[논문 리뷰] A systematic review of early warning systems in finance

Ali Namaki, Reza Eyvazloo외 1명|arXiv (Cornell University)|2023. 09. 30.

Stock Market Forecasting Methods인용 수 4

한 줄 요약

이 체계적 리뷰는 1976~2023년 동안의 재무 관련 조기경보시스템(EWS) 연구 616편을 분석하여, 2006년 이후 기계학습 기법으로의 전환을 확인한다. 연구는 파산 예측, 은행 및 통화 위기, 신흥 시장, 기계학습 예측의 네 가지 핵심 연구 군집을 규명하고, 예측 정확도와 시스템의 강건성을 향상시키기 위해 거시경제, 미세경제 및 대체 데이터(예: 소셜 미디어, 뉴스 감성)를 통합할 것을 권고한다.

ABSTRACT

Early warning systems (EWSs) are critical for forecasting and preventing economic and financial crises. EWSs are designed to provide early warning signs of financial troubles, allowing policymakers and market participants to intervene before a crisis expands. The 2008 financial crisis highlighted the importance of detecting financial distress early and taking preventive measures to mitigate its effects. In this bibliometric review, we look at the research and literature on EWSs in finance. Our methodology included a comprehensive examination of academic databases and a stringent selection procedure, which resulted in the final selection of 616 articles published between 1976 and 2023. Our findings show that more than 90\% of the papers were published after 2006, indicating the growing importance of EWSs in financial research. According to our findings, recent research has shifted toward machine learning techniques, and EWSs are constantly evolving. We discovered that research in this area could be divided into four categories: bankruptcy prediction, banking crisis, currency crisis and emerging markets, and machine learning forecasting. Each cluster offers distinct insights into the approaches and methodologies used for EWSs. To improve predictive accuracy, our review emphasizes the importance of incorporating both macroeconomic and microeconomic data into EWS models. To improve their predictive performance, we recommend more research into incorporating alternative data sources into EWS models, such as social media data, news sentiment analysis, and network analysis.

연구 동기 및 목표

• 1976년부터 현재까지 재무 분야의 조기경보시스템(EWS)의 진화와 현황을 종합적인 문헌정보학적 분석을 통해 맵핑하기.
• 최근 50년간 EWS 개발에서 지배적인 연구 군집과 방법론적 추세를 규명하기.
• 기계학습 및 대체 데이터 원천(예: 소셜 미디어, 뉴스 감성)이 EWS 성능 향상에 기여하는 역할의 증가를 평가하기.
• 데이터 품질, 편향, EWS 모델에 대한 정성적 요소 통합 등의 주요 과제를 부각하기.
• 시스템 리스크, 은행, 통화 및 신흥 시장 맥락에서 EWS의 신뢰성과 예측 정확도 향상을 위한 실질적인 연구 방향 제시하기.

제안 방법

• 1976년부터 2023년까지 재무 분야의 EWS에 관한 동료 심사 논문을 식별하기 위해 Scopus 데이터베이스를 활용한 체계적 문헌 리뷰를 수행하였다.
• 관련성과 방법론적 엄격성 기준에 따라 엄격한 선별 절차를 적용하여 분석 대상으로 616편의 고품질 논문을 확정하였다.
• 문헌정보학적 기법을 활용해 연구를 파산 예측, 은행 및 통화 위기, 신흥 시장, 기계학습 예측의 네 군집으로 분류하였다.
• 시계열 추세 분석 결과, 2006년 이후에 발표된 논문의 비중이 90% 이상이었으며, 이는 2008년 금융위기 이후 연구 관심의 급격한 증가를 시사한다.
• 경제계량 모델, 네트워크 분석, 기계학습 알고리즘(SVM, ANN, 앙상블 방법 등)이 EWS 설계에 어떻게 활용되었는지 분석하였다.
• 소셜 미디어, 뉴스 감성, 네트워크 구조 등 대체 데이터 원천이 EWS 모델에 통합될 잠재력 평가

실험 결과

연구 질문

• RQ1 1976년부터 2023년까지 재무 분야의 조기경보시스템에서 지배적인 연구 군집과 방법론적 추세는 무엇인가?
• RQ2 기계학습 기법의 사용은 EWS 개발 과정에서 어떻게 변화했으며, 예측 정확도에 어떤 영향을 미쳤는가?
• RQ3 거시경제 및 미세경제 데이터는 EWS 모델에 얼마나 통합되었는가? 이는 성능에 어떤 영향을 미치는가?
• RQ4 소셜 미디어, 뉴스 감성, 네트워크 분석 등의 대체 데이터 원천은 EWS 능력 향상에 어떤 역할을 하는가?
• RQ5 데이터 품질, 편향, 모델 검증 등의 주요 과제는 EWS 모델의 신뢰성과 실용적 구현을 저해하는 이유는 무엇인가?

주요 결과

• 분석한 616편의 EWS 연구 중 90% 이상이 2006년 이후에 발표되어, 2008년 금융위기 이후 연구 관심의 급격한 증가를 반영한다.
• 서포트 벡터 머신(SVM), 인공 신경망(ANN), 앙상블 방법 등 기계학습 기법은 전통적인 경제계량 모델보다 뛰어난 예측 정확도를 보였다.
• 거시경제 및 미세경제 데이터를 동시에 통합하면 금융 안정성에 대한 보다 종합적인 시각을 제공함으로써 EWS 성능이 크게 향상된다.
• 소셜 미디어 감성 및 뉴스 분석과 같은 대체 데이터 원천은 시장 심리와 조기 리스크 신호 탐지에 강력한 잠재력을 보이지만, 통합은 여전히 도전 과제이다.
• 금융기관 간 상호연결성을 분석하는 네트워크 기반 EWS 모델은 시스템 리스크 탐지에 점점 더 널리 사용되고 있으며, 금융 시스템의 상호의존성에 대한 인식 증가를 반영한다.
• 다양한 기술적 진보에도 불구하고, 데이터 품질 문제, 대체 데이터의 편향, 정성적 요소 통합의 어려움 등은 신뢰성 있는 EWS 구현을 위한 주요 장벽으로 남아 있다.