[논문]기계학습 방법을 이용한 기업부도의 예측

박동준; 윤예분; 윤민

doi:10.7465/jkdi.2012.23.3.569

[국내논문] 기계학습 방법을 이용한 기업부도의 예측
Prediction of bankruptcy data using machine learning techniques 원문보기 논문타임라인

Journal of the Korean Data & Information Science Society = 한국데이터정보과학회지, v.23 no.3, 2012년, pp.569 - 577

박동준 (부경대학교 통계학과) , 윤예분 (간사이대학교 수리계획공학연구실) , 윤민 (부경대학교 통계학과)

초록
AI-Helper

기업도산에 대한 분석과 관리는 기업의 성과와 성장능력을 평가하는 재무관리 분야에서 중요하게 인식되어 왔다. 결국, 기업도산 예측에 대한 효과적인 모형이 필요하게 된다. 본 논문은 서포트 벡터 기계의 한 종류인 토탈 여유도 알고리즘을 이용하여 기업도산 예측을 위하여 새로운 접근 방법을 서술한다. 몇 개의 실제 자료를 통하여 제안한 방법들이 도산 위험의 평가에서 기존의 방법들보다 개선됨을 확인할 수 있었다.

Abstract ▼ AI-Helper

The analysis and management of business failure has been recognized to be important in the area of financial management in the evaluation of firms' performance and the assessment of their viability. To this end, effective failure-prediction models are needed. This paper describes a new approach to prediction of business failure using the total margin algorithm which is a kind of support vector machine. It will be shown that the proposed method can evaluate the risk of failure better than existing methods through some real data.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 보다 정확한 기업도산의 예측을 위하여 토탈 여유도 알고리즘을 이용한 방법을 제안하였다. 제안된 방법의 성능을 평가하기 위하여, 두 종류의 예제에서 제공되는 도산기업과 건전 기업의 분류율을 비교하였다.
건전한 재무투자의 관점에서 적절한 기업도산의 위험을 평가하는 것은 중요하다. 본 논문의 목적은 서포트 벡터 기계 (Support Vector Machines; SVMs)를 기업도산의 예측에 적용하는 것이다. 특히, 저자들이 제안한 토탈 여유도 (total margin) 서포트 벡터 기계가 기업도산 예측에 있어서 좋은 수행능력을 제공한다는 것을 보일 것이다.
이러한 어려움을 극복하기 위하여, 오분류된 자료 점들의 여유성 (slackness)을 고려한 소프트 여유도 (soft margin) 알고리즘이 제안되었다 (임주열 등, 2010; Bartlett과 Shawe-Talyor, 1999; Cortes와 Vapnik, 1995). 이 후에 본 저자들은 분류된 자료 점들이 얼마나 정확하게 분류가 되었는가의 측도로서 잉여변수 (surplus variable)를 소개하였다. 여유도를 최대화 하기 위하여 토탈 여유도 알고리즘은 공식화되었는데, 이는 여유변수들을 최소화하고 동시에 잉여변수들을 최대화하는 것이다(Yoon 등, 2004; Nakayama 등, 2009).

제안 방법

이는 도산 기업의 수가 건전기업의 수와 비교해서 상대적으로 너무 작기 때문에, 상대적으로 C값이 작은 경우에 대하여 대부분의 도산기업은 오분류되고, 테스트 집합의 분류율의 결과는 분류율이 좋지않게 된다. 따라서 도산기업들에 대한 분류율을 개선하기 위하여 상대적으로 큰 C값을 선택하였다. 그러나, 저자들의 기대와는 반대로 상대적으로 큰 C값에서 조차 도산기업에 대한 분류율은 기껏해야 40% 정도였다.
소프트 여유도 알고리즘에서의 모수는 C = 1, 10, 100, 1000로 선택하였고, 토탈 여유도 알고리즘에서는 위의 값들과 조합으로 C₁ = 1, 10, 100, 1000와 C₂ = 0.01, 0.1, 1, 10, 100, 1000를 선택하였다. 가우시안 커널함수의 반지름 σ_i는 i번째 재무지표의 표준편차로 사용하였다.
이 절에서 2절에서 소개한 소프트 여유도 알고리즘과 토탈 여유도 알고리즘을 실제 자료를 기초로 기업도산을 예측한다.
전통적으로 패턴 분류 문제에 공통적으로 사용하는 피셔 선형 판별분석과 소프트 여유도 알고리즘, 토탈 여유도 알고리즘의 분류율을 비교한다.
본 논문에서는 보다 정확한 기업도산의 예측을 위하여 토탈 여유도 알고리즘을 이용한 방법을 제안하였다. 제안된 방법의 성능을 평가하기 위하여, 두 종류의 예제에서 제공되는 도산기업과 건전 기업의 분류율을 비교하였다. 그리고 기업도산의 예측에 있어서 토탈 여유도 알고리즘의 효율성을 보였다.

