Foundation‑Modelle schlagen klassische ML‑Methoden bei der Insolvenzvorhersage

Eine neue Studie aus dem arXiv-Repository (ArXiv:2511.16375v1) untersucht, ob moderne Foundation‑Modelle wie Llama‑3.3‑70B‑Instruct bei der Vorhersage von Unternehmensinsolvenzen wirklich die Nase vorn haben. Die Forscher haben die Modelle gegen etablierte Machine‑Learning‑Baselines wie XGBoost und CatBoost auf einem riesigen, stark unausgeglichenen Datensatz von über einer Million Firmenakten aus der Visegrád‑Gruppe getestet.

Die Ergebnisse sind eindeutig: XGBoost und CatBoost übertreffen die Foundation‑Modelle konsequent in allen Prognosehorizonten. Die großen Sprachmodelle liefern zwar interessante Muster, aber ihre Wahrscheinlichkeitsabschätzungen sind unzuverlässig – ein entscheidender Nachteil in risikobewussten Finanzanwendungen. TabPFN, ein weiteres auf Basis‑Modell, erreicht zwar eine vergleichbare Leistung wie einfachere Baselines, erfordert dafür jedoch enorme Rechenressourcen, die sich nicht durch die Performance rechtfertigen lassen.

Die Studie zeigt, dass die Vielseitigkeit von Foundation‑Modellen in der Praxis noch nicht ausreicht, um spezialisierte Verfahren für die Insolvenzvorhersage zu ersetzen. Für Unternehmen, die präzise Risikobewertungen benötigen, bleiben klassische ML‑Algorithmen die verlässlichere Wahl.