선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 재무상태의 변화를 반영하지 못한 데이터와 모형을 이용한 예측은 적절하지 않을 뿐만 아니라 편향된 결과를 도출해낼 수 있다는 단점은 선행연구를 통해서 지적된 바 있다. 본 연구에서는 RNN을 이용한 동적 모형을 만들어서 실제로 연속된 3년간의 기업 재무정보의 변화를 반영하는 것이 예측력 향상에 도움이 된다는 점을 실증분석 하였다. 따라서 본 연구는 동적 모형을 이용한 부도예측 연구에 있어 학술적으로 기여할 수 있을 것으로 예상된다.
- 본 연구에서는 시계열 데이터를 학습하는데 좋은 성능을 보이는 RNN(Recurrent Neural Network)을 사용하여 부도예측의 성능을 향상시키려는 시도를 하였다. 동적인 모형과 정적인 모형의 차이를 확인하기 위해 기존 연구에서 부도 예측에 사용된 다변량판별분석, 로짓분석, SVM, 인공신경망 등 모형과 성능을 비교하였다.
제안 방법
- Grid search를 이용하여 RNN모형에 사용 될 최적의 파라미터를 설정하였다. 최종적으로 RNN 네트워크의 학습률은 0.
- (Kim and Ahn, 2015)에서 이진 분류 방법 성능 향상에서 분류 기법 보단 전처리 단계에서 성능을 향상 시키려 노력하였다. K-RNN(K-Reverse Nearest Neighbor)을 이용하여 Outlier를 제거 하였고 OCSVM(one-class support vector machine)을 이용하여 전체 데이터 중 training data를 sampling하였다. (Jo et al, 2015; Lee et al, 2015)은 군집 분석의 한 종류인 SOM(self-organizing map)을 이용하여 부도의 범주를 세분화 하였다.
- 본 연구에서는 2개의 서로 다른 변수 집합에 대해서 RNN과 나머지 4개 모형의 예측 성능을 비교하였으며, 성능평가는 예측정확도, ROC곡선, 부도적중률 3가지 기준에 의해서 진행하였다. 나머지 4개의 모형은 다변량판별분석, 로짓모형, SVM, 인공신경망이다.
대상 데이터
- 본 연구는 부도예측모형의 추정과 예측력 비교를 위해 2010년부터 2016년까지 유가증권시장(KOSPI), 코스닥시장(KOSDAQ) 그리고 코넥스시장(KONEX)에 상장된 비 금융기업을 분석 대상으로 선정하였다. 분석에 이용된 기업별 재무정보는 KIS Value를 이용하여 수집하였다.
- 실증분석을 위해 모형의 추정을 위한 추정표본은 2010년부터 2011년까지로 설정하였고, RNN 모형의 최적의 파라미터 설정을 위해 2012년 데이터를 검정표본으로 사용하였다. 예측력 평가를 위한 예측표본은 2013년부터 2016년으로 설정하였다.
- 해당 변수 집합을 이용해 만든 데이터의 부도기업 수는 NA값을 제거 후 추정표본, 예측표본에서 각 153개, 73개였다. 정상기업의 수는 추정표본, 예측표본에서 각 148개, 81개였다.
데이터처리
- 본 연구에서는 시계열 데이터를 학습하는데 좋은 성능을 보이는 RNN(Recurrent Neural Network)을 사용하여 부도예측의 성능을 향상시키려는 시도를 하였다. 동적인 모형과 정적인 모형의 차이를 확인하기 위해 기존 연구에서 부도 예측에 사용된 다변량판별분석, 로짓분석, SVM, 인공신경망 등 모형과 성능을 비교하였다. 모형 추정에 사용된 변수는 기업의 재무변수를 사용하였다.
이론/모형
- 기울기가 0이 되는 문제, 즉 vanishing gradient 문제를 해결하기 위해 LSTM 알고리즘이 사용된다. LSTM은 역전파 과정에서 기울기가 잘 전달될 수 있도록 고안된 가중치의 구조이다.
- 두번째 변수집합에는 선행연구 중 부도예측에 동적모형을 적용하여 예측 성능을 높인 (Kim and Partington, 2015)의 연구의 재무변수들을 이용했다. 해당 변수들은 (Shumway, 2001)을 참고하고 있으며 (Shumway, 2001) 역시 재무변수와 시장변수의 동적 변화에 대해 연구하였기 때문에 마찬가지로 동적 모형을 이용한 본 연구에서 해당 변수들이 더 좋은 결과를 보일 것으로 예상할 수 있었다.
- 본 연구모형에서는 Many to One의 RNN 구조를 이용하였다. Many to One 구조란 여러 데이터가 입력되고 하나의 값이 출력되는 구조를 말한다.