대상 데이터

Tokyo Shoko Research Ltd. (TSR)에서 제공된 자료를 사용하여 표 3.1에서 나타난 조건들을 만족하는 도산기업들과 건전기업들을 예측하였다. 표 3.
두 번째 자료는 한국금융협회에서 기업의 부도에 관한 자료로서 총 3964개 기업들에서 재무구조를 나타내는 9개의 변수들에 대하여 얻어진 자료이다. 이 자료들에서 건전기업의 수는 3644개이고 부도 기업은 319개였다.

성능/효과

제안된 방법의 성능을 평가하기 위하여, 두 종류의 예제에서 제공되는 도산기업과 건전 기업의 분류율을 비교하였다. 그리고 기업도산의 예측에 있어서 토탈 여유도 알고리즘의 효율성을 보였다. 본 논문에서 사용한 알고리즘은 C₁과 C₂의 값에 의존적이기는 하지만 예제에서 보여진 정분류율에서 소프트 여유도 알고리즘보다 다소 나은 수행능력을 보인다는 것을 확인할 수 있었다.
4에서 보다는 나은 결과를 얻는다. 더우기, 이 결과들에서 모수 C₁의 임의의 값에 대하여 C₂의 값이 충분히 크다면, 도산 기업들에 대한 피셔의 선형 판별분석의 분류율보다 토탈 여유도 알고리즘이 더 나은 분류율을 보인다.
그리고 기업도산의 예측에 있어서 토탈 여유도 알고리즘의 효율성을 보였다. 본 논문에서 사용한 알고리즘은 C₁과 C₂의 값에 의존적이기는 하지만 예제에서 보여진 정분류율에서 소프트 여유도 알고리즘보다 다소 나은 수행능력을 보인다는 것을 확인할 수 있었다. 다만 최적은 C₁과 C₂를 찾기 위한 노력은 하나의 과제로 보인다.
8에 각각 나타나 있다. 이들 각각의 경우에 로지스틱 회귀분석을 이용한 결과 정분류율이 각각 67.349%, 67.994%의 정분류율을 얻었다. 표 3.
329%로 얻어져 가장 좋은 결과를 얻었다. 전체적으로 토탈 여유도 알고리즘을 이용한 경우에 소프트 여유도 알고리즘을 이용한 경우보다 다소 나은 분류율을 얻을 수 있었고 마찬가지로 표 3.8의 C₁ = 1.0과 C₂ = 0.50인 경우에 분류율이 70.466%로서 가장 높았다. 이 사실로 보아 동일한 자료에서 훈련집합과 테스트 집합을 나누고 비율에 따라 최적의 모수가 바뀌지 않음을 암시한다.
본 논문의 목적은 서포트 벡터 기계 (Support Vector Machines; SVMs)를 기업도산의 예측에 적용하는 것이다. 특히, 저자들이 제안한 토탈 여유도 (total margin) 서포트 벡터 기계가 기업도산 예측에 있어서 좋은 수행능력을 제공한다는 것을 보일 것이다.

