본문 바로가기
KERD
논문KCI 등재

기업부도예측과 기계학습

Corporate Default Predictions and Machine Learning

조훈|류두진|김형준
한국금융공학회 (Korean Association of Financial Engineering)|2019.09|金融工學硏究 (Korean Journal of Financial Engineering)|제18권 제3호|pp. 131-152|DOI 10.35527/kfedoi.2019.18.3.006

0

조회

0

다운로드

18

인용

0

참고문헌

키워드

기계학습Machine Learning인공신경망Artificial Neural NetworksDefault Prediction기업부도부도예측Default신용위험Credit Risk
주제분류경영학

초록

기업부도에 대한 예측은 경제 전반의 각 분야에서 다양하게 활용된다. 기업은 예측결과를 토대로 경영상태를 진단하고 경영전략을 수립하며, 투자자는 신용위험을 관리하고 투자전략을 조정한다. 정부가 거시건전성 정책을 만들고 금융제도를 설계․개선하는 데에도 이러한 기업부도예측 방법론을 근거로 활용한다. 현재 기업부도예측은 수리통계 모형뿐만 아니라, 기계학습 알고리즘(machine learning algorithm)을 활용한 첨단 금융공학의 일선에 있다. 본 연구는 지금까지 진행된 기업부도예측에 관한 연구를 살펴보고, 통계적 모형과 기계학습 알고리즘의 대표적 방법론을 소개함으로써 관련 분야를 조망한다. 기업부도예측을 위한 주요 통계적 모형은 3세대로 구분할 수 있으며, 각 세대는 대표적으로 판별분석(discriminant analysis), 이항반응모형(binary response model), 위험모형(hazard model)을 사용하여 연구되었다. 기계학습 알고리즘에는 주로 분류방법론이 사용되었으며, SVM(support vector machine), 의사결정나무(decision tree), 인공신경망(artificial neural networks) 알고리즘이 대표적이다. 기계학습 방법론의 발달은 금융 분야의 혁신을 더욱 가속화하며, 이에 따라 새로운 금융서비스의 출현과 데이터 유통에 기반한 데이터 경제의 부상이 뒤따를 것으로 전망된다.

Abstract

Corporate default predictions are essential in every economic sector. Based on these predictions, companies can diagnose their management statuses and establish management strategies. Investors can manage their credit risk and adjust their investment strategies. Governments can also use them to design macroeconomic policies and improve financial regulations. Currently, corporate default predictions are at the forefront of advanced financial engineering that utilizes not only statistical models but also machine learning algorithms. This study reviews the literature on corporate default predictions and the related field by introducing statistical and mathematical models and machine learning algorithms and their representative methodologies. Statistical models can be classified into three generations and can be studied using discriminant analyses, binary response models, and hazard models. For machine learning algorithms, classification methodologies such as support vector machines, decision trees, and artificial neural network algorithms are mainly used. The development of machine learning methodologies is expected to further accelerate innovation in the financial sector, which, in turn, will be followed by the emergence of new financial services and the rise of the data economy.

참고문헌 (64)

