[논문 리뷰] Wavelet-Based Prediction for Governance, Diversification and Value Creation Variables

Inès Kahloul, Anouar Ben Mabrouk외 1명|arXiv (Cornell University)|2010. 11. 23.

Economic and Technological Systems Analysis참고 문헌 20인용 수 11

한 줄 요약

이 논문은 프랑스 기업(1995–2005년)의 거버넌스, 다원화, 가치 창출 변수에서 누락된 데이터를 메우기 위해 웨이블릿 기반의 동적 복원 방법을 제안한다. 이 방법은 정확도와 노이즈에 대한 저항성에서 신경망을 능가하며, 시간 시리즈를 다중 척도 성분으로 분해함으로써 시간적 및 주파수적 국소화를 유지하면서 정밀한 누락 값 보정을 가능하게 한다.

ABSTRACT

We study the possibility of completing data bases of a sample of governance, diversification and value creation variables by providing a well adapted method to reconstruct the missing parts in order to obtain a complete sample to be applied for testing the ownership-structure/diversification relationship. It consists of a dynamic procedure based on wavelets. A comparison with Neural Networks, the most used method, is provided to prove the efficiency of the here-developed one. The empirical tests are conducted on a set of French firms.

연구 동기 및 목표

• 기업 거버넌스, 다원화, 가치 창출 분석에서의 부족한 데이터 문제를 해결하기 위한 것이다.
• 단기 연간 시간 시리즈의 재무 변수에서 누락된 값을 복원하기 위한 강력하고 동적인 방법을 개발하기 위한 것이다.
• 가장 널리 사용되는 대안인 신경망과 비교하여 제안된 웨이블릿 기반 방법의 유효성을 검증하기 위한 것이다.
• 기업 금융 분야에서 소유구조/다원화 관계를 시험하기 위한 완전한 데이터 샘플링을 가능하게 하기 위한 것이다.
• 완전히 복원된 데이터셋을 활용하여 다원화 전략의 결정 요인과 영향에 대한未래 연구를 지원하기 위한 것이다.

제안 방법

• 거버넌스, 다원화, 가치 창출 시간 시리즈를 다중 척도 성분으로 분해하기 위해 이산 웨이블릿 패킷 변환(WP)을 사용한다.
• 시간적 및 주파수적 국소화를 기반으로 한 웨이블릿 계수에 기반한 동적 복원 절차를 적용하여 누락된 값을 추정한다.
• 콤���트 지지와 제로 모멘트를 활용하기 위해 Daubechies 10 (db10) 웨이블릿을 신호 분해에 활용한다.
• 근사 및 세부 계수를 다양한 척도에서 조합하여 복원함으로써 노이즈 증폭을 최소화한다.
• 실제 값과 예측 값 간의 루트 평균 제곱 오차(RMSE) 및 상대 오차(ROE) 지표를 사용하여 복원 정확도를 검증한다.
• 동일한 웨이블릿 프레임워크를 사용한 명시적 복원과 신경망 기준과의 비교를 통해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 웨이블릿 기반 복원은 단기 연간 시간 시리즈에서 거버넌스, 다원화, 가치 창출 변수의 누락된 데이터를 효과적으로 복원할 수 있는가?
• RQ2 누락 관측치가 있는 재무 시간 시리즈에서 웨이블릿 기반 보정은 신경망 대비 정확도와 노이즈 저항성 측면에서 어떻게 비교되는가?
• RQ3 웨이블릿 기반 복원은 원본 신호 특성과 시간 동적 특성을 어느 정도 유지하는가?
• RQ4 제안된 방법은 부족한 데이터셋에서 소유구조/다원화 관계의 신뢰할 수 있는 실증적 시험을 가능하게 하는가?
• RQ5 복원 오차는 후속 재무 분석 및 모델 유효성에 어떤 영향을 미치는가?

주요 결과

• DMC 기업의 ROE에 대해 2000년에 웨이블릿 기반 방법은 평균 RMSE 0.1124를 기록했으며, 예측값 0.0361과 실제값 0.0361이 일치하여 높은 정밀도를 보였다.
• ROA 변수의 경우 웨이블릿 방법은 2005년에 예측값 0.0259를 기록했으며, 실제값과 정확히 일치했다.
• 2002년에 웨이블릿 방법은 ROE를 0.0331로 복원했으며, 실제값 0.0331과 매우 유사하여 일관된 성능을 보였다.
• 웨이블릿 방법은 특히 단기 시간 시리즈에서 노이즈 증폭을 최소화하는 데서 신경망보다 뛰어난 복원 정확도를 보였다.
• 웨이블릿 패킷 값(WPV)을 사용한 명시적 복원은 웨이블릿 예측값과 유사한 결과를 도출하여 방법의 일관성을 검증했다.
• 웨이블릿 접근법은 1995~2005년 동안 69개의 프랑스 기업에서 누락된 데이터를 성공적으로 복원하여 향후 소유구조 및 다원화에 관한 연구를 위한 완전한 샘플 분석을 가능하게 하였다.