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

वित्त की दुनिया में, संकट आने से पहले उसकी भविष्यवाणी करना अस्तित्व बचाने का एक मामला है। बैंक, निवेशक और नियामक लगातार कंपनियों के वित्तीय स्वास्थ्य को स्कैन करते रहते हैं, ताकि उन सूक्ष्म संकेतों को खोजा जा सके जिनसे पता चल सके कि कोई व्यवसाय जल्द ही विफल हो सकता है। यह कार्य डेटा की विशाल मात्रा पर निर्भर करता है: लाभ मार्जिन, ऋण स्तर, नकदी प्रवाह (कैश फ्लो) और विकास दर। हालाँकि, इस डेटा के साथ एक मौलिक समस्या है। किसी भी दिए गए वर्ष में, अधिकांश कंपनियाँ स्वस्थ और सामान्य रूप से संचालित हो रही होती हैं। केवल एक बहुत छोटा हिस्सा ही वास्तव में दिवालिया होता है। यह एक गंभीर असंतुलन पैदा करता है, जहाँ "सामान्य" मामले "जोखिम भरे" मामलों पर हावी हो जाते हैं। जब कंप्यूटर मॉडल को ऐसे असंतुलित डेटा पर प्रशिक्षित किया जाता है, तो वे सांख्यिकीय बहुमत पर निर्भर करने लगते हैं, और केवल यह अनुमान लगाते हैं कि हर कंपनी सुरक्षित है क्योंकि सांख्यिकीय रूप से यही सबसे संभावित परिणाम है। वे उन कुछ खतरनाक मामलों को चूक जाते हैं जो सबसे अधिक महत्वपूर्ण होते हैं। इसके अलावा, भले ही ये मॉडल कोई भविष्यवाणी करते हैं, वे अक्सर 'ब्लैक बॉक्स' की तरह काम करते हैं, बिना यह समझाए कि किन वित्तीय कारकों के कारण उस निष्कर्ष तक पहुँचा गया। उच्च-दांव वाले वित्त में, बिना कारण के की गई भविष्यवाणी पर कार्रवाई करना दुर्लभ है।

दुर्लभ जोखिमों को पहचानने और पारदर्शिता की कमी की इन दोहरी समस्याओं को हल करने के लिए, शोधकर्ताओं—मेइलिंग डोंग, तियानजियाओ शा और हानवेन झांग—ने FRAG-Net नामक एक नई प्रणाली विकसित की है। यह ढांचा विशेष रूप से इस कठिनाई को संभालने के लिए डिज़ाइन किया गया है कि कैसे घास के ढेर में सुई को खोजा जाए और साथ ही यह भी समझाया जाए कि वह सुई क्यों मिली। टीम ने अपने दृष्टिकोण का परीक्षण लगभग 7,000 ताइवानी कंपनियों के वित्तीय रिकॉर्ड वाले वास्तविक दुनिया के डेटासेट पर किया, जहाँ केवल लगभग 3 प्रतिशत ही वास्तव में दिवालिया हुई थीं। चुनौती एक ऐसी प्रणाली बनाने की थी जो उन विफल होने वाली कंपनियों के जटिल, छिपे हुए पैटर्न को सीख सके बिना स्वस्थ कंपनियों के बीच भ्रमित हुए, और फिर स्पष्ट रूप से दिखा सके कि कौन से वित्तीय संकेतक चेतावनी के संकेत थे।