후속연구

또한 본 분석에서 사용한 가우시안함수 커널에 대한 최적의 반경 σ_i를 찾는 것도 또한 중요한 문제라고 생각된다. 그리고 첫번째 예제에서는 일년간의 재무정보를 기초하여 부도율의 예측을 수행하였으나, 추후에 다년간의 기간을 통한 예측과 재무 지표들의 선택에 관해서 좀 더 조사해야할 필요가 있다고 생각된다.
다음 절에서 기업부도 예측을 위한 기계학습 방법으로 서포트 벡터 기계를 소개하고, 3절에서 수치 예제들을 통하여 토탈 여유도 알고리즘의 수행 능력을 평가 할 것이다. 마지막으로 기계학습 방법을 이용한 성능의 효율성을 논의하고 추후의 문제점에 대한 제안을 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	서포트 벡터 기계의 주된 아이디어는 무엇인가?	서포트 벡터 기계는 원래 두 범주를 가지는 패턴 분류문제에서 개발되었다 (Bartlett과 Mangasarian, 1992; Cherkassky와 Mulier, 1998; Cristianini와 Shawe-Taylor, 2000; Vapnik, 1998). 이 방법의 주된 아이디어는 원래의 자료집합을 어떤 비선형 함수에 의하여 변환된 특징공간에서 한 범주의 자료집합을 커널에 근거한 최대 여유도 (maximal margin) 선형 분류기 (classifier)를 이용하여 다른 범주의 자료집합을 가능한 멀리 분리하는 것이다 (박혜정, 2011; Glover, 1990; Mangasarian, 1968). 만약 자료가 잡음에 의해 오염되어 있다면, 완전분리는 일반화에 있어서 좋은 수행력을 얻을수 없을 것이다.
	본 논문에서 보다 정확한 기업도산의 예측을 위하여 어떤 알고리즘을 이용한 방법을 제안하였는가?	본 논문에서는 보다 정확한 기업도산의 예측을 위하여 토탈 여유도 알고리즘을 이용한 방법을 제안하였다. 제안된 방법의 성능을 평가하기 위하여, 두 종류의 예제에서 제공되는 도산기업과 건전 기업의 분류율을 비교하였다.
	전통적으로 패턴 분류 문제에 공통적으로 사용하는 분석 방법은?	전통적으로 패턴 분류 문제에 공통적으로 사용하는 피셔 선형 판별분석과 소프트 여유도 알고리즘, 토탈 여유도 알고리즘의 분류율을 비교한다.

참고문헌 (20)
타임라인 바로가기

김철응, 윤민 (2003). 서포트 벡터 기계에서 잡음 영향의 효과적 조절. , 16, 261-271.

원문보기 상세보기 타임라인에서 보기
인용구절

인용 구절

실질적으로, 자료들이 잡음 (noise)에 의하여 오염되어 있다면, 비록 고차원의 특징공간에서도 선형으로 분리할 수 없을 것이다 (김철응과 윤민, 2003).
박혜정 (2011). 온라인 서포트벡터기계를 이용한 온라인 비정상 사건탐지. , 22, 207-215.

인용구절

인용 구절

이 방법의 주된 아이디어는 원래의 자료집합을 어떤 비선형 함수에 의하여 변환된 특징공간에서 한 범주의 자료집합을 커널에 근거한 최대 여유도 (maximal margin) 선형 분류기 (classifier)를 이용하여 다른 범주의 자료집합을 가능한 멀리 분리하는 것이다 (박혜정, 2011; Glover, 1990; Mangasarian, 1968).
석경하 (2010). 최소제곱 서포트벡터기계 형태의 준지도 분류. , 21, 461-470.

인용구절

인용 구절

와 같이 정의되고 각 패턴 x_i는 f(Φ(x_i))의 부호에 의하여 분류된다 (석경하, 2010; Glover, 1990; Mangasarian, 1968).
임주열, 백장선, 김민수 (2010). 서포트벡터머신과 정칙화판별함수를 이용한 비디오 문자인식의 분류성능개선. , 21, 689-697.

원문보기 상세보기 타임라인에서 보기
인용구절

인용 구절

이러한 어려움을 극복하기 위하여, 오분류된 자료 점들의 여유성 (slackness)을 고려한 소프트 여유도 (soft margin) 알고리즘이 제안되었다 (임주열 등, 2010; Bartlett과 Shawe-Talyor, 1999; Cortes와 Vapnik, 1995).
황창하, 신사임 (2010). 커널기계 기법을 이용한 일반화 이분산자기회귀모형 추정. , 21, 419-425.

