من أن ينظر الجميع إلى الشيء نفسه بنفس الكثافة، يسمح هذا النظام لـ "رؤوس" مختلفة من النموذج بالتركيز على أجزاء مختلفة من البيانات في وقت واحد. فقد يركز جزء على كيفية ارتباط التدفق النقدي بالديون، بينما ينظر جزء آخر إلى كيفية تأثير نمو الأرباح على السيولة. ومن خلال وزن هذه الروابط بشكل تكيفي، يتعلم النموذج التركيز على الإشارات المحددة التي تشير إلى الخطر مع تجاهل الضجيج. ولضمان بقاء النموذج حساساً لحالات المخاطر النادرة حتى بعد توسيع البيانات، قام الباحثون أيضاً بتعديل نظام التسجيل لفرض عقوبات على المخاطر المفقودة (الحالات التي لم يتم رصدها) بشكل أكبر من الإنذارات الكاذبة.

كانت القطعة الأخيرة من اللغز هي جعل قرارات النموذج مفهومة. فالنظام الذي يتنبأ بالإفلاس ولكنه لا يستطيع توضيح السبب يكون ذا فائدة محدودة لصانع القرار البشري. لذا، دمج الباحثون أداة تسمى "SHAP"، والتي تقوم بتفكيك التنبؤ النهائي لكل شركة على حدة. تحسب هذه الأداة بدقة مدى مساهمة كل عامل مالي في الحكم الصادر. على سبيل المثال، يمكنها أن تظهر أنه بالنسبة لشركة معينة، أدى انخفاض التدفق النقدي وارتفاع نسبة الدين إلى رفع درجة المخاطر، بينما أدى هامش الربح القوي إلى خفضها. وهذا يوفر مساراً واضحاً وقابلاً للتتبع من البيانات الخام إلى التحذير النهائي، مما يلبي الحاجة إلى الشفافية في التنظيم المالي.

عندما اختبر الفريق نظام FRAG-Net مقابل مجموعة واسعة من الأساليب الموجودة، بدءاً من النماذج الإحصائية التقليدية وصولاً إلى خوارزميات التعلم الآلي الحديثة، كانت النتائج واضحة. فقد تفوق الإطار الجديد على جميع المنافسين في تحديد الشركات المعرضة للخطر؛ حيث حقق مساحة تحت المنحنى (AUC) بلغت 0.97، ولكن الأهم من ذلك، أنه حدد بدقة حوالي 70 بالمائة من حالات الإفلاس الفعلية، وهو تحسن كبير عن الأساليب الأخرى التي غالباً ما تفقد أكثر من نصف تلك الحالات. كما أظهر النظام مستوى عالياً من الموثوقية في التمييز بين الشركات الآمنة والشركات المحفوفة بالمخاطر، محققاً درجة 0.947 في مقياس قياسي للقوة التنبؤية. وأكدت الاختبارات الإحصائية أن هذه التحسينات لم تكن وليدة الصدفة. كما أجرى الباحثون تجارب لمعرفة ما سيحدث إذا أزالوا أجزاءً من نظامهم؛ فعندما أزالوا خطوة توليد البيانات، انخفضت قدرة النموذج على رصد المخاطر بشكل حاد، وعندما أزالوا آلية الانتباه، تضررت دقة النموذج. وقد أثبت ذلك أن كلاً من عملية إنشاء البيانات الاصطناعية الواقعية والطريقة المتطورة التي يزن بها النموذج العوامل المالية كانت ضرورية لنجاحه.

كشفت الدراسة أيضاً عن المؤشرات المالية الأكثر أهمية في عملية اتخاذ القرار للنموذج. فقد حدد النظام باستمرار أن الربحية، ومستويات الديون، والتدفق النقدي هي المحركات الأساسية للمخاطر. وهذا التوافق مع النظرية المالية الراسخة يشير إلى أن النموذج لا يجد مجرد أنماط عشوائية في البيانات، بل يتعلم في الواقع المنطق الاقتصادي لفشل الأعمال. فعلى سبيل المثال، وضع النموذج أهمية قصوى لنسبة صافي الدخل إلى إجمالي الأصول وإلى نسبة الدين الإجمالية، مما يؤكد أن ضعف الأرباح وأعباء الديون الثقيلة هي أكثر علامات الإنذار المبكر موثوقية. ومن خلال الجمع بين توليد البيانات المتقدم، وتحليل الميزات التكيفي، والشرح الواضح، يقدم FRAG-Net أداة قوية لتقييم المخاطر المالية. وبينما يشير الباحثون إلى أن عملهم تم التحقق من صحته باستخدام مجموعة بيانات تاريخية واحدة، وأن النسخ المستقبلية يجب أن تأخذ في الاعتبار كيفية تغير الحالة المالية للشركة بمرور الوقت، فإن النتائج الحالية تمثل خطوة قوية للأمام في جعل الذكاء الاصطناعي فعالاً وجديراً بالثقة في عالم المخاطر المالية عالي المخاطر.