최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기지능정보연구 = Journal of intelligence and information systems, v.26 no.2, 2020년, pp.105 - 129
엄하늘 (고려대학교 과학기술학 협동과정) , 김재성 (고려대학교 과학기술학 협동과정) , 최상옥 (고려대학교 행정학과)
This study uses corporate data from 2012 to 2018 when K-IFRS was applied in earnest to predict default risks. The data used in the analysis totaled 10,545 rows, consisting of 160 columns including 38 in the statement of financial position, 26 in the statement of comprehensive income, 11 in the state...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
랜덤 포레스트란 무엇인가? | 랜덤 포레스트는 다수의 결정 트리들을 학습하는 방법으로 랜덤 노드 최적화와 배깅을 결합한 방법과 같은 분류회귀트리(CART)를 사용해 상관관계가 없는 트리들로 포레스트를 구성한다. 여기서, CART는 설명변수 또는 예측 인자의 비선형성(nonlinearity)과 상호작용(interactions)을 최대한 활용하여 반응 변수(종속변수)에 대한 영향을 판단하는 기법으로, 설명변수를 중요도 기준에 따라 줄기(branch)를 만들어 나가며, 마지막 노드(node: 마디)에서 반응변수에 대해 판단을 내린다. | |
CART와 랜덤 포레스트의 다른 점은 무엇인가? | 트리를 만드는 방법에 있어서도 CART와 동일한 알고리즘을 사용한다. 하지만 CART의 경우 하나의 결정트리가 도출되는 반면에 랜덤 포리스트에서는 수많은 결정트리로 구성된 숲(forest)을 형성하는 과정을 거치는 것이 다른 점이다. 다수의 결정트리를 만들기 위해 예측인자와 관측치에 대한 무작위 샘플링을 반복하게 된다. | |
CART와 랜덤포레스트에서 붓스트래핑 기법을 사용할 경우 생기는 문제점은? | 예측인자와 관측치의 무작위 선택에는 붓스트래핑(bootstrapping)기법이 사용된다. CART의 경우, 하위 노드가 많아질수록 예측오차의 편의(bias)는 줄어들지만 분산은 증가하는 문제가 있다. 반면, 랜덤 포리스트에서는 동일하게 분포 된 결정트리를 반복적으로 생성함으로써 예측오차의 분산을 줄일 수 있다. |
Altman, E., A. Resti, and A. Sironi, "Default Recovery Rates in Credit Risk Modelling: A Review of the Literature and Empirical Evidence," Economic Notes, 33(2), (2004), 183-203.
Horrigan, J. O., "The Determination of Long-Term Credit Standing with Financial Ratios," Journal of Accounting Research, 4, (1966), 44-62.
Ohlson, J. S., "Financial Ratios and Probabilistic Prediction of Bankruptcy," Journal of Accounting Research, 18(1), (1980), 109-131.
Zmijewski, M. E., "Methodological Issues Related to the Estimation of Financial Distress Prediction Models," Journal of Accounting Research, 22, (1984), 59-82.
Jeon, Yong., Ki., "Empirical study of the commercial credit rating and predictability of financial statements information", Korea University PhD Thesis, 1986.
Jo, Ji., Ho., "A Study on Credit Rating System in Korea Bond Market", Asian Review of Financial Research, V11, No.15, 1998, 149-190.
Jeong, Wan., Ho., "A Study on Forecasting Corporate Default: Based on Stock Price Information", Asian Review of Financial Research, Vol 15, No.15(2002), 217-249.
Kang, Dae., IL., "An Analysis of Default Portfolios using the First Passage Time Stochastic Process", Vol. 28, No.2,149-187
Kang, Dae., IL., "Stock Portfolio Composition and Trading Strategy Considering Bankruptcy Risks", National Pension Service Research Report, 2014, 1-158
Yoon, J., M, "Effectiveness Analysis of Credit Card Default Risk with Deep Learning Neural Network", Journal of Money & Finance, Vol. 33, No. 1(2019), 151-181.
