[논문 리뷰] Every Corporation Owns Its Structure: Corporate Credit Ratings via Graph Neural Networks

Bojing Feng, Haonan Xu외 2명|arXiv (Cornell University)|2020. 11. 27.

Financial Distress and Bankruptcy Prediction참고 문헌 25인용 수 4

한 줄 요약

이 논문은 각 기업을 상호연관된 재무 특성의 그래프로 모델링하는 CCR-GNN이라는 새로운 그래프 신경망을 제안한다. 이는 기업 내부의 특성 간 상호작용을 명시적으로 학습할 수 있도록 한다. 자기외적곱을 통해 개별 그래프를 구성하고 그래프 어텐션 네트워크를 적용함으로써, CCR-GNN은 중국 기업 신용등급 데이터셋에서 최신 기술을 초월하여 F1-스코어 0.95177을 달성한다.

ABSTRACT

Credit rating is an analysis of the credit risks associated with a corporation, which reflects the level of the riskiness and reliability in investing, and plays a vital role in financial risk. There have emerged many studies that implement machine learning and deep learning techniques which are based on vector space to deal with corporate credit rating. Recently, considering the relations among enterprises such as loan guarantee network, some graph-based models are applied in this field with the advent of graph neural networks. But these existing models build networks between corporations without taking the internal feature interactions into account. In this paper, to overcome such problems, we propose a novel model, Corporate Credit Rating via Graph Neural Networks, CCR-GNN for brevity. We firstly construct individual graphs for each corporation based on self-outer product and then use GNN to model the feature interaction explicitly, which includes both local and global information. Extensive experiments conducted on the Chinese public-listed corporate rating dataset, prove that CCR-GNN outperforms the state-of-the-art methods consistently.

연구 동기 및 목표

• 기존 그래프 기반 모델이 기업을 노드로만 간주하고 내부 특성 간 상호작용을 모델링하지 못하는 한계를 해결하기 위해.
• 각 기업 내에서 고차원 특성 간 상호작용을 명시적으로 포착하여 기업 신용등급 예측 성능을 향상시키기 위해.
• 각 기업을 자체 재무 특성의 그래프로 표현하는 새로운 그래프 수준의 모델링 접근법을 제안하기 위해.
• 그래프 신경망이 신용 리스크 평가를 위한 기업 내부 특성 의존성 모델링에 효과적임을 입증하기 위해.
• 기업 간 네트워크에서 기업 내부 특성 그래프로의 전환을 통해 GNN을 금융 리스크 모델링에 적용하는 데 새로운 시각을 제공하기 위해.

제안 방법

• 재무 특성의 자기외적곱을 사용하여 각 기업에 대해 개별 그래프를 구성함으로써 쌍별 특성 관계를 모델링한다.
• 노드를 특성으로, 간선을 특성 간 상호작용 강도로 간주하여 각 기업을 특성의 그래프로 표현한다.
• 다중 헤드 어텐션을 사용한 그래프 어텐션 네트워크(GAT)를 적용하여 특성 노드 간의 정보를 집계함으로써 국소적 및 전역적 의존성을 모두 포착한다.
• 어 attention 채널이 {8, 64, 9}로 설정된 세 개의 그래프 어텐션 레이어를 사용하며, 첫 번째 및 두 번째 레이어에는 평균 ���핑, 마지막 레이어에는 최대 향핑을 적용한다.
• 초기 학습률 0.001과 L2 정규화 0.00001을 사용한 Adam을 사용하여 모델을 최적화한다.
• 다중 레이블 신용등급 데이터셋의 클래스 불균형 문제를 해결하기 위해 SMOTE를 적용하여 데이터 증강을 수행한다.

실험 결과

연구 질문

• RQ1 특성 간 상호작용을 그래프 구조를 통해 모델링함으로써 기업 신용등급 예측 성능 향상이 가능한가?
• RQ2 제안된 CCR-GNN 모델은 기존의 기계학습 및 딥러닝 기반 베이스라인과 비교해 신용등급 성능에서 어떤가?
• RQ3 그래프 어텐션 메커니즘이 금융 데이터에서 고차원 특성 간 상호작용을 모델링하는 데 얼마나 기여하는가?
• RQ4 각 기업을 자체 특성의 그래프로 표현하는 것이 신용 리스크 평가의 일반화 및 강건성 향상에 기여하는가?
• RQ5 그래프 신경망은 기업 재무 프로필의 국소적 및 전역적 특성 의존성을 효과적으로 포착할 수 있는가?

주요 결과

• CCR-GNN은 중국 상장 기업 신용등급 데이터셋에서 모든 베이스라인 방법보다 높은 F1-스코어 0.95177을 기록했다.
• 모델 성능은 두 번째로 우수한 베이스라인인 XGBoost의 F1-스코어 0.94133를 뛰어넘었다.
• CCR-GNN는 높은 재현율(0.93437)과 정확도(0.95012)를 보이며, 모든 신용등급 클래스에서 뛰어난 성능을 보였다.
• 그래프 어텐션 메커니즘의 사용은 고차원 특성 간 상호작용의 효과적인 학습을 가능하게 하여 예측 성능 향상에 기여했다.
• 제안된 기업-그래프 변환 방법은 내부 특성 관계를 효과적으로 포착하여 모델의 아키텍처 혁신을 검증했다.
• 광범위한 아블레이션 및 비교 분석을 통해 그래프 수준의 모델링 접근법이 노드 수준의 그래프 모델을 뛰어넘어 신용등급 예측 성능을 크게 향상시킴을 확인했다.