본문 바로가기
KERD
논문KCI 등재

머신러닝 기반 KOSDAQ 시장의 관리종목 지정 예측 연구: 재무적 데이터를 중심으로

Study on Predicting the Designation of Administrative Issue in the KOSDAQ Market Based on Machine Learning Based on Financial Data

김태경|김수영|윤양현
한국벤처창업학회 (The Korean Society of Business Venturing)|2022.02|벤처창업연구 (Asia-Pacific Journal of Business Venturing and Entrepreneurship)|제17권 제1호|pp. 229-249|DOI 10.16972/apjbve.17.1.202202.229

0

조회

0

다운로드

2

인용

0

참고문헌

키워드

머신러닝KOSDAQ앙상블EnsembleMachine-learning관리종목Administrative Issue

초록

본 연구는 다양한 머신러닝 기법을 통해 코스닥(KOSDAQ) 시장 내 관리종목 지정을 예측할 수 있는 모델에 대해 연구하였다. 증권시장 내 기업이 관리종목으로 지정이 되면 시장에서는 이를 부정적인 정보로 인식하여 해당 기업과 투자자에게 손실을 가져오게 된다. 본 연구를 통해 기업의 재무적 데이터를 바탕으로 조기에 관리종목 지정을 예측하고, 투자자들의 포트폴리오 리스크 관리에 도움을 주기 위한 머신러닝 접근이 타당한지 살펴본다. 본 연구를 위해 활용한 독립변수는 수익성, 안정성, 활동성, 성장성을 나타내는 21개의 재무비율을 활용하였으며, K-IFRS가 적용된 2011년부터 2020년까지 관리종목과 비관리종목의 기업의 재무 데이터를 표본으로 추출하였다. 로지스틱 회귀분석, 의사결정나무, 서포트 벡터 머신, 랜덤 포레스트, LightGBM을 활용하여 관리종목 지정 예측 연구를 수행하였다. 연구결과는 분류 정확도가 82.73%인 LightGBM이 가장 우수한 예측 모형이었으며 분류 정확도가 가장 낮은 예측 모형은 정확도가 71.94%인 의사결정나무였다. 의사결정나무 기반 학습 모형의 변수 중요도의 상위 3개 변수를 확인한 결과 각 모형에서 공통적으로 나온 재무변수는 ROE(당기순이익), 자본금회전율(Capital stock turnover ratio)로 해당 재무변수가 관리종목 지정에 있어 상대적으로 중요한 변수임을 확인하였다. 대체적으로 앙상블을 이용한 학습 모형이 단일 학습 모형보다 예측 성능이 높은 것을 확인하였다. 기존 선행연구가 K-IFRS에 대한 고려를 하지 않았고, 다소 제한된 머신러닝에 의존하였다. 따라서 본 연구의 필요성과 함께 현실적 요구를 충족시키는 결과를 제시하였음을 알 수 있으며, 시장참여자들에게 있어 관리종목 지정에 대한 사전 예측을 확인할 수 있도록 기여했다고 볼 수 있다.

Abstract

This paper investigates machine learning models for predicting the designation of administrative issues in the KOSDAQ market through various techniques. When a company in the Korean stock market is designated as administrative issue, the market recognizes the event itself as negative information, causing losses to the company and investors. The purpose of this study is to evaluate alternative methods for developing a artificial intelligence service to examine a possibility to the designation of administrative issues early through the financial ratio of companies and to help investors manage portfolio risks. In this study, the independent variables used 21 financial ratios representing profitability, stability, activity, and growth. From 2011 to 2020, when K-IFRS was applied, financial data of companies in administrative issues and non-administrative issues stocks are sampled. Logistic regression analysis, decision tree, support vector machine, random forest, and LightGBM are used to predict the designation of administrative issues. According to the results of analysis, LightGBM with 82.73% classification accuracy is the best prediction model, and the prediction model with the lowest classification accuracy is a decision tree with 71.94% accuracy. As a result of checking the top three variables of the importance of variables in the decision tree-based learning model, the financial variables common in each model are ROE(Net profit) and Capital stock turnover ratio, which are relatively important variables in designating administrative issues. In general, it is confirmed that the learning model using the ensemble had higher predictive performance than the single learning model.

