[논문 리뷰] A Comprehensive Survey on Enterprise Financial Risk Analysis from Big Data and LLMs Perspective

Huaming Du, Feng, Cancan외 6명|arXiv (Cornell University)|2022. 11. 28.

Financial Distress and Bankruptcy Prediction인용 수 4

한 줄 요약

이 논문은 빅데이터와 LLMs의 관점에서 기업 금융 리스크 분석에 대한 첫 번째 종합적 서베이를 제시하며, 1968~2023년 사이의 250건 이상의 연구를 체계적으로 검토한다. 리스크 유형, 분석 정도, 지능 수준, 평가 지표에 대한 새로운 분류 체계를 도입하고, NLP, 그래프 신경망, 딥러닝, LLMs 등의 방법을 융합하여 리스크 생성 및 전염 메커니즘을 모델링하며, 해석 가능성, 시간적 모델링, 이종 융합 분야의 주요 연구 격차와 향후 방향성을 부각시킨다.

ABSTRACT

Enterprise financial risk analysis aims at predicting the future financial risk of enterprises. Due to its wide and significant application, enterprise financial risk analysis has always been the core research topic in the fields of Finance and Management. Based on advanced computer science and artificial intelligence technologies, enterprise risk analysis research is experiencing rapid developments and making significant progress. Therefore, it is both necessary and challenging to comprehensively review the relevant studies. Although there are already some valuable and impressive surveys on enterprise risk analysis from the perspective of Finance and Management, these surveys introduce approaches in a relatively isolated way and lack recent advances in enterprise financial risk analysis. In contrast, this paper attempts to provide a systematic literature survey of enterprise risk analysis approaches from the perspective of Big Data and large language models. Specifically, this survey connects and systematizes existing research on enterprise financial risk, offering a holistic synthesis of research methods and key insights. We first introduce the problem formulation of enterprise financial risk in terms of risk types, granularity, intelligence levels, and evaluation metrics, and summarize representative studies accordingly. We then compare the analytical methods used to model enterprise financial risk and highlight the most influential research contributions. Finally, we identify the limitations of current research and propose five promising directions for future investigation.

연구 동기 및 목표

• 1968~2023년까지 약 50년에 걸친 연구를 포함하여 빅데이터 관점에서 기업 금융 리스크 분석에 대한 첫 번째 체계적이고 종합적인 문헌 서베이를 제공하는 것.
• 연구가 분산되어 있는 시각을 통합하기 위해 리스크 유형, 분석 정도, 지능 수준, 평가 지표를 포함한 통합된 분류 체계를 수립하는 것.
• NLP, GNN, 딥러닝, LLMs 등의 고급 분석 방법을 융합하고 비교하여 기업 리스크 생성 및 전염 메커니즘을 모델링하는 것.
• 기존 연구의 한계를 규명하고, 해석 가능성, 시간적 모델링, 이종 융합 등을 포함한 다섯 가지 주요 향후 연구 방향을 제안하는 것.
• 현재 최고 수준의 연구 동향을 명확히 하고 기업 금융 리스크 분석 분야의 실질적인 향후 연구 길잡이를 제시하여 연구자와 실무자에게 도움을 주는 것.

제안 방법

• 체계적으로 약 2,000건의 논문을 수집하고, 관련성, 영향력, 최신성 기준으로 256건의 대표적 연구를 선별해 깊이 있는 분석을 수행.
• 새로운 4차원 분류 체계를 제안: 리스크 유형(예: 신용, 파산, 공급망), 분석 정도(기업 수준, 산업 수준), 지능 수준(비재무적, 텍스트 기반, 관계 기반), 평가 지표(AUC, F1, 정밀도, 재현율).
• 리스크 모델링 접근 방식을 세 가지 유형으로 분류: 텍스트 리스크 신호를 위한 NLP 기반(예: 감성 분석, 사건 추출); 관계 기반 리스크 전염을 위한 GNN 기반(예: GCN, GAT); 시간적 리스크 동역학을 위한 딥러닝 기반(예: LSTM, Transformer).
• 재무제표, 뉴스, 소셜 미디어, 기업 네트워크 등 이종 데이터 소스를 다중모달 및 그래프 구조 기반 학습 기법을 통해 융합.
• GNN 및 딥러닝 모델의 모델 해석 가능성을 평가하기 위해 인스턴스 수준(예: 주의 맵)과 모델 수준(예: 기울기 기반) 해석 기법을 활용.
• LLMs가 기업 리스크 추론을 위한 명명된 엔터티 인식, 관계 추출, 지식 그래프 구축 등의 재무 NLP 과제에서 빛을 발하고 있는 잠재적 역할을 탐색.

실험 결과

연구 질문

• RQ1 지난 50년간 기업 금융 리스크 분석에서 주로 사용된 리스크 유형, 분석 정도, 지능 수준, 평가 지표는 무엇인가?
• RQ2 NLP, 그래프 신경망, 딥러닝 모델은 비재무적 데이터에서 기업 금융 리스크를 탐지하고 예측하는 데 어떻게 기여하는가?
• RQ3 기업 네트워크를 통한 리스크 전염 모델링에서 현재의 한계는 무엇이며, 시간적 및 구조적 동역학을 어떻게 더 잘 포착할 수 있는가?
• RQ4 투명하고 신뢰할 수 있는 금융 리스크 결정을 지원하기 위해 모델의 해석 가능성은 어떻게 향상시킬 수 있는가?
• RQ5 대규모 언어 모델(Large Language Models, LLMs)은 텍스트 이해, 지식 그래프 구축, 그래프 구조 데이터 기반 추론를 통해 기업 리스크 분석을 어떻게 향상시킬 수 있는가?

주요 결과

• 지금까지 빅데이터 관점에서 기업 금융 리스크 분석을 종합적으로 검토한 유일하고 첫 번째 서베이로, 1968~2023년 사이의 250건 이상의 대표적 연구를 다루고 있다.
• 감성 분석, 사건 추출 등의 NLP 기법은 뉴스 및 소셜 미디어와 같은 비정형 텍스트 데이터에서 리스크 신호를 추출하는 데 필수적인 역할을 하고 있다.
• 특히 그래프 어텐션 네트워크(GAT)를 포함한 그래프 신경망(GNN)은 복잡한 관계적 종속성을 포착함으로써 기업 네트워크 내 리스크 전염을 모델링하는 데 뛰어난 성능을 보인다.
• LSTM 및 트랜스포머 아키텍처를 활용한 시간적 모델링은 기존 통계적 방법에 비해 동적 리스크 상황에서 리스크의 진화를 더 정확하게 예측할 수 있다.
• 높은 예측 성능에도 불구하고 딥러닝 모델은 여전히 주로 '블랙박스' 시스템으로 남아 있으며, 금융 리스크 응용 분야에서 해석 가능성 기법의 향상이 절실한 필요성이 있다.
• 대규모 언어 모델(LLMs)은 실체 인식, 관계 추출 등의 재무 NLP 과제에서 강력한 도구로 부상하고 있으며, 기업 지식 그래프 구축 및 추론에 있어 잠재력을 보이고 있다.