Bankruptcy Prediction via Hybrid Resampling and Stacking Ensemble Techniques with Explainable Artificial Intelligence (XAI)-Driven Analysis

Sintesi Tecnica: Previsione del Fallimento tramite Tecniche Ibride di Resampling e Stacking Ensemble con Analisi Guidata da XAI

Problematica
Lo studio affronta la sfida critica della previsione del fallimento aziendale all'interno di dataset finanziari severamente sbilanciati, dove la classe minoritaria (imprese fallite) costituisce una piccola frazione del totale della popolazione (circa il 3,23% nel dataset target). Le metriche di valutazione tradizionali come l'accuratezza sono fuorvianti in tali contesti, poiché spesso favoriscono la classe maggioritaria e non riescono a rilevare le imprese in difficoltà finanziaria. Il documento sostiene che la previsione del fallimento sia un problema decisionale sensibile ai costi, in cui mancare una società in difficoltà (basso recall) comporta conseguenze più gravi rispetto ai falsi allarmi. Inoltre, il settore richiede modelli che non siano solo predittivi, ma anche interpretabili per supportare l'auditabilità, la governance e la conformità normativa.

Metodologia
La ricerca impiega un framework completo e end-to-end utilizzando il dataset "Taiwanese Bankruptcy Prediction" dal UCI Machine Learning Repository (6.819 osservazioni di imprese, 95 predittori). La metodologia si articola attraverso quattro fasi distinte:

1. Selezione delle Caratteristiche Basata sul Consenso: Per ridurre lo spazio di input ad alta dimensionalità (95 feature) e migliorare la robustezza, sono stati applicati cinque algoritmi di selezione delle caratteristiche: Whale Optimization (WOA), Particle Swarm Optimization (PSO), Salp Swarm Optimization (SSO), Bat Algorithm (BA) e Mutual Information (MI). È stata applicata una regola di ritenzione basata sul consenso, mantenendo solo i predittori identificati da almeno due dei cinque algoritmi. Ciò ha ridotto l'insieme delle feature a 23 variabili robuste, incluse metriche relative a redditività, leva finanziaria, solvibilità ed efficienza operativa.
2. Resampling Ibrido: Per affrontare lo sbilanciamento delle classi, sono state implementate tre tecniche di resampling ibrido sui dati di addestramento: SVM-SMOTE, SMOTE-Tomek e SMOTE-Edited Nearest Neighbors (SMOTE-ENN). Questi metodi sono stati utilizzati per generare distribuzioni di addestramento bilanciate, cercando al contempo di preservare l'integrità della classe minoritaria.
3. Architettura del Modello e Stacking:
   • Base Learners: Sono stati valutati cinque classificatori di machine learning ensemble: Gradient Boosting (GB), Extreme Gradient Boosting (XGB), Histogram-based Gradient Boosting (HGB), LightGBM (LGBM) e AdaBoost (AB).
   • Meta-Learners: Sono stati testati cinque modelli di deep learning (DL): Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Deep Neural Network (DNN) e Multi-Layer Perceptron (MLP).
   • Hybrid Stacking: È stato costruito un framework di stacking ensemble in cui i cinque classificatori ML fungono da base learners, e ciascuno dei cinque modelli DL funge da meta-learner, creando 25 configurazioni ibride uniche.
4. Intelligenza Artificiale Spiegabile (XAI): Il framework Shapley Additive exPlanations (SHAP) è stato applicato ai modelli con le migliori prestazioni per interpretare i contributi delle feature sia a livello globale che locale, garantendo che la logica decisionale del modello sia allineata con la teoria economica.

Risultati Chiave
Lo studio ha valutato i modelli utilizzando accuratezza, recall, specificità, G-mean e ROC-AUC. Le principali scoperte includono:

• Impatto del Resampling: La scelta della strategia di resampling ha determinato significativamente il comportamento del modello. SVM-SMOTE e SMOTE-Tomek hanno favorito un'alta accuratezza e specificità (identificazione corretta delle imprese non fallite), mentre SMOTE-ENN ha prodotto un superiore rilevamento della classe minoritaria (recall) e una prestazione bilanciata (G-mean).
• Prestazioni dei Modelli Standalone: Tra i modelli standalone, il classificatore GRU combinato con SMOTE-ENN ha ottenuto il miglior equilibrio predittivo complessivo, registrando un recall di 0,8627, un G-mean di 0,8517 e un ROC-AUC di 0,9431.
• Prestazioni dello Stacking Ensemble: L'ensemble di stacking ibrido utilizzando SMOTE-ENN con (GB+XGB+HGB+LGBM+AB) come base learners e LSTM come meta-learner ha fornito il più forte compromesso tra sensibilità e specificità tra i modelli in stacking (Recall: 0,7255, G-mean: 0,8254, ROC-AUC: 0,9270).
• Confronto tra Modelli: Mentre gli ensemble basati su alberi (specificamente LGBM) eccellevano in accuratezza e specificità, i modelli di deep learning (MLP, GRU, LSTM, RNN) hanno costantemente superato i modelli di machine learning in termini di recall e G-mean, particolarmente sotto il regime SMOTE-ENN.
• Importanza delle Feature: L'analisi SHAP ha identificato gli indicatori di leva finanziaria, redditività, solvibilità ed efficienza operativa (ad esempio, Utili Accantonati rispetto alle Attività Totali, ROA, Rapporto di Debito, Rotazione delle Attività Totali) come i predittori più influenti del rischio di fallimento.

Significatività e Rivendicazioni
Il documento afferma che il suo principale contributo risiede nel dimostrare che lo sbilanciamento delle classi è un determinante centrale dell'utilità del modello, e non un semplice fastidio di pre-elaborazione. Lo studio asserisce che:

1. Viabilità del Deep Learning: Le architetture di deep learning (specificamente GRU e LSTM) offrono guadagni sostanziali nel rilevamento della classe minoritaria del fallimento anche in contesti di dati tabulari strutturati, superando i metodi di boosting tradizionali in termini di recall.
2. L'importanza della Strategia di Resampling: Non esiste un unico metodo di resampling "migliore"; la scelta ottimale dipende dall'obiettivo operativo. SMOTE-ENN si è dimostrato particolarmente efficace per i sistemi di allerta precoce dove la priorità è minimizzare i fallimenti non rilevati.
3. Integrazione dell'Interpretabilità: Integrando SHAP, lo studio valida che i modelli catturano segnali economicamente plausibili (redditività e leva finanziaria) piuttosto che artefatti statistici, supportando così l'implementazione di questi modelli in contesti di governance finanziaria ad alto rischio.
4. Benchmarking: Lo studio stabilisce un benchmark robusto utilizzando esclusivamente indici finanziari strutturati, suggerendo che, quando combinati con la selezione delle caratteristiche basata sul consenso, il resampling ibrido e la XAI, i dati contabili tradizionali rimangono altamente informativi per la previsione del fallimento.

Gli autori concludono che, sebbene il loro framework faccia avanzare il campo, il lavoro futuro dovrebbe concentrarsi sull'integrazione di traiettorie multi-periodo e dati testuali non strutturati per migliorare ulteriormente la robustezza e la generalizzabilità in diversi ambienti normativi ed economici.