참고문헌 (43)

  1. 권기현, "관리종목지정이 감사시간 및 감사보수에 미치는 영향", 세무회계연구, (32), pp.23~45 (2012), 한국세무회계학회[DOI]
  2. 김민철, "관리종목 지정사유 별 주가수익률의 변화", 세무회계연구, 14, pp.229~245 (2004)
  3. 김수정, "관리종목 기업에 대한 외부 감사인 지정이 이익조정에 미치는 영향", 회계정보연구, 36(2), pp.1~24 (2018), 한국회계정보학회[DOI]
  4. 김승열, "코스닥시장의 상장폐지실질심사에 관한 연구", 법학논총, 22(2), pp.9~58 (2010), 법학연구소[DOI]
  5. 김인상, "관리종목 편입이 감사보고시차에 미치는 영향", 글로벌경영학회지, 13(1), pp.257~279 (2016), 글로벌경영학회
  6. 이인호, "트리 기반 앙상블 방법을 활용한 자동 평가 모형 개발 및 평가: 서울특별시 주거용 아파트를 사례로", 한국데이터정보과학회지, 31(2), pp.375~389 (2020), 한국데이터정보과학회[DOI]
  7. 김일, "관리종목으로 지정된 기업의 재무적 특성에 관한 연구", 산학경영연구, 18(2), pp.179~196 (2005)
  8. 김태혁, "관리대상종목의 수익률과 위험 속성에 관한연구", 증권 금융연구, 3(1), pp.93~133 (1997)
  9. 김형준, "기업부도예측과 기계학습", 金融工學硏究, 18(3), pp.131~152 (2019), 한국금융공학회[DOI]
  10. 남규민, "데이터마이닝 기법을 이용한 기업부실 예측모형의성과 비교", 석사, pp.2018
  11. 남기정, "비재무정보를 이용한 창업기업의 부실요인에 관한 실증연구", 벤처창업연구, 14(1), pp.139~149 (2019), 한국벤처창업학회[DOI]
  12. 류예린, "K－IFRS 도입에 따른 이연법인세자산의 재량적 인식을 통한 이익조정 연구", 국제회계연구, (92), pp.183~207 (2020), 한국국제회계학회[DOI]
  13. 문종건, "횡령ㆍ배임 및 최대주주변경을 고려한 부실기업예측모형 연구", 벤처창업연구, 9(1), pp.119~132 (2014), 한국벤처창업학회[DOI]
  14. 박종성, "관리종목 지정을 회피하기 위한 코스닥 기업의 이익조정", 경영컨설팅연구, 12(3), pp.103~126 (2012), 한국경영컨설팅학회
  15. 박창래, "유가증권시장에서 관리대상으로 지정된 기업의 재무적 특성", 회계와 정책연구, 20(6), pp.173~192 (2015), 한국회계정책학회
  16. 방소남, "중국상장기업의 부실예측모형에 관한 실증연구", 재무와 회계정보저널, 20(4), pp.137~157 (2020), 한국회계정보학회[DOI]
  17. 손성규, "코스닥시장에서의 상장폐지위험과 이익조정", 회계학연구, 38(4), pp.1~30 (2013), 한국회계학회
  18. 손성규, "관리종목 기업의 회계정보 효과", 연세경영연구, 45(2), pp.127~146 (2008), 경영연구소
  19. 신동인, "KOSDAQ 시장의 관리종목 지정 탐지 모형 개발", 지능정보연구, 24(3), pp.157~176 (2018), 한국지능정보시스템학회
  20. 신찬휴, "카카오 키즈 D사의 쇠퇴 및 관리종목 지정 회피 사례", Korea Business Review, 25(1), pp.105~134 (2021), 한국경영학회[DOI]
  21. 엄하늘, "머신러닝 기반 기업부도위험 예측모델 검증 및 정책적 제언: 스태킹 앙상블 모델을 통한 개선을 중심으로", 지능정보연구, 26(2), pp.105~129 (2020), 한국지능정보시스템학회
  22. 유한별, "한국 지방소멸 요인과 극복 방안에 관한 연구: 머신러닝 방법을 통한 탐색", 지방정부연구, 24(4), pp.443~476 (2021), 한국지방정부학회[DOI]
  23. 이현미, "LightGBM 알고리즘을 활용한 고속도로 교통사고심각도 예측모델 구축", 한국전자통신학회 논문지, 15(6), pp.1123~1130 (2020), 한국전자통신학회
  24. 전병욱, "도로교통 이머징 리스크 탐지를 위한 AutoML과 CNN 기반 소프트 보팅 앙상블 분류 모델", 융합정보논문지, 11(7), pp.14~20 (2021), 중소기업융합학회[DOI]
  25. 조영인, "통계적 학습을 이용한 다시점 기업부도 예측모형들의 비교", 한국데이터정보과학회지, 32(3), pp.487~499 (2021), 한국데이터정보과학회[DOI]
  26. 조재영, "기계학습을 이용한 수출신용보증 사고예측", 지능정보연구, 27(1), pp.83~102 (2021), 한국지능정보시스템학회
  27. 표영인, "관리종목지정 시점에 발생하는 산업내 정보전도효과", 경영학연구, 31(3), pp.751~767 (2002), 한국경영학회
  28. Alaka, H. A., "Methodological approach of construction business failure prediction studies : a review", Construction Management and Economics, 34(11), pp.808~842 (2016)
  29. Altman, E. I., "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy", The journal of finance, 23(4), pp.589~609 (1968)
  30. Barboza, F., "Machine learning models and bankruptcy prediction", Expert Systems with Applications, 83, pp.405~417 (2017)
  31. Beaver, W. H., "Financial ratios as predictors of failure", Journal of Accounting Research, 4, pp.71~111 (1966)
  32. Breiman, L., "Random forests", Machine learning, 45(1), pp.5~32 (2001)
  33. Campbell, J. Y., "In search of distress risk", Journal of Finance, 63(6), pp.2899~2939 (2008)
  34. Chava, S., "Bankruptcy Prediction with industry effects", Review of Finance, 8(4), pp.537~569 (2004)
  35. "Gradient boosting-what you need to know, Data Science" (2020)[URL]
  36. Devi, S. S., "A survey on machine learning and statistical techniques in bankruptcy prediction", International Journal of Machine Learning and Computing, 8(2), pp.133~139 (2018)
  37. Duffie, D., "Multi-period corporate default prediction with stochastic covariates", Journal of financial economics, 83(3), pp.635~665 (2007)
  38. James, G., "An introduction to statistical learning in R" (2013), Springer
  39. Ke, G., "LightGBM : A highly efficient gradient boosting decision tree", Advances in Neural Information Processing Systems, 30, pp.3146~3154 (2017)
  40. Martinez, I., "Reasons for delisting and consequences : A literature review and research agenda", Journal of Economic Surveys, 31(3), pp.733~770 (2017)
  41. Ohlson, J. A., "Financial ratios and the probabilistic prediction of bankruptcy", Journal of accounting research, pp.109~131 (1980)
  42. Shumway, T., "Forecasting bankruptcy more accurately: a simple hazard model", Journal of Business, 74(1), pp.101~124 (2001)
  43. Zmijewski, M. E., "Methodological issues related to the estimation of financial distress prediction models", Journal of Accounting Research, 22, pp.59~82 (1984)

