[논문 리뷰] Detect & Describe: Deep learning of bank stress in the news

Samuel Rönnqvist, Peter Sarlin|arXiv (Cornell University)|2015. 07. 25.

Credit Risk and Financial Regulations참고 문헌 17인용 수 6

한 줄 요약

이 논문은 구조화되지 않은 텍스트를 희박한 243개의 은행 위기 사건과 연결함으로써 뉴스 기사에서 은행 위기를 탐지하고 기술하는 딥러닝 프레임워크를 제안한다. 분산된 의미 표현과 신경망을 사용하여, 은행 수준과 유럽 수준에서 예측 가능한 스트레스 지수를 생성하면서도, 스트레스 원인을 설명하는 해석 가능한 텍스트 요약문을 추출함으로써 기존의 데이터 기반 모델을 넘어서는 통찰을 제공한다.

ABSTRACT

News is a pertinent source of information on financial risks and stress factors, which nevertheless is challenging to harness due to the sparse and unstructured nature of natural text. We propose an approach based on distributional semantics and deep learning with neural networks to model and link text to a scarce set of bank distress events. Through unsupervised training, we learn semantic vector representations of news articles as predictors of distress events. The predictive model that we learn can signal coinciding stress with an aggregated index at bank or European level, while crucially allowing for automatic extraction of text descriptions of the events, based on passages with high stress levels. The method offers insight that models based on other types of data cannot provide, while offering a general means for interpreting this type of semantic-predictive model. We model bank distress with data on 243 events and 6.6M news articles for 101 large European banks.

연구 동기 및 목표

• 구조화되지 않은 텍스트가 많고 희박한 뉴스 기사에서 은행 위기를 탐지하고 기술하는 데이터 기반 방법을 개발하기 위해.
• 수동으로 제작된 사전에 의존하고 해석이 어려운 감성 기반 접근 방식의 한계를 극복하기 위해.
• 뉴스 콘텐츠를 실제 위기 사건과 연결하는 예측 모델을 구축하여, 정량적 스트레스 측정과 정성적 설명을 동시에 가능하게 하기 위해.
• 금융 리스크 모니터링에서 의미-예측 모델의 일반화 가능성을 보장하는 프레임워크를 제공하기 위해.
• 660만 건의 뉴스 기사와 101개 유럽 은행에서 발생한 243개의 위기 사건을 활용하여 이 방법의 효과성을 입증하기 위해.

제안 방법

• 뉴스 기사에서 단어와 문서의 조밀한 벡터 표현을 분포적 의미론을 통해 학습한다.
• 시간 순서적 및 엔티티 수준의 정렬을 통해 텍스트 데이터와 사건 데이터 간의 일치 여부를 예측하는 딥 네ural 웹을 훈련한다.
• 의미 표현 학습은 비지도 학습이며, 이진 사건 일치 작업에 대해서만 지도 학습을 적용한다.
• 예측 능력이 높은 가중치를 가진 텍스트 요약문을 추출하여 스트레스 지수 값이 높은 이유를 설명 가능하게 한다.
• 개별 은행에 대해 시간에 따라 스트레스 지수를 계산하고, 이를 유럽 수준에서 집계하여 체계적 리스크 패tern을 추적한다.
• 정규 표현식을 활용하여 은행 명을 식별하고, 시간적 근접성(±1개월) 기반으로 이들을 사건 데이터와 교차 참조하며, 모호한 경우는 제거한다.

실험 결과

연구 질문

• RQ1 이벤트 수준의 감독만을 사용하여 딥러닝 모델이 구조화되지 않은 뉴스 텍스트에서 실제 은행 위기 사건과 일치하는지를 효과적으로 탐지할 수 있는가?
• RQ2 뉴스 텍스트의 의미 표현은 어떻게 학습하고, 이를 은행 위기 사건 예측에 어떻게 활용할 수 있는가?
• RQ3 모델이 높은 스트레스 지수 값의 원인을 설명하는 해석 가능한 기술 요약문을 어느 정도 생성할 수 있는가?
• RQ4 기존의 감성 기반 또는 사전 기반 접근 방식과 비교해 볼 때, 이 모델의 성능과 해석 가능성은 어떠한가?
• RQ5 기준 사건을 재정의함으로써 이 프레임워크를 다른 금융 현상에 일반화할 수 있는가?

주요 결과

• 모델은 실제 위기 사건과 상관관계가 높은 예측 지수를 사용하여, 주요 금융 위기 기간 동안 위기 사건과의 일치를 성공적으로 탐지한다.
• 포티스 은행의 스트레스 지수는 2008년 말부터 2010년 초까지 상승했으며, 정부의 개입과 국가 지원 조치와 일치한다.
• 고스트레스 기간 동안 상위 랭크된 텍스트 요약문은 자산 매각, 정부 구제금융, BNP 파리바가 이전 포티스 자산을 통합한 사건을 기술한다.
• 모델는 국가 지원 및 국유화에 대한 논의가 주로 기술 요약문에 포함되어 있음을 확인하여, 이는 사건 데이터의 성격을 반영하고 있다.
• 높은 가중치를 가진 문장 조각을 통해 자동으로 해석 가능한 스트레스 사건 기술이 가능해지며, 순수한 수치 모델에서는 확보할 수 없는 통찰을 제공한다.
• 분산된 의미론을 활용한 딥러닝은 희박하고 구조화되지 않은 텍스트를 희귀하지만 영향력이 큰 금융 사건과 효과적으로 연결할 수 있음을 입증한다.