[논문 리뷰] RELARM: A rating model based on relative PCA attributes and k-means clustering

Elnura Irmatova|arXiv (Cornell University)|2016. 08. 23.

Face and Expression Recognition인용 수 4

한 줄 요약

이 논문은 상대적 주성분 분석(PCA) 속성과 k-means 군집화를 활용하여 신용 등급 정확도를 향상시키는 새로운 신용 등급 모델인 RELARM을 제안한다. 상대 주성분 분석 속성에서 유도된 등급 벡터에 군집 중심을 투영하여 모델은 S&P, 무디즈, 피치의 등급과 높은 일치도를 보이며 강력한 경험적 근사 성능을 입증한다.

ABSTRACT

Following widely used in visual recognition concept of relative attributes, the article establishes definition of the relative PCA attributes for a class of objects defined by vectors of their parameters. A new rating model (RELARM) is built using relative PCA attribute ranking functions for rating object description and k-means clustering algorithm. Rating assignment of each rating object to a rating category is derived as a result of cluster centers projection on the specially selected rating vector. Empirical study has shown a high level of approximation to the existing S & P, Moody's and Fitch ratings.

연구 동기 및 목표

• 금융 대상 간 상대적 속성 관계를 통합함으로써 정확도를 향상시키는 데이터 기반의 신용 등급 모델을 개발하는 것.
• 기존 등급 모델의 한계를 보완하기 위해 비교적 재무 특성을 반영하는 상대적 PCA 속성을 도입하는 것.
• 특히 선택된 등급 벡터에 군집 중심을 투영함으로써 군집 기반의 등급 할당을 향상시키는 것.
• S&P, 무디즈, 피치에서 제공하는 기존 등급과의 경험적 비교를 통해 모델 성능을 검증하는 것.

제안 방법

• 모델은 객체 간 주성분 점수의 쌍별 비교를 통해 상대적 PCA 속성을 정의하여 재무 강도 또는 위험의 상대적 특성을 포착한다.
• 이러한 상대적 PCA 속성에 기반하여 신용 질의 순서 구조를 표현하는 등급 벡터를 구성한다.
• 매개변수 벡터를 기반으로 신용 등급 대상들을 군집화하기 위해 k-means 군집화를 적용하여 신용도의 자연스러운 군집을 식별한다.
• 군집 중심을 등급 벡터에 투영하여 각 대상에 대해 이산적인 등급 카테고리에 할당한다.
• 투영 기반 메커니즘을 통해 군집 내 상대적 순위가 유지되도록 등급 할당 과정을 보장한다.
• 상대적 속성을 계산하기 전에 차원 감소 및 주요 재무 특징을 추출하기 위해 주성분 분석(PCA)을 사용한다.

실험 결과

연구 질문

• RQ1 상대적 PCA 속성이 신용 등급 대상의 비교적 재무 특성을 효과적으로 표현할 수 있는가?
• RQ2 등급 벡터에 대한 군집 중심의 투영과 함께 k-means 군집화가 존재하는 신용 등급 카테고리를 얼마나 잘 재현할 수 있는가?
• RQ3 RELARM 모델이 S&P, 무디즈, 피치의 등급을 어느 정도 근사하는가?
• RQ4 군집화와 상대적 속성의 통합이 표준 군집화 또는 PCA 기반 모델 대비 등급 정확도를 향상시키는가?

주요 결과

• RELARM 모델은 기존 S&P, 무디즈, 피치의 등급과 높은 수준의 근사도를 달성하여 강력한 경험적 타당성을 입증한다.
• 상대적 PCA 속성의 사용은 절대 점수에서 상실되기 쉬운 미세한 비교적 재무 관계를 포착할 수 있음을 보여준다.
• 군집 중심을 등급 벡터에 투영하는 것은 데이터 기반 군집을 이산적인 등급 카테고리로 효과적으로 매핑한다.
• 모델은 군집 내 상대적 순위를 유지하는 데 있어 강건성을 보이며, 이는 해석 가능성과 일관성을 향상시킨다.
• 경험적 결과는 상대적 속성과 군집화의 통합이 더 정확하고 안정적인 등급 체계를 제공한다는 것을 확인한다.
• 데이터 기반 및 확장 가능한 성격을 고려할 때, 자동화된 신용 등급 시스템에의 적용 잠재력이 높다.