[논문 리뷰] Combining Intra-Risk and Contagion Risk for Enterprise Bankruptcy Prediction Using Graph Neural Networks

Yu Zhao, Shaopeng Wei외 7명|arXiv (Cornell University)|2022. 02. 01.

Financial Distress and Bankruptcy Prediction참고 문헌 65인용 수 8

한 줄 요약

이 논문은 소규모 및 중소기업(SME) 파산 예측을 위해 내재 리스크(내부 금융 및 법적 지표)와 전염 리스크(기업 지식 그래프를 통한 외부 네트워크 효과)를 동시에 모델링하는 그래프 신경망 프레임워크인 ComRisk를 제안한다. 통계적으로 유의미한 내재 리스크 인코더와 전염 리스크 모델링을 위해 하이퍼그래프 GNN(Hyper-GNNs) 및 이질적 GNN(Heter-GNNs)을 통합함으로써, 새로운 공개 소스 SMEsD 기준 데이터셋에서 최첨단 성능을 달성한다.

ABSTRACT

Predicting the bankruptcy risk of small and medium-sized enterprises (SMEs) is an important step for financial institutions when making decisions about loans. Existing studies in both finance and AI research fields, however, tend to only consider either the intra-risk or contagion risk of enterprises, ignoring their interactions and combinatorial effects. This study for the first time considers both types of risk and their joint effects in bankruptcy prediction. Specifically, we first propose an enterprise intra-risk encoder based on statistically significant enterprise risk indicators for its intra-risk learning. Then, we propose an enterprise contagion risk encoder based on enterprise relation information from an enterprise knowledge graph for its contagion risk embedding. In particular, the contagion risk encoder includes both the newly proposed Hyper-Graph Neural Networks and Heterogeneous Graph Neural Networks, which can model contagion risk in two different aspects, i.e. common risk factors based on hyperedges and direct diffusion risk from neighbors, respectively. To evaluate the model, we collect real-world multi-sources data on SMEs and build a novel benchmark dataset called SMEsD. We provide open access to the dataset, which is expected to further promote research on financial risk analysis. Experiments on SMEsD against twelve state-of-the-art baselines demonstrate the effectiveness of the proposed model for bankruptcy prediction.

연구 동기 및 목표

• 기존 파산 예측 모델이 내재 리스크 또는 전염 리스크를 별도로 고려하면서 그 조합 효과를 간과하는 격차를 해소하기 위해.
• 기업의 내재 리스크(예: 재무 건강, 소송 이력 등)와 기업 관계를 통한 외부 리스크 확산을 동시에 포착하는 통합 프레임워크를 개발하기 위해.
• 향후 연구를 지원하기 위해 실세계의 다중 소스 데이터를 기반으로 한 새로운 기준 데이터셋(SMEsD)을 구축하기 위해.
• 하이퍼그래프와 이질적 그래프 신경망을 조합하여 기업 네트워크 내 복잡한 리스크 전파를 모델링하는 데 효과적인지 검증하기 위해.

제안 방법

• 기업 기본 속성과 소송 데이터에서 유도된 12개의 통계적으로 유의미한 지표(예: 자본금, 소송 빈도, 판결 결과, 사건 기간 등)를 사용하여 내재 리스크 인코더를 설계하였다.
• 기업 지식 그래프(EKG)를 기반으로 한 전염 리스크 인코더를 구축하였으며, 하이퍼 GNN(Hyper-GNNs)을 통해 하이퍼엣지(예: 동일 산업, 동일 지역)를 모델링하고, 이질적 GNN(Heter-GNNs)을 통해 쌍별 이질적 관계(예: 공급자-고객, 보증인- borrowing자)를 포착하였다.
• 계층적 리스크 인코더를 활용하여 하이퍼엣지의 유형을 구분하고, 리스크 관련성에 따라 가중치를 할당함으로써 각 하이퍼엣지의 중요도를 다르게 설정하였다.
• 통합 GNN 아키텍처를 통해 내재 리스크와 전염 리스크 표현을 융합함으로써 내부 리스크 및 체계적 리스크 요소의 공동 학습을 가능하게 하였다.
• 기업 프로필, 법적 기록, 관계 네트워크 등의 다중 소스 실세계 데이터를 기반으로 한 새로운 기준 데이터셋 SMEsD를 구축하였으며, 공개적으로 제공하였다.

실험 결과

연구 질문

• RQ1 내재 리스크와 전염 리스크를 동시에 모델링하는 것이 단일 리스크 유형만 고려하는 모델보다 소규모 및 중소기업 파산 예측 정확도를 향상시키는가?
• RQ2 공통 산업 또는 지역을 공유하는 하이퍼엣지(예: 동일 산업, 동일 지역)와 공급망과 같은 이질적 관계(예: 공급자-고객)가 기업 네트워크 내 리스크 전파에 어떻게 기여하는가?
• RQ3 소송 및 사업 데이터에서 유의미한 통계적 리스크 지표를 통합할 경우 예측 성능 향상에 어느 정도 기여하는가?
• RQ4 다른 GNN 아키텍처(Hyper-GNNs 대비 Heter-GNNs)는 전염 리스크의 각기 다른 측면을 어떻게 모델링하는가?

주요 결과

• 제안된 ComRisk 모델은 SMEsD 기준 데이터셋에서 최첨단 성능을 달성하여 12개의 최첨단 기준 모델을 초월하는 파산 예측 정확도를 확보하였다.
• 제거 실험 결과, 내재 리스크 인코더 또는 Hyper-GNNs/Heter-GNNs 구성 요소를 제거할 경우 성능이 크게 저하됨을 확인하여, 두 리스크 유형의 중요성을 입증하였다.
• 전체 아키텍처를 갖춘 모델(ComRisk)이 가장 높은 F1 점수와 AUC를 기록하여 내재 리스크와 체계적 리스크를 동시에 모델링하는 것이 효과적임을 입증하였다.
• 하이퍼-GNNs는 동일 산업 내 공통 리스크 요인을 효과적으로 포착함으로써 기여를 하였고, 이질적-GNNs는 복잡한 기업 관계를 통한 직접적 리스크 전파를 모델링함으로써 성능 향상을 이끌었다.
• 파rameter 분석 결과, 입력 차원 12와 소송 리스크 정보 차원 20에서 최적의 성능을 달성하였으며, 이는 데이터셋 내 소송 속성의 총 수와 일치함을 확인하였다.