원문보기 상세보기 타임라인에서 보기
인용구절

인용 구절

이러한 커널들의 전형적인 예들은 Sch¨olkopf와 Smola (2002)에서 소개한 바와 같이 q차 다항함수 커널과 본 논문에서 수치예제들의 실험에서 사용하는 가우시안 (Gaussian)함수 커널등이 있다 (황창하와 신사임, 2010; Haykin, 1998).
Bartlett, P. and Shawe-Talyor, J. (1999). Generalization performance of support vector machines on other pattern classifiers. In Advances in Kernel Methods-Support Vector learning, edited by Scholkopf, B., Burges, C. J. C., and Smola, A., The MIT Press, London, 43-54.

인용구절

인용 구절

이러한 어려움을 극복하기 위하여, 오분류된 자료 점들의 여유성 (slackness)을 고려한 소프트 여유도 (soft margin) 알고리즘이 제안되었다 (임주열 등, 2010; Bartlett과 Shawe-Talyor, 1999; Cortes와 Vapnik, 1995).
Benenett, K. P. and Mangasarian, O. L. (1992). Robust linear programming discrimination of two linearly inseparable sets. Optimization Methods and Software, 1, 23-24.

상세보기
인용구절

인용 구절

서포트 벡터 기계는 원래 두 범주를 가지는 패턴 분류문제에서 개발되었다 (Bartlett과 Mangasarian, 1992; Cherkassky와 Mulier, 1998; Cristianini와 Shawe-Taylor, 2000; Vapnik, 1998).
Cherkassky, V. and Mulier, F. (1998). Learning from data concepts, theory, and methods, John Wiley & Sons, New York.

인용구절

인용 구절

서포트 벡터 기계는 원래 두 범주를 가지는 패턴 분류문제에서 개발되었다 (Bartlett과 Mangasarian, 1992; Cherkassky와 Mulier, 1998; Cristianini와 Shawe-Taylor, 2000; Vapnik, 1998).
Cristianini, N. and Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernelbased learning methods, Cambridge University Press, Cambridge.

인용구절

인용 구절

서포트 벡터 기계는 원래 두 범주를 가지는 패턴 분류문제에서 개발되었다 (Bartlett과 Mangasarian, 1992; Cherkassky와 Mulier, 1998; Cristianini와 Shawe-Taylor, 2000; Vapnik, 1998).
Cortes, C. and Vapnik, V. (1995). Support vector networks. Machine Learning, 20, 273-297.

상세보기
인용구절

인용 구절

이러한 어려움을 극복하기 위하여, 오분류된 자료 점들의 여유성 (slackness)을 고려한 소프트 여유도 (soft margin) 알고리즘이 제안되었다 (임주열 등, 2010; Bartlett과 Shawe-Talyor, 1999; Cortes와 Vapnik, 1995).
Eisenbis, R. A. (1978). Problem in applying discriminant analysis in credit scoring models. Journal of Banking and Finance, 2, 205-219.

상세보기
인용구절

인용 구절

그러나 Eisenbis (1978)는 판별분석을 이용할 때 다변량 정규분포의 가정이 일반적인 경영 경제 문제에 만족하지 않음을 지적하고 비판적인 평가를 하였고 본 논문에서와 같이 기업도산 문제의 예측에는 위의 가정을 만족하는 경우는 거의 없다.
Glover, F. (1990). Improved linear programming models for discriminant analysis. Decision Sciences, 21, 771-785.

상세보기
인용구절

인용 구절

이 방법의 주된 아이디어는 원래의 자료집합을 어떤 비선형 함수에 의하여 변환된 특징공간에서 한 범주의 자료집합을 커널에 근거한 최대 여유도 (maximal margin) 선형 분류기 (classifier)를 이용하여 다른 범주의 자료집합을 가능한 멀리 분리하는 것이다 (박혜정, 2011; Glover, 1990; Mangasarian, 1968).

와 같이 정의되고 각 패턴 x_i는 f(Φ(x_i))의 부호에 의하여 분류된다 (석경하, 2010; Glover, 1990; Mangasarian, 1968).
Haykin, S. (1998). Neural networks a comprehensive foundation, 2nd ed., Prentice Hall, New Jersey.