पहला अवरोध जिसे शोधकर्ताओं ने पार किया, वह था विफल होने वाली कंपनियों के डेटा की कमी। चूंकि दिवालियापन के उदाहरण बहुत कम थे, इसलिए कंप्यूटर मॉडल के पास सीखने के लिए बहुत कम था। मानक तरीके नए उदाहरणों को सरल इंटरपोलेशन (interpolation) के माध्यम से बनाकर इसे ठीक करने की कोशिश करते हैं, जो अनिवार्य रूप से दो ज्ञात विफल कंपनियों के बीच एक सीधी रेखा खींचकर एक नकली कंपनी बनाना है। शोधकर्ताओं ने पाया कि यह दृष्टिकोण त्रुटिपूर्ण है, क्योंकि यह अक्सर कृत्रिम डेटा बनाता है जो वित्तीय संकट की वास्तविक, जटिल वास्तविकता को नहीं दर्शाता है। इसके बजाय, उन्होंने 'कंडीशनल वासेरस्टीन जेनेरेटिव एडवरसैरियल नेटवर्क' (Conditional Wasserstein Generative Adversarial Network) नामक एक अधिक परिष्कृत तकनीक का उपयोग किया। सरल शब्दों में, यह एक ऐसी प्रणाली है जहाँ दो कंप्यूटर प्रोग्राम एक-दूसरे के विरुद्ध प्रतिस्पर्धा करते हैं। एक प्रोग्राम वास्तविक रिकॉर्ड जैसे दिखने वाले नकली वित्तीय रिकॉर्ड बनाने की कोशिश करता है, जबकि दूसरा नकली को पहचानने की कोशिश करता है। इस तीव्र प्रतिस्पर्धा के माध्यम से, निर्माता वास्तविक विफल कंपनियों के अत्यधिक यथार्थवादी उदाहरण बनाने में सक्षम होता है। ये नए, सिंथेटिक रिकॉर्ड वास्तविक रिकॉर्ड के सांख्यिकीय रूप से सुसंगत होते हैं, जिससे प्रशिक्षण डेटा प्रभावी रूप से विस्तारित हो जाता है ताकि मॉडल साधारण अनुमानों से भ्रमित हुए बिना वित्तीय जोखिम के वास्तविक स्वरूप को सीख सके।

एक बार डेटा संतुलित हो जाने के बाद, शोधकर्ताओं को इसे विश्लेषण करने के एक ऐसे तरीके की आवश्यकता थी जो समझ सके कि विभिन्न वित्तीय कारक आपस में कैसे क्रिया करते हैं। किसी कंपनी का जोखिम शायद ही कभी केवल एक संख्या, जैसे उच्च ऋण अनुपात, के कारण अकेले होता है। यह आमतौर पर लाभप्रदता, तरलता (liquidity) और विकास के बीच संबंधों के एक जटिल जाल का परिणाम होता है। इसे पकड़ने के लिए, टीम ने एक क्लासिफायर बनाया जो 'मल्टी-हेड अटेंशन' (multi-head attention) नामक तंत्र का उपयोग करता है। कल्पना कीजिए कि विशेषज्ञों की एक टीम कंपनी की फाइल की समीक्षा कर रही है; सभी समान तीव्रता के साथ एक ही चीज़ को देखने के बजाय, यह प्रणाली मॉडल के विभिन्न "हेड्स" (heads) को एक साथ डेटा के विभिन्न हिस्सों पर ध्यान केंद्रित करने की अनुमति देती है। एक हिस्सा इस बात पर ध्यान केंद्रित कर सकता है कि नकदी प्रवाह ऋण से कैसे संबंधित है, जबकि दूसरा देख सकता है कि लाभ वृद्धि तरलता को कैसे प्रभावित करती है। इन कनेक्शनों को अनुकूल रूप से तौलकर, मॉडल जोखिम का संकेत देने वाले विशिष्ट संकेतों पर जोर देना सीखता है और शोर (noise) को अनदेखा करता है। यह सुनिश्चित करने के लिए कि डेटा विस्तार के बाद भी मॉडल दुर्लभ जोखिम मामलों के प्रति संवेदनशील बना रहे, शोधकर्ताओं ने स्कोरिंग सिस्टम को भी समायोजित किया ताकि छूटे हुए जोखिमों को गलत अलार्म की तुलना में अधिक भारी दंड दिया जा सके।

पहेली का अंतिम टुकड़ा मॉडल के निर्णयों को समझने योग्य बनाना था। एक प्रणाली जो दिवालियापन की भविष्यवाणी करती है लेकिन यह नहीं बता सकती कि क्यों, वह मानव निर्णय लेने वाले के लिए सीमित उपयोग की है। शोधकर्ताओं ने SHAP नामक एक टूल को एकीकृत किया, जो प्रत्येक कंपनी के लिए अंतिम भविष्यवाणी का विश्लेषण करता है। यह टूल बिल्कुल यह गणना करता है कि प्रत्येक वित्तीय कारक ने निर्णय में कितना योगदान दिया। उदाहरण के लिए, यह दिखा सकता है कि एक विशिष्ट कंपनी के लिए, कम नकदी प्रवाह और उच्च ऋण अनुपात ने जोखिम स्कोर को ऊपर धकेला, जबकि एक मजबूत लाभ मार्जिन ने इसे नीचे खींचा। यह कच्चे डेटा से अंतिम चेतावनी तक एक स्पष्ट, पता लगाने योग्य मार्ग प्रदान करता है, जो वित्तीय विनियमन में पारदर्शिता की आवश्यकता को पूरा करता है।