관련 논문AI추천

머신러닝을 활용한 코스닥 관리종목지정 예측이동주, 채승일경영경제연구소 · 아태비즈니스연구2022 · 제13권 제2호SVM 전처리기를 활용한 코스닥기업 도산예측 성능 향상강부식, 조준희한국지식정보기술학회 · 한국지식정보기술학회 논문지2012 · 제7권 제4호머신러닝을 이용한 창업기업의 대출부도 예측장영민신용보증기금 · 중소기업금융연구2024 · 제44권 제3호머신러닝을 활용한 중소기업 성장 예측: 재무와 정책지원 요인을 중심으로김기만, 이진웅경영경제연구소 · 경영경제연구2025 · 제47권 제2호머신러닝 기반 기업성과 예측 모델의 비교 연구: ESG 평가 등급 포함의 영향박기준, 박찬욱인문사회과학연구소 · 인문사회과학연구2023 · 제31권 제4호머신러닝과 오버샘플링(oversampling)을 이용한 상장기업 부도예측 연구노시현, 한희준한국계량경제학회 · 계량경제학보2025 · 제36권 제2호

이 간행물의 다른 논문 (15건)

신디케이트 내부 VC 리드투자자 비중과 투자자 지위가 투자 성과에 미치는 영향력에 관한 연구오주연, 김영규, 김지은, Mengjin Gaopp. 1-12창업지원 매니저의 역량 특성이 창업지원단 몰입도와 업무성과에 미치는 영향: 매니저의 자기효능감을 중심으로강혜정, 김명숙, 양영석pp. 13-28Stock Price Return and Variance of Unlisted Start-ups신정숙, 강원pp. 29-43벤처기업 최고 경영자 경험 특성과 여유자원이 전략적 제휴 유형 선택에 미치는 영향한상연pp. 45-61국내 유니콘 기업군의 실태분석과 특징에 관한 연구김선우, 김주희, 정애린pp. 63-77
원문 보기