- 또한 선행연구에서 동적 모형의 추정에 사용된 변수들로 RNN 모형을 추정할 때와 정적 모형의 추정에 사용된 변수들을 사용했을 때의 결과 차이를 확인함으로써 RNN 모형이 좋은 성능을 보이기 위해서는 적절한 변수의 선택 또한 중요하다는 것을 확인할 수 있었다. 부도 예측력 평가에는 예측정확도(accuracy), ROC곡선, 부도 적중률(hit-ratio)을 적용하였다. 예측정확도와 ROC곡선을 이용한 평가 척도에서는 본 연구의 모형이 기존의 모형들 보다 향상된 성능을 보였으나 부도적중률에서는 본 연구의 모형이 높은 1종 오류, 낮은 2종 오류를 보여 향후 개선의 여지를 남겼다.
- 또한 5개의 Z-score 모형 변수는 기업의 유동성, 안정성, 수익성, 활동성을 나타내는 부도예측 연구의 기준이 되는 변수로 자리 잡아 왔다. 이러한 이유로 (Marcus, 1990)와 같은 인공신경망을 이용한 연구에서도 Z-score 모형의 변수들을 사용하였다. 변수에 대한 설명은 [Table 2]와 같다.
- 첫 번째 변수집합에는 (Altman, 1968)의 Z-score모형에 사용된 변수들을 사용했다. Z-score 모형의 변수들은 부도예측 연구에서 오래 전부터 이용되었으며 다양한 연구들에서 그 예측 효과가 입증되었다.
성능/효과
- 새로운 변수를 사용한 결과 모형의 예측 결과는 첫 번째 변수 집합보다 성능이 향상되었다. RNN의 정확도는 약 83%로 나타났으며 AUC는 약89%로 나타났다. 이는 첫 번째 변수 집합으로 추정했을 때 보다 기타 비교 모형들에 비해 훨씬 더 향상된 성능을 보이는 것으로 변수의 적합도가 동적 모형의 성능을 훨씬 더 향상시킨 것을 알 수 있다.
- 또한 두가지 다른 변수집합에 대해 모형을 만들어 비교함으로써 동적 모형에 적합한 변수의 사용이 동적 모형의 추정에 중요하다는 점도 확인할 수 있었다. 동적 모형은 정확도와 AUC 모두 비교모형들에 비해 성능이 우수하였고 부도 적중률에서도 RNN모형이 더욱 낮은 2종 오류를 보였다.
- 정확도와 ROC 커브를 이용하여 측정한 성능에서는 본 연구의 모형이 선행 연구의 모형들보다 일관되게 우수한 성능을 보였고 부도적중률에 있어서도 부도위험이 제일 낮은 1 구간의 부도율이 높은 단점이 있었지만 나머지 구간에서는 기타 모형들보다 부도 기업을 더 잘 분류한다는 것을 확인할 수 있었다. 따라서 재무정보 분석을 통한 부도 예측에 있어서 동적 모형의 사용이 기업의 변화하는 정보를 포착하고 이를 통해 부도예측률의 향상에 도움이 된다는 것을 확인하였다.
- 본 연구에서는 RNN(Recurrent Neural Network)을 이용하여 시계열 재무 데이터의 동적 변화를 반영한 모형과 기존의 모형들을 비교함으로서 재무정보의 동적 변화를 포착한 모형이 부도예측모형의 연구에서 예측성능을 향상시킬 수 있다는 점을 확인하였다. 또한 두가지 다른 변수집합에 대해 모형을 만들어 비교함으로써 동적 모형에 적합한 변수의 사용이 동적 모형의 추정에 중요하다는 점도 확인할 수 있었다. 동적 모형은 정확도와 AUC 모두 비교모형들에 비해 성능이 우수하였고 부도 적중률에서도 RNN모형이 더욱 낮은 2종 오류를 보였다.
- 모형 추정에 사용된 변수는 기업의 재무변수를 사용하였다. 또한 선행연구에서 동적 모형의 추정에 사용된 변수들로 RNN 모형을 추정할 때와 정적 모형의 추정에 사용된 변수들을 사용했을 때의 결과 차이를 확인함으로써 RNN 모형이 좋은 성능을 보이기 위해서는 적절한 변수의 선택 또한 중요하다는 것을 확인할 수 있었다. 부도 예측력 평가에는 예측정확도(accuracy), ROC곡선, 부도 적중률(hit-ratio)을 적용하였다.
- 모형의 추정 결과 첫 번째 변수 집합에서 RNN의 정확도는 약 81%로 나타났으며 AUC는 약89%로 나타났다. 다른 모형들과 비교하였을 때 정확도와 AUC에서 모두 다른 모형보다 약간 높은 수준을 보였다.