जब टीम ने मौजूदा तरीकों की एक विस्तृत श्रृंखला के विरुद्ध, पारंपरिक सांख्यिकीय मॉडल से लेकर आधुनिक मशीन लर्निंग एल्गोरिदम तक, FRAG-Net का परीक्षण किया, तो परिणाम स्पष्ट थे। नया ढांचा जोखिम वाली कंपनियों की पहचान करने में सभी प्रतिस्पर्धियों से बेहतर रहा। इसने 0.97 का AUC प्राप्त किया, लेकिन इससे भी महत्वपूर्ण बात यह है कि इसने लगभग 70 प्रतिशत वास्तविक दिवालियापन की सही पहचान की, जो अन्य तरीकों की तुलना में एक महत्वपूर्ण सुधार है जो अक्सर आधे से अधिक मामलों को मिस कर देते हैं। इस प्रणाली ने सुरक्षित और जोखिम भरी फर्मों के बीच अंतर करने में उच्च स्तर की विश्वसनीयता भी प्रदर्शित की, जिसमें एक मानक माप पर 0.947 का स्कोर प्राप्त हुआ। सांख्यिकीय परीक्षणों ने पुष्टि की कि ये सुधार संयोगवश नहीं थे। शोधकर्ताओं ने यह देखने के लिए भी प्रयोग किए कि क्या होगा यदि वे अपने सिस्टम के हिस्सों को हटा दें। जब उन्होंने डेटा जनरेशन स्टेप को हटाया, तो जोखिमों को पहचानने की मॉडल की क्षमता तेजी से गिर गई। जब उन्होंने अटेंशन मैकेनिज्म को हटाया, तो मॉडल की सटीकता प्रभावित हुई। इससे सिद्ध हुआ कि वास्तविक सिंथेटिक डेटा का निर्माण और वित्तीय कारकों को तौलने का परिष्कृत तरीका, दोनों ही इसकी सफलता के लिए आवश्यक थे।

अध्ययन ने यह भी खुलासा किया कि मॉडल की निर्णय लेने की प्रक्रिया में कौन से वित्तीय संकेतक सबसे महत्वपूर्ण थे। प्रणाली ने लगातार लाभप्रदता, ऋण स्तर और नकदी प्रवाह को जोखिम के प्राथमिक चालक के रूप में पहचाना। स्थापित वित्तीय सिद्धांत के साथ यह तालमेल बताता है कि मॉडल केवल डेटा में यादृच्छिक पैटर्न नहीं खोज रहा है, बल्कि वास्तव में व्यावसायिक विफलता के आर्थिक तर्क को सीख रहा है। उदाहरण के लिए, मॉडल ने कुल संपत्ति के मुकाबले शुद्ध आय के अनुपात और समग्र ऋण अनुपात पर उच्चतम महत्व दिया, जो इस बात की पुष्टि करता है कि कमजोर कमाई और भारी ऋण बोझ सबसे विश्वसनीय शुरुआती चेतावनी संकेत हैं। उन्नत डेटा जनरेशन, अनुकूलित फीचर विश्लेषण और स्पष्ट व्याख्या को जोड़कर, FRAG-Net वित्तीय जोखिम मूल्यांकन के लिए एक मजबूत उपकरण प्रदान करता है। हालांकि शोधकर्ता नोट करते हैं कि उनके कार्य को एक एकल ऐतिहासिक डेटासेट पर सत्यापित किया गया था और भविष्य के संस्करणों को इस बात पर विचार करना चाहिए कि कैसे एक कंपनी की वित्तीय स्थिति समय के साथ बदलती है, वर्तमान परिणाम उच्च-दांव वाले वित्तीय जोखिम की दुनिया में आर्टिफिशियल इंटेलिजेंस को प्रभावी और भरोसेमंद बनाने की दिशा में एक शक्तिशाली कदम प्रदर्शित करते हैं।