인용구절

인용 구절

이러한 커널들의 전형적인 예들은 Sch¨olkopf와 Smola (2002)에서 소개한 바와 같이 q차 다항함수 커널과 본 논문에서 수치예제들의 실험에서 사용하는 가우시안 (Gaussian)함수 커널등이 있다 (황창하와 신사임, 2010; Haykin, 1998).
Mangasarian, O. L. (1968). Multi surface method of pattern separation. IEEE Transaction on Information Theory, 14, 801-807.

상세보기
인용구절

인용 구절

이 방법의 주된 아이디어는 원래의 자료집합을 어떤 비선형 함수에 의하여 변환된 특징공간에서 한 범주의 자료집합을 커널에 근거한 최대 여유도 (maximal margin) 선형 분류기 (classifier)를 이용하여 다른 범주의 자료집합을 가능한 멀리 분리하는 것이다 (박혜정, 2011; Glover, 1990; Mangasarian, 1968).

와 같이 정의되고 각 패턴 x_i는 f(Φ(x_i))의 부호에 의하여 분류된다 (석경하, 2010; Glover, 1990; Mangasarian, 1968).
Nakayama, H., Yun, Y. B. and Yoon, M. (2009) Sequential approximate multiobjective optimization using computational intelligence, Springer, Heidelberg.

인용구절

인용 구절

여유도를 최대화 하기 위하여 토탈 여유도 알고리즘은 공식화되었는데, 이는 여유변수들을 최소화하고 동시에 잉여변수들을 최대화하는 것이다(Yoon 등, 2004; Nakayama 등, 2009).
Scholkopf, B. and Smola, A. J. (2002). Learning with kernels: Support vector machines, regularization, optimization, and beyond, The MIT Press, London.

인용구절

인용 구절

이러한 커널들의 전형적인 예들은 Sch¨olkopf와 Smola (2002)에서 소개한 바와 같이 q차 다항함수 커널과 본 논문에서 수치예제들의 실험에서 사용하는 가우시안 (Gaussian)함수 커널등이 있다 (황창하와 신사임, 2010; Haykin, 1998).
Shawe-Taylor, J., Bartlett, P. L., Williamson, R. C. and Anthont, M. (1998). Structural risk minimization over data-dependent hierarchies. IEEE Transaction on Information Theory, 44, 1926-1940.

상세보기
인용구절

인용 구절

또한 완전분리가 되는 경우는 과적합 (over-fitting)의 문제때문에 예측능력에서 좋지 않은 결과를 보인다 (Shawe-Talyor 등, 1998).
Smola, A. J. and Scholkopf, B. (1998). A tutorial on support vector regression, NeuroCOLT2 Technical Report, NeuroCOLT, London.
Yoon, M., Yun, Y. B. and Nakayama, H. (2004). Total margin algorithms in support vector machines. IEICE Transactions on Information and Systems, 87, 1223-1230.

상세보기
인용구절

인용 구절

여유도를 최대화 하기 위하여 토탈 여유도 알고리즘은 공식화되었는데, 이는 여유변수들을 최소화하고 동시에 잉여변수들을 최대화하는 것이다(Yoon 등, 2004; Nakayama 등, 2009).

여유도를 최대화 함으로써, 즉, 여유변수들을 최소화하고 잉여변수들을 최대화 하는 두 가지를 동시에 고려하는, 토탈 여유도 알고리즘을 아래와 같이 얻게된다 (Yoon 등, 2004):
Vapnik, V. N. (1998). Statistical learning theory, John Wiley & Sons, New York.

인용구절

인용 구절

서포트 벡터 기계는 원래 두 범주를 가지는 패턴 분류문제에서 개발되었다 (Bartlett과 Mangasarian, 1992; Cherkassky와 Mulier, 1998; Cristianini와 Shawe-Taylor, 2000; Vapnik, 1998).

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 기계학습 방법을 이용한 기업부도의 예측 Prediction of bankruptcy data using machine learning techniques 원문보기 논문타임라인

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (20) 타임라인 바로가기

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

이 논문을 인용한 문헌

저자의 다른 논문 :

박동준 (40) 윤민 (20)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 기계학습 방법을 이용한 기업부도의 예측
Prediction of bankruptcy data using machine learning techniques 원문보기 논문타임라인

초록
AI-Helper

AI 본문요약
AI-Helper

참고문헌 (20)
타임라인 바로가기