- 변수들의 동적 변화를 포착하기 위해 연속된 3년간의 과거 재무데이터를 이용한 동적 예측모형을 만들어 기존의 선행연구들의 모형과 비교한 결과 본 연구의 동적 모형이 부도 예측력에 있어 더욱 우수한 성능을 보이는 것을 확인할 수 있었다. 정확도와 ROC 커브를 이용하여 측정한 성능에서는 본 연구의 모형이 선행 연구의 모형들보다 일관되게 우수한 성능을 보였고 부도적중률에 있어서도 부도위험이 제일 낮은 1 구간의 부도율이 높은 단점이 있었지만 나머지 구간에서는 기타 모형들보다 부도 기업을 더 잘 분류한다는 것을 확인할 수 있었다.
- 본 연구에서는 RNN(Recurrent Neural Network)을 이용하여 시계열 재무 데이터의 동적 변화를 반영한 모형과 기존의 모형들을 비교함으로서 재무정보의 동적 변화를 포착한 모형이 부도예측모형의 연구에서 예측성능을 향상시킬 수 있다는 점을 확인하였다. 또한 두가지 다른 변수집합에 대해 모형을 만들어 비교함으로써 동적 모형에 적합한 변수의 사용이 동적 모형의 추정에 중요하다는 점도 확인할 수 있었다.
- 새로운 변수를 사용한 결과 모형의 예측 결과는 첫 번째 변수 집합보다 성능이 향상되었다. RNN의 정확도는 약 83%로 나타났으며 AUC는 약89%로 나타났다.
- 부도 예측력 평가에는 예측정확도(accuracy), ROC곡선, 부도 적중률(hit-ratio)을 적용하였다. 예측정확도와 ROC곡선을 이용한 평가 척도에서는 본 연구의 모형이 기존의 모형들 보다 향상된 성능을 보였으나 부도적중률에서는 본 연구의 모형이 높은 1종 오류, 낮은 2종 오류를 보여 향후 개선의 여지를 남겼다.
- 변수들의 동적 변화를 포착하기 위해 연속된 3년간의 과거 재무데이터를 이용한 동적 예측모형을 만들어 기존의 선행연구들의 모형과 비교한 결과 본 연구의 동적 모형이 부도 예측력에 있어 더욱 우수한 성능을 보이는 것을 확인할 수 있었다. 정확도와 ROC 커브를 이용하여 측정한 성능에서는 본 연구의 모형이 선행 연구의 모형들보다 일관되게 우수한 성능을 보였고 부도적중률에 있어서도 부도위험이 제일 낮은 1 구간의 부도율이 높은 단점이 있었지만 나머지 구간에서는 기타 모형들보다 부도 기업을 더 잘 분류한다는 것을 확인할 수 있었다. 따라서 재무정보 분석을 통한 부도 예측에 있어서 동적 모형의 사용이 기업의 변화하는 정보를 포착하고 이를 통해 부도예측률의 향상에 도움이 된다는 것을 확인하였다.
- 첫 번째 변수집합과 마찬가지로 Grid search를 이용하여 RNN모형에 사용될 최적의 파라미터를 설정하였고, 최종적으로 RNN네트워크의 학습률은 0.01, 4개의 은닉노드, tanh 활성함수를 사용하였고, Fully connected layer는 한 층만 사용하고 0~1 사이의 부도 확률을 구하기 위해 sigmoid로 활성 함수를 사용하였으며, 900회의 반복학습을 진행했을 때 최적의 성능을 보였다.
후속연구
- 본 연구에서는 RNN을 이용한 동적 모형을 만들어서 실제로 연속된 3년간의 기업 재무정보의 변화를 반영하는 것이 예측력 향상에 도움이 된다는 점을 실증분석 하였다. 따라서 본 연구는 동적 모형을 이용한 부도예측 연구에 있어 학술적으로 기여할 수 있을 것으로 예상된다.
- 본 연구결과에서 보았듯 변수 집합에 따라서 모형의 예측 성능에 큰 차이가 발생할 수 있다. 변화하는 기업 정보를 더욱 잘 반영할 수 있는 변수에 대해서 연구하는 것 또한 향후 동적 모형을 활용한 부도기업 예측에 중요한 부분이 될 것이다.
- 모형 추정에 있어서도 이러한 특성에 따라 구분된 모형을 이용해야 결과의 편향이나 오류를 없앨 수 있다. 하지만 본 연구에서는 부도기업의 데이터 확보의 어려움으로 인하여 데이터 수가 한정 되었고 따라서 학습에 사용할 수 있는 데이터가 부족했기 때문에 기업을 산업이나 규모별로 구분하지 않고 하나의 모델로 추정할 수 밖에 없었던 한계를 가지고 있다. 예측 성능평가에 있어서 비교분석이 선행연구에 이용된 정적모형들에 대해서만 이루어진 점 또한 아쉬운 점이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.