Kwon, H., C, "A Study on the Work-time Estimation for Block Erections Using Stacking Ensemble Learning", Journal of the Society of Naval Architects of Korea, Vol. 56, No. 6(2019), 488-496.
Choi, Y., S, "Expected Probability of Default Combining Financial Data and Stock Prices", Korea Defivatives Association(2007)
Oh, S., K, "Structural Credit Risk Model Incorporating the First Hitting Condition of Random Default Barrier", The Korean Journal of Financial Management, Vol 32, No. 4(2015), 23-51.
Cha, S., J, "Corporate Default Prediction Model Using Deep Learning Time Series Algorithm, RNN and LSTM", Journal of Intelligence and Information Systems, Vol 24, No. 4(2018), 1-32.
Byun, J., K, "The Effectiveness of Merton Model and Pricing of Credit Risk of Corporate Bonds.", journal of Korean Association of Applied Economics, Vol 6, No. 3(2004), 49-85
Lee, K. C., "Comparative Study on the Bankruptcy Prediction Power of Statistical Model and Al Models : MDA, Inductive Learning, Neural Network)", Journal of the Korean Operations Research and Management Science Society, Vol.18, No.2, (1993), 57-81.
Lee, J. S. and J. H. Han, "Test of Non-Financial Information in Bankruptcy Prediction using Artificial Neural Network - The Case of Small and Medium - Sized Firms - )", Journal of Intelligence and Information Systems, Vol.1, No.1, (1995), 123-134.
Kim, M. J., "Ensemble Learning for Solving Data Imbalance in Bankruptcy Prediction", Journal of Intelligence and Information Systems, Vol.15, No.3(2009), 1-15.
Kim, M. J., H. B. Kim and D. K. Kang, "Optimizing SVM Ensembles Using Genetic Algorithms in Bankruptcy Prediction", Journal of information and communication convergence engineering, Vol.8, No.4(2010), 370-376.
Kim, M. J., "Ensemble Learning with Support Vector Machines for Bond Rating", Journal of Intelligence and Information Systems, Vol.18, No.2(2012), 29-45.
Bae, J. K., "An Integrated Approach to Predict Corporate Bankruptcy with Voting Algorithms and Neural Networks", Korean Business Review, Vol.3, No.2(2010), 79-101.
Kim, S. J. and H. C. Ahn, "Corporate Bond Rating Model using Random Forest.", Journal of Intelligence and Information Systems, Spring Conference, (2014), 371-376.
Wang, H., Q. Xu and L. Zhou, "Large Unbalanced Credit Scoring Using Lasso-Logistic Regression Ensemble", PLoS One, San Francisco, Vol.10, No.2, (2015).
Yeh, S.-H., Wang, C.-J. and Tsai, M.-F., "Corporate Default Prediction via Deep Learning," in 24th Wireless and Optical Communication Conference (WOCC, 2014)
Min, S. H., "Bankruptcy prediction using an improved bagging ensemble", Journal of Intelligence and Information Systems, Vol.20, No.4, (2014), 121-139.
Min, S. H., "Simultaneous optimization of KNN ensemble model for bankruptcy prediction", Journal of Intelligence and Information Systems, Vol.22, No.1, (2016), 139-157.
Jo, N. O., H. J. Kim and K. S. Shin. "Bankrupcy Type Prediction Using A Hybrid Artificial Neural Networks Model." Journal of Intelligence and Information Systems, Vol.21, No.3, (2015), 79-99.
Jo, N. O. and K. S. Shin. "Bankrupcy Prediction Modeling Using Qualitative Information Based on Big Data Analytics", Journal of Intelligence and Information Systems, Vol.22, No.2, (2016), 33-56.
Addal, S., "Financial forecasting using machine learning", African Institute for Mathematical Science, (2016), 1-32.
Yali Amit; Donald Geman (1997). "Shape quantization and recognition with randomized trees". Neural Computation 9 (7): 1545-1588. doi:10.1162/neco.1997.9.7.1545.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.