  1. 김성환, "The Effects of Market Structure and Reputation on Bankruptcy and Banks’ Performance", 金融工學硏究, 12(2), pp.139~160 (2013), 한국금융공학회[DOI]
  2. 빅데이터 분석 방법론과 데이터 과학자, "김형준", 한국주택금융공사 주택금융연구원, ~ (2017)
  3. 도영호, "실질경제성장률이 중소기업 산업별 부도율에 미치는 영향: 구조적 VAR 모형을 이용하여", 중소기업연구, 38(3), pp.25~48 (2016), 한국중소기업학회
  4. 박종원, "재무비율을 이용한 부도예측에 대한 연구: 한국의 외부감사대상기업을 대상으로", 경영학연구, 43(3), pp.639~669 (2014), 한국경영학회
  5. 손진빈, "국내 핀테크 산업의 현황과 규제 및 지속가능성에 대한 논고", 金融工學硏究, 18(2), pp.119~150 (2019), 한국금융공학회[DOI]
  6. 안경희, "신용등급변경가능성이 자본조달에 미치는 영향: 채권내재등급(BIR)과 신용등급(AR)의 차이를 중심으로", 金融工學硏究, 17(2), pp.23~52 (2018), 한국금융공학회[DOI]
  7. 오세경, "임의의 부도발생 시점을 고려한 부도예측모형에 관한 연구", 재무관리연구, 32(4), pp.23~51 (2015), 한국재무관리학회[DOI]
  8. 이인로, "회계정보와 시장정보를 이용한 부도예측모형의 평가 연구", 재무연구, 28(4), pp.625~665 (2015), 한국재무학회
  9. 이인로, "국내 주식시장의 부도위험 이례현상에 관한 연구", 한국증권학회지, 45(5), pp.1097~1129 (2016), 한국증권학회
  10. 임혜진, "금융시장 로보어드바이저 산업에 대한 고찰: 현황과 개선방안", 경영학연구, 47(3), pp.725~749 (2018), 한국경영학회[DOI]
  11. 장욱, "구조모형과 축약모형을 결합한 내재 부도시손실율의 추정과 그 결정요인의 분석", 金融工學硏究, 7(2), pp.49~73 (2008), 한국금융공학회[DOI]
  12. 4차 산업혁명 시대의 데이터 거버넌스 개선 방향, "정용찬", 정보통신정책연구원, ~, pp.Premium report, 18-05 (2018)
  13. 주강진, "핀테크 산업의 발전방향에 관한 연구", 한국증권학회지, 45(1), pp.145~170 (2016), 한국증권학회
  14. 주강진, "4차 산업혁명과 인공지능 : 현황, 사례, 규제에 대한 개괄적 고찰", 한국경영과학회지, 42(4), pp.1~14 (2017), 한국경영과학회[DOI]
  15. 최원우, "하이브리드 로보어드바이저 활용의 사례와 제언", Korea Business Review, 22(3), pp.33~52 (2018), 한국경영학회[DOI]
  16. 최정원, "텍스트마이닝 방법론을 활용한 기업 부도 예측 연구", 생산성연구: 국제융합학술지, 29(1), pp.201~228 (2015), 한국생산성학회[DOI]
  17. Altman, E. I., "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy", Journal of Finance, 23(4), pp.589~609 (1968)
  18. Altman, E. I., "Corporate Financial Distress and Bankruptcy: A Complete Guide to Predicting and Avoiding Distress and Profiting from Bankruptcy" (1993), John Wiley and Sons Inc
  19. Aretz, K., "Do Stock Returns Really Decrease with Default Risk? New International Evidence", Management Science, 64(8), pp.3469~3970 (2018)
  20. Azayite, F. Z., "Hybrid Discriminant Neural Networks for Bankruptcy Prediction and Risk Scoring", Procedia Computer Science, 83, pp.670~674 (2016)
  21. Beaver, W. H., "Financial Ratios as Predictors of Failure", Journal of Accounting Research, 4, pp.71~111 (1966)
  22. Bonfim, D., "Credit Risk Drivers: Evaluating the Contribution of Firm Level Information and of Macroeconomic Dynamics", Journal of Banking &Finance, 33(2), pp.281~299 (2009)
  23. Brogaard, J., "Stock Liquidity and Default Risk", Journal of Financial Economics, 124(3), pp.486~502 (2017)
  24. Campbell, J. Y., "In Search of Distress Risk", Journal of Finance, 63(6), pp.2899~2939 (2008)
  25. Charitou, A., "Predicting Corporate Failure : Empirical Evidence for the UK", European Accounting Review, 13(3), pp.465~497 (2004)
  26. Chava, S., "Bankruptcy Prediction with Industry Effects", Review of Finance, 8, pp.537~569 (2004)
  27. Chen, M. Y., "Bankruptcy Prediction in Firms with Statistical and Intelligent Techniques and a Comparison of Evolutionary Computation Approaches", Computers & Mathematics with Applications, 62(12), pp.4514~4524 (2011)
  28. Cox, D. R., "Regression Models and Life Tables(with Discussion)", Journal of the Royal Statistical Society, 34(2), pp.187~220 (1972)
  29. Dakovic, R., "Bankruptcy Prediction in Norway : a Comparison Study", Applied Economics Letters, 17(17), pp.1739~1746 (2010)
  30. 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)
  31. Duan, J., "Multiperiod Corporate Default Prediction –A Forward Intensity Approach", Journal of Econometrics, 170(1), pp.191~209 (2012)
  32. Duffie, D., "Multi-period Corporate Default Prediction with Stochastic Covariates", Journal of Financial Economics, 83(3), pp.635~665 (2007)
  33. Falavigna, G., "Financial Ratings with Scarce Information : A Neural Network Approach", Expert Systems with Applications, 39(2), pp.1784~1792 (2012)
  34. Figlewski, S., "Modeling the Effect of Macroeconomic Factors on Corporate Default and Credit Rating Transitions", International Review of Economics and Finance, 21(1), pp.87~105 (2012)
  35. Foreman, R. D., "A Logistic Analysis of Bankruptcy within the US Local Telecommunications Industry", Journal of Economics and Business, 55(2), pp.135~166 (2003)
