[논문 리뷰] Analysis of Financial Credit Risk Using Machine Learning

Jacky Chow|arXiv (Cornell University)|2017. 01. 01.

Financial Distress and Bankruptcy Prediction참고 문헌 3인용 수 18

한 줄 요약

이 석사학위 논문은 금융 비율과 전문가 평가를 활용하여 한국 및 폴란드 제조업 기업의 파산 예측을 위한 기계학습 모델을 평가한다. 전문가의 정성적 판단을 통합할 경우 정확도가 95% 이상에 이를 수 있으며, 차원의 극복 문제로 인해 순수한 재무 모델은 제한을 받는다. 특히 로지스틱 회귀 모델은 고차원 폴란드 데이터에서 66.4%의 정확도를 기록하였다.

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.

연구 동기 및 목표

• 제조업 기업의 파산 예측을 위한 기계학습 모델을 평가하기 위해.
• 재무 데이터 및 정성적 데이터를 활용한 다양한 기계학습 기법의 예측 성능를 비교하기 위해.
• 데이터 차원의 영향이 모델의 일반화 능력과 정확도에 미치는 영향을 조사하기 위해.
• 차원 축소 및 특성 선택 기법이 모델의 강건성 향상에 기여하는지 평가하기 위해.
• 데이터 기반 접근법을 활용한 금융 리스크 관리에 실질적인 통찰을 제공하기 위해.

제안 방법

• 로지스틱 회귀, 서포트 벡터 머신(SVM), 결정 트리, AdaBoost, 인공 신경망(ANN), 가우시안 프로세스를 포함한 다수의 기계학습 모델을 적용하였다.
• 국립기계학습레포지토리(UCI Machine Learning Repository)에서 공개된 한국 및 폴란드 기업 파산 사례 데이터셋을 사용하였다.
• 결측치 처리 및 특성 스케일링을 포함한 데이터 전처리 작업을 수행하였다.
• 고차원 데이터 문제를 해결하기 위해 주성분 분석(PCA) 및 기타 차원 축소 기법을 활용하였다.
• 교차 검증을 통해 모델를 선택하고, 정확도, 정밀도, 재현율, F1 점수를 통해 성능을 평가하였다.
• 예측력 향상을 위해 전문가 평가 결과를 정성적 특성으로 통합하였다.

실험 결과

연구 질문

• RQ1 재무 비율만을 사용할 경우 기계학습 모델이 기업 파산을 얼마나 정확하게 예측할 수 있는가?
• RQ2 전문가 평가를 통합할 경우 파산 예측 정확도에 어떤 영향을 미치는가?
• RQ3 차원의 극복 문제는 고차원 재무 데이터셋에서 모델 성능에 어떻게 영향을 미치는가?
• RQ4 파산 예측 과제에서 일반화 능력과 강건성 측면에서 가장 우수한 성능을 보이는 기계학습 모델은 무엇인가?
• RQ5 차원 축소 기법은 희소한 고차원 데이터에서 모델 성능을 얼마나 향상시키는가?

주요 결과

• 전문가 평가를 통합함으로써 기계학습 모델은 한국 기업의 파산 예측에서 95% 이상의 정확도를 달성하였다.
• 폴란드 데이터셋에서 순수한 재무 모델은 로지스틱 회귀를 사용할 경우 최대 66.4%의 정확도를 기록하였으며, 이는 예측 능력이 제한적임을 시사한다.
• 고차원 재무 데이터는 복잡한 모델에서 과적합을 유발하고 일반화 능력을 저하시켜, 차원의 극복 문제의 영향을 받는다.
• PCA와 같은 차원 축소 기법은 비선형 모델의 경우 모델 안정성과 성능 향상에 기여하였다.
• 로지스틱 회귀와 같은 단순한 모델이 고차원 및 희소 데이터셋에서 복잡한 모델보다 더 뛰어난 성능을 보였다.
• 본 연구는 정성적 요소가 재무 데이터만으로는 약한 상관관계를 보일지라도 예측 정확도를 크게 향상시킨다는 점을 확인하였다.