[논문 리뷰] A hybrid model for bankruptcy prediction using genetic algorithm, fuzzy c-means and mars

A. Martin, V. Gayathri외 3명|arXiv (Cornell University)|2011. 03. 01.

Financial Distress and Bankruptcy Prediction인용 수 13

한 줄 요약

이 논문은 유전 알고리즘(GA)을 통한 특성 선택, 퍼지 C-중심(FCM) 군집화를 통한 데이터 분할, 그리고 다변량 적응형 회귀 스퍼라인(MARS)을 통한 분류를 융합한 하이브리드 파산 예측 모델을 제안한다. 이 방법은 기업 특성에 맞게 최적의 재무비율을 동적으로 선택함으로써, GA의 최적화 능력과 MARS의 비선형 모델링 능력을 FCM로 군집화된 데이터에 적용하여 기존 모델보다 예측 정확도를 향상시키며, 기준 데이터셋에서 뛰어난 성능을 보인다.

ABSTRACT

Bankruptcy prediction is very important for all the organization since it affects the economy and rise many social problems with high costs. There are large number of techniques have been developed to predict the bankruptcy, which helps the decision makers such as investors and financial analysts. One of the bankruptcy prediction models is the hybrid model using Fuzzy C-means clustering and MARS, which uses static ratios taken from the bank financial statements for prediction, which has its own theoretical advantages. The performance of existing bankruptcy model can be improved by selecting the best features dynamically depend on the nature of the firm. This dynamic selection can be accomplished by Genetic Algorithm and it improves the performance of prediction model.

연구 동기 및 목표

• 다양한 고급 기법을 융합하여 파산 예측 모델의 정확도를 향상시키는 것.
• 기업 특성에 맞는 동적 특성 선택을 통해 정적 재무비율 선택의 한계를 해결하는 것.
• 모델의 강건성을 높이기 위해 재무 프로필이 유사한 기업들을 Fuzzy C-Means 군집화로 그룹화한 후 모델링을 수행하는 것.
• MARS의 비선형 모델링 능력을 활용하여 파산 위험 분류를 향상시키는 것.
• 실제 재무 데이터와 기준 성능 지표를 사용하여 하이브리드 접근의 효과성을 검증하는 것.

제안 방법

• 유전 알고리즘(GA)을 활용해 손익계산서 및 재무제표 데이터의 재무비율 조합을 최적화하여 동적 특성 선택을 수행한다.
• 퍼지 C-중심(FCM) 군집화를 적용하여 기업들을 재무비율 기반으로 군집으로 나누어 맥락 기반 모델링을 가능하게 한다.
• GA에서 선별한 특성들을 입력으로 사용해 다변량 적응형 회귀 스퍼라인(MARS) 모델을 훈련시켜 파산 예측을 수행한다.
• MARS 모델은 조각별 선형 관계를 학습하고 자동으로 킷 포인트를 선택하여 재무 데이터의 비선형 패턴을 모델링한다.
• 하이브리드 아키텍처는 GA를 통한 특성 최적화 → FCM를 통한 데이터 세분화 → MARS를 통한 분류의 순차적 적용을 통해 예측 성능을 향상시킨다.
• 실제 기업 재무제표 데이터셋을 대상으로 정확도, 정밀도, F1-스코어와 같은 표준 성능 지표를 사용해 모델을 평가한다.

실험 결과

연구 질문

• RQ1 유전 알고리즘, 퍼지 C-중심, MARS의 융합이 단독 모델 대비 파산 예측 정확도를 향상시킬 수 있는가?
• RQ2 유전 알고리즘을 통한 동적 특성 선택이 모든 가용 재무비율을 사용하는 것보다 성능 향상에 기여하는가?
• RQ3 재무 특성이 유사한 기업들을 군집화함으로써 FCM 군집화가 모델 성능을 어느 정도 향상시키는가?
• RQ4 MARS가 파산 예측에 있어 재무비율 간의 복잡한 비선형 관계를 얼마나 효과적으로 포착하는가?
• RQ5 제안된 하이브리드 모델은 기존의 재무비율 기반 모델보다 더 강건하고 정확한가?

주요 결과

• 하이브리드 모델은 MARS나 FCM 단독 사용 시보다 더 높은 예측 정확도를 달성하여 융합의 이점을 입증했다.
• 유전 알고리즘은 각 기업 유형에 가장 관련성이 높은 재무비율을 선별함으로써 모델 성능을 크게 향상시켰다.
• 퍼지 C-중심 군집화로 유사한 재무 행동을 보이는 기업들을 그룹화함으로써 모델의 일반화 능력이 향상되었고, 훈련 데이터의 노이즈가 감소했다.
• MARS는 재무비율과 파산 결과 간의 복잡한 비선형 관계를 포착하는 데 선형 모델보다 뛰어난 성능을 보였다.
• GA, FCM, MARS의 조합은 특히 건실한 기업과 위험 기업을 구분하는 데 더 강건하고 정확한 예측 시스템을 제공했다.
• 모델는 기준 재무 데이터셋에서 뛰어난 성능을 보이며, 금융 리스크 평가 분야에서의 실용적 적용 잠재력을 입증했다.