  36. Glover, B., "The Expected Cost of Default", Journal of Financial Economics, 119(2), pp.284~299 (2016)
  37. Hillegeist, S. A., "Assessing the Probability of Bankruptcy", Review of Accounting Studies, 9, pp.5~34 (2004)
  38. Hinton, G. E., "A Fast Learning Algorithm for Deep Belief Nets", Neural Computation, 18(7), pp.1527~1554 (2006)
  39. Iturriaga, F. J. L., "Bankruptcy Visualization and Prediction using Neural Networks : A Study of US Commercial Banks", Expert Systems with Applications, 42(6), pp.2857~2869 (2015)
  40. James, G., "An Introduction to Statistical Learning, Vol. 112" (2013), Springer
  41. Jessen, C., "Robustness of Distance-to-Default", Journal of Banking & Finance, 50, pp.493~505 (2015)
  42. Kim, H., "Optimization of Cluster-based Evolutionary Undersampling for the Artificial Neural Networks in Corporate Bankruptcy Prediction", Expert Systems with Applications, 59, pp.226~234 (2016)
  43. Kukuk, M., "Corporate Credit Default Models : a Mixed Logit Approach", Review of Quantitative Finance and Accounting, 40(3), pp.467~483 (2013)
  44. Laudon, K., "Management Information Systems" (2012), Pearson
  45. Lu, Y., "A Hybrid Switching PSO Algorithm and Support Vector Machines for Bankruptcy Prediction", 2014 International Conference on Mechatronics and Control, pp.1329~1333 (2014), IEEE
  46. Maltarollo, V., "Artificial Neural Networks: Architectures and Applications", pp.203~223 (2013)
  47. Mare, D. S., "Nonstationary Z-Score Measures", European Journal of Operational Research, 260(1), pp.348~358 (2017)
  48. McCarthy, J., "A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955", AI magazine, 27(4), pp.12~12 (2006)
  49. MIT, "The Rise of Data Capital", MIT Technology Review, pp.1~11 (2016)
  50. Mitchell, T., "Machine Learning" (1997), McGraw Hill
  51. Nam, C., "Bankruptcy Prediction Using a Discrete‐Time Duration Model Incorporating Temporal and Macroeconomic Dependencies", Journal of Forecasting, 27(6), pp.493~506 (2008)
  52. Newman, D., "How to Plan, Participate and Prosper in the Data Economy" (2011), Gartner
  53. Nielsen, M., "Neural Networks and Deep Learning" (2015), Determination Press
  54. Ohlson, J. A., "Financial Ratios and the Probabilistic Prediction of Bankruptcy", Journal of Accounting Research, 18(1), pp.109~131 (1980)
  55. Olson, D. L., "Comparative Analysis of Data Mining Methods for Bankruptcy Prediction", Decision Support Systems, 52(2), pp.464~473 (2012)
  56. Pan, Y., "How Management Risk Affects Corporate Debt", Review of Financial Studies, 31(9), pp.3491~3531 (2018)
  57. Samuel, A. L., "Some Studies in Machine Learning Using the Game of Checkers", IBM Journal of Research and Development, 3(3), pp.210~229 (1959)
  58. Shin, K. -S., "An Application of Support Vector Machines in Bankruptcy Prediction Model", Expert Systems with Applications, 28(1), pp.127~135 (2005)
  59. Shumway, T., "Forecasting Bankruptcy More Accurately : a Simple Hazard Model", Journal of Business, 74(1), pp.101~124 (2001)
  60. Tian, S., "Variable Selection and Corporate Bankruptcy Forecasts", Journal of Banking & Finance, 52, pp.89~100 (2015)
  61. Tsai, C. -F., "A Comparative Study of Classifier Ensembles for Bankruptcy Prediction", Applied Soft Computing, 24, pp.977~984 (2014)
  62. Traczynski, J., "Firm Default Prediction : a Bayesian Model-Averaging Approach", Journal of Financial and Quantitative Analysis, 52(3), pp.1211~1245 (2017)
  63. Yang, Z. R., "Probabilistic Neural Networks in Bankruptcy Prediction", Journal of Business Research, 44(2), pp.67~74 (1999)
  64. 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 이용한 창업기업의 대출부도 예측장영민신용보증기금 · 중소기업금융연구2024 · 제44권 제3호미관측 공통요인과 전이효과를 고려한 기업실패 예측 연구: 머신러닝과 전통적인 모형 비교박해랑, 조용민예금보험공사 · 금융안정연구2023 · 제24권 제2호머신러닝과 오버샘플링(oversampling)을 이용한 상장기업 부도예측 연구노시현, 한희준한국계량경제학회 · 계량경제학보2025 · 제36권 제2호저축은행 부실예측 모형의 머신러닝 기법으로의 전환과 예측력 개선의 주요 요인이상헌예금보험공사 · 금융안정연구2021 · 제22권 제2호인공지능 기반 기업 부도예측 모델 실증 연구-시간적 특성을 반영한 개선을 중심으로이현, 김경영, 박중현, 정경민, 최희정한국IT정책경영학회 · 한국IT정책경영학회 논문지2023 · 제15권 제2호SVM 전처리기를 활용한 코스닥기업 도산예측 성능 향상강부식, 조준희한국지식정보기술학회 · 한국지식정보기술학회 논문지2012 · 제7권 제4호

이 간행물의 다른 논문 (6건)

개별주식옵션시장에서 Request For Quote의 도입 가능성에 관한 연구강태훈pp. 1-29주식 대차거래 주체별 수익성 분석임은아, 전상경pp. 31-57외국인의 국내채권투자 결정요인에 관한 연구이명종pp. 59-83주식선물 투자요인에 대한 연구손경우, 정지영pp. 85-105유가와 주가지수 사이의 비선형관계 분석김상배pp. 107-129
원문 보기