通过混合重采样和堆叠集成技术以及可解释人工智能 (XAI) 驱动的分析进行破产预测

arXiv:2608.20343v1 公告类型：新 摘要：本研究开发并评估了一种破产预测框架，该框架集成了基于共识的特征选择、混合重采样、堆叠集成和可解释的人工智能，以改善严重不平衡的金融数据中的少数类别检测。使用 UCI 机器学习存储库中的台湾破产预测数据集，首先应用了五种特征选择算法，并且共识保留规则将输入空间减少到 23 个鲁棒变量。然后使用 SVM-SMOTE、SMOTE-Tomek 和 SMOTE-ENN 生成平衡训练数据。将五种集成机器学习分类器（即梯度提升、极限梯度提升、基于直方图的梯度提升、LightGBM 和 AdaBoost）与五种深度学习模型（包括 RNN、LSTM、GRU、DNN 和 MLP）进行了比较。此外，混合堆叠集成将五个机器学习分类器作为基础学习器，将每个深度学习模型作为元学习器。使用准确性、召回率、特异性、G 均值和 ROC-AUC 评估模型性能，同时使用 SHAP 来解释特征贡献。结果表明，重采样策略实质上塑造了模型行为。 SVM-SMOTE 和 SMOTE-Tomek 有利于准确性和特异性，而 SMOTE-ENN 提供了更强的少数类检测。在独立模型中，带有 SMOTE-ENN 的 GRU 实现了最佳的整体预测平衡，召回率为 0.8627，G 平均值为 0.8517，ROC-AUC 为 0.9431。在堆叠集成中，具有 (GB+XGB+HGB+LGBM+AB)+LSTM 的 SMOTE-ENN 在灵敏度和特异性之间提供了最强的折衷。 SHAP 分析发现，杠杆率、盈利能力、偿付能力和运营效率指标是破产风险最有影响力的预测指标。这些发现为陷入财务困境的公司提供了更可靠和可解释的早期预警系统。