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

技术摘要：通过混合重采样与堆叠集成技术进行破产预测及 XAI 驱动分析

问题陈述
本研究旨在解决在严重不平衡的财务数据集中预测企业破产的关键挑战，其中少数类（破产企业）仅占总人口的极小部分（在目标数据集中约为 3.23%）。传统的评估指标（如准确率）在这种背景下具有误导性，因为它们往往偏向多数类，无法有效检测财务困境企业。论文指出，破产预测是一个成本敏感型决策问题，漏报财务困境企业（低召回率）所带来的后果比误报（假警报）更为严重。此外，该领域需要不仅具备预测能力，且具备可解释性的模型，以支持审计、治理和监管合规。

研究方法
本研究采用了一个全面的端到端框架，利用来自 UCI 机器学习库的台湾破产预测数据集（包含 6,819 个企业观测值，95 个预测变量）。研究方法通过四个截然不同的阶段进行：

1. 基于共识的特征选择： 为了降低高维输入空间（95 个特征）并增强鲁棒性，应用了五种特征选择算法：鲸鱼优化算法 (WOA)、粒子群优化算法 (PSO)、海豚算法 (SSO)、蝙蝠算法 (BA) 和互信息法 (MI)。研究采用了共识保留规则，即仅保留至少被两种算法识别出的预测变量。这一过程将特征集缩减为 23 个稳健变量，涵盖了与盈利能力、杠杆率、偿债能力和运营效率相关的指标。
2. 混合重采样： 为了解决类别不平衡问题，在训练数据上实施了三种混合重采样技术：SVM-SMOTE、SMOTE-Tomek 和 SMOTE-Edited Nearest Neighbors (SMOTE-ENN)。这些方法用于生成平衡的训练分布，同时尽可能保持少数类的完整性。
3. 模型架构与堆叠：
   • 基学习器： 评估了五种集成机器学习分类器：梯度提升 (GB)、极端梯度提升 (XGB)、基于直方图的梯度提升 (HGB)、LightGBM (LGBM) 和 AdaBoost (AB)。
   • 元学习器： 测试了五种深度学习 (DL) 模型：循环神经网络 (RNN)、长短期记忆网络 (LSTM)、门控循环单元 (GRU)、深度神经网络 (DNN) 和多层感知器 (MLP)。
   • 混合堆叠： 构建了一个堆叠集成框架，其中五个机器学习分类器作为基学习器，五个深度学习模型中的每一个作为元学习器，从而创建了 25 种独特的混合配置。
4. 可解释人工智能 (XAI)： 应用 Shapley 加性解释 (SHAP) 框架对表现最佳的模型进行分析，从全局和局部层面解释特征贡献，确保模型的决策逻辑符合经济学理论。

关键结果
研究使用准确率、召回率、特异性、G-mean 和 ROC-AUC 对模型进行了评估。主要发现包括：

• 重采样的影响： 重采样策略的选择显著决定了模型的行为。SVM-SMOTE 和 SMOTE-Tomek 倾向于高准确率和高特异性（正确识别非破产企业），而 SMOTE-ENN 则在少数类检测（召回率）和平衡性能（G-mean）方面表现优异。
• 独立模型表现： 在独立模型中，结合 SMOTE-ENN 的 GRU 分类器实现了最佳的整体预测平衡，其召回率为 0.8627，G-mean 为 0.8517，ROC-AUC 为 0.9431。
• 堆叠集成表现： 使用 SMOTE-ENN 结合 (GB+XGB+HGB+LGBM+AB) 作为基学习器，并以 LSTM 作为元学习器的混合堆叠集成模型，在堆叠模型中提供了灵敏度与特异性之间最强的折衷方案（召回率：0.7255，G-mean：0.8254，ROC-AUC：0.9270）。
• 模型对比： 虽然基于树的集成模型（特别是 LGBM）在准确率和特异性方面表现出色，但在 SMOTE-ENN 机制下，深度学习模型（MLP、GRU、LSTM、RNN）在召回率和 G-mean 方面始终优于机器学习模型。
• 特征重要性： SHAP 分析确定杠杆率、盈利能力、偿债能力和运营效率指标（如留存收益与总资产比、资产回报率 ROA、负债率、总资产周转率）是破产风险最显著的预测因子。

意义与主张
论文声称其主要贡献在于证明了类别不平衡是决定模型效用的核心因素，而非仅仅是一个预处理层面的干扰。研究断言：

1. 深度学习的可行性： 即使在结构化表格数据设置中，深度学习架构（特别是 GRU 和 LSTM）也能在检测少数类破产方面提供实质性的增益，其召回率优于传统的提升法（Boosting methods）。
2. 重采样策略至关重要： 并不存在单一的“最佳”重采样方法；最优选择取决于操作目标。研究表明，对于将“最小化漏报破产”作为首要任务的预警系统而言，SMOTE-ENN 特别有效。
3. 集成可解释性： 通过整合 SHAP，研究验证了模型捕捉到了具有经济学合理性的信号（盈利能力和杠杆率）而非统计伪影，从而支持了这些模型在高度敏感的金融治理中的部署。
4. 基准建立： 本研究利用结构化财务比率建立了稳健的基准，这表明当结合共识特征选择、混合重采样和 XAI 时，传统的会计数据对于破产预测仍然具有高度的信息量。

作者总结道，虽然该框架推进了领域发展，但未来的工作应侧重于整合多期轨迹数据和非结构化文本数据，以进一步增强模型在不同监管和经济环境下的鲁棒性和泛化能力。