[論文レビュー] Analysis of Financial Credit Risk Using Machine Learning

Jacky Chow|arXiv (Cornell University)|Jan 1, 2017

Financial Distress and Bankruptcy Prediction参考文献 3被引用数 18

ひとこと要約

この修士論文は、韓国およびポーランドの製造業企業の破産予測を目的として、財務レシオと専門家評価を用いた機械学習モデルの評価を行う。専門家の定性的な判断を組み込むことで95％を超える正確性が達成された一方、次元の呪いの影響により、純粋な財務モデルは限界に達しており、ロジスティック回帰は高次元のポーランドデータで66.4％の正確性にとどまった。

ABSTRACT

Corporate insolvency can have a devastating effect on the economy. With an increasing number of companies making expansion overseas to capitalize on foreign resources, a multinational corporate bankruptcy can disrupt the world's financial ecosystem. Corporations do not fail instantaneously; objective measures and rigorous analysis of qualitative (e.g. brand) and quantitative (e.g. econometric factors) data can help identify a company's financial risk. Gathering and storage of data about a corporation has become less difficult with recent advancements in communication and information technologies. The remaining challenge lies in mining relevant information about a company's health hidden under the vast amounts of data, and using it to forecast insolvency so that managers and stakeholders have time to react. In recent years, machine learning has become a popular field in big data analytics because of its success in learning complicated models. Methods such as support vector machines, adaptive boosting, artificial neural networks, and Gaussian processes can be used for recognizing patterns in the data (with a high degree of accuracy) that may not be apparent to human analysts. This thesis studied corporate bankruptcy of manufacturing companies in Korea and Poland using experts' opinions and financial measures, respectively. Using publicly available datasets, several machine learning methods were applied to learn the relationship between the company's current state and its fate in the near future. Results showed that predictions with accuracy greater than 95% were achievable using any machine learning technique when informative features like experts' assessment were used. However, when using purely financial factors to predict whether or not a company will go bankrupt, the correlation is not as strong.

研究の動機と目的

• 製造業企業における破産予測のための機械学習モデルを評価すること。
• 財務データおよび定性的データを用いた、さまざまな機械学習手法の予測性能を比較すること。
• データの次元数がモデルの汎化性能および正確性に与える影響を調査すること。
• 次元削減および特徴選択の有効性が、モデルの頑健性向上に与える影響を評価すること。
• データ駆動型アプローチを用いた財務リスク管理における実用的知見を提供すること。

提案手法

• ロジスティック回帰、SVM、決定木、AdaBoost、ANN、ガウス過程を含む複数の機械学習モデルを適用した。
• UCI機械学習レポジトリから入手可能な公開データセットを用い、韓国およびポーランドの企業破産事例を分析した。
• 欠損値の処理および特徴量スケーリングを含むデータ前処理を実施した。
• 主成分分析（PCA）およびその他の次元削減技術を用いて高次元データに対処した。
• 交差検証を用いてモデルを選定し、正確性、適合率、再現率、F1スコアを用いて性能を評価した。
• 予測力の向上を図るため、専門家評価を定性的な特徴量として統合した。

実験結果

リサーチクエスチョン

• RQ1 財務レシオのみを用いた場合、機械学習モデルはどれほど正確に企業破産を予測できるか？
• RQ2 専門家評価を組み込むことで、破産予測の正確性にどのような影響を与えるか？
• RQ3 次元の呪いが、高次元の財務データセットにおけるモデル性能に与える影響は何か？
• RQ4 破産予測タスクにおいて、汎化性能および頑健性の観点から、どの機械学習モデルが最も優れているか？
• RQ5 次元削減技術は、スパースで高次元のデータに対して、どの程度モデル性能を向上させるか？

主な発見

• 専門家評価を組み込むことで、機械学習モデルは韓国企業の破産予測において95％を超える正確性を達成した。
• ポーランドデータセットにおける純粋な財務モデルでは、ロジスティック回帰を用いた場合、最大で66.4％の正確性にとどまり、予測力が限定的であることが示された。
• 高次元の財務データは、次元の呪いの影響により、複雑なモデルで過学習を引き起こし、汎化性能を低下させた。
• PCAのような次元削減技術は、特に非線形モデルにおいて、モデルの安定性および性能を向上させた。
• ロジスティック回帰のような単純なモデルが、高次元でスパースなデータセットにおいて、複雑なモデルを上回る性能を示した。
• 本研究は、定性的要因が、財務データのみで弱い相関が示される場合でも、予測正確性を顕著に向上させることを確認した。