본문 바로가기
KERD
논문KCI 등재

AUROC기반의 부도예측 앙상블 모형

AUROC-based Ensemble Model for Bankruptcy Prediction

김명종|윤우섭
신용보증기금 (Korea Credit Guarantee Fund)|2021.09|중소기업금융연구 (Journal of SME Finance)|제41권 제3호|pp. 41-60|DOI 10.33219/jsmef.2021.41.3.002

0

조회

0

다운로드

3

인용

0

참고문헌

키워드

AdaBoostClass ImbalanceBankruptcy Prediction부도 예측범주 불균형AUCBoost

초록

본 연구는 범주 불균형이 존재하는 기업부도 예측문제를 해결하기 위하여 AUROC 기반의 앙상블 학습기법인 AUCBoost 모형을 제안한다. AdaBoost 알고리즘은 오분류된 표본에 강화된학습기회를 제공하는 장점이 있지만, 산술평균에 기초하여 기저 분류자의 결합 가중치를 결정한다는 점에서 범주 불균형 문제의 해결에 한계점이 있다. AUCBoost 알고리즘은 범주 불균형의 성과지표로 활용되는 AUROC를 활용하여 AdaBoost 앙상블 학습을 수정한 부스팅 기법이다. AUCBoost 알고리즘은 이차계획법을 활용하여 최종 분류자의 AUROC를 최대화하는 것을 학습목표로 한다. 실증분석을 위하여 정상기업 10,000개의 관측치와 500개 부도기업 관측치로구성된 샘플을 수집하여 범주 불균형 비율에 따라 5개의 하위 샘플로 구성하였다. 7개 재무비율군에서 가장 높은 AUROC를 가진 7개의 재무비율을 독립변수로 선정하였다. 각 하위 샘플별로 30회의 교차타당성 검증을 수행한 결과, 첫째, 범주 불균형 비율은 앙상블 학습 성과에 부정적인 영향을 미치는 것으로 분석되었다. 둘째, AUCBoost 알고리즘은 기존 AdaBoost 앙상블 학습의 유의한 성과개선 효과를 제공하는 것으로 분석되었다. 마지막으로 범주 불균형 정도가 심해질수록 AUCBoost의 성과개선 효과가 높아지는 것으로 분석되었다.

Abstract

This paper proposes an AUCBoost model to address the class imbalance problem inherent in bankruptcy prediction. AdaBoost algorithm has the advantage of providing reinforced learning to misclassified samples. However, since the set of weights for combining the predictions of the base classifier is determined by the concept of prediction accuracy, it has a limitation in resolving class imbalance problem. AUCBoost algorithm is a boosting technique that replaces AdaBoost's predictive accuracy with AUROC. The goal of AUCBoost is to maximize the AUROC of the final classifier through iterative search for a set of weights to combine the base classifiers using quadratic programming. For empirical experiments, a sample consisting of 10,000 non-bankruptcy instances and 500 bankruptcy instances is collected and divided into 5 subsamples with different imbalance ratio values. As explanatory variables, the seven financial ratios with the highest AUROC are selected from the seven financial ratio groups. 30 cross-validations are performed for each subsample. The main findings are as follows. First, the class imbalance problem has a negative effect on the performance. Second, AUCBoost makes a significant contribution to performance improvements of AdaBoost ensembles. Finally, the effect of AUCBoost on the performance improvement is more magnified as the imbalance ratio value increases.

참고문헌 (33)

  1. 권혁건, "RNN(Recurrent Neural Network)을 이용한 기업부도예측모형에서 회계정보의 동적 변화 연구", 지능정보연구, 23(3), pp.139~153 (2017), 한국지능정보시스템학회
  2. 김명종, "기업부실 예측 데이터의 불균형 문제 해결을 위한 앙상블 학습", 지능정보연구, 15(3), pp.1~15 (2009), 한국지능정보시스템학회
  3. 김은미, "온라인 P2P 환경에서 딥러닝을 적용한 다분류 기반 개인신용등급 예측모형", 인터넷전자상거래연구, 19(4), pp.43~57 (2019), 한국인터넷전자상거래학회[DOI]
  4. 김형준, "기업부도예측과 기계학습", 金融工學硏究, 18(3), pp.131~152 (2019), 한국금융공학회[DOI]
  5. 맹수석, "핀테크(FinTech) 진전과 금융소비자보호 방안", 기업법연구, 31(4), pp.331~365 (2017), 한국기업법학회[DOI]
  6. 민성환, "개선된 배깅 앙상블을 활용한 기업부도예측", 지능정보연구, 20(4), pp.121~139 (2014), 한국지능정보시스템학회
  7. 배재권, "국내 인터넷전문은행 서비스의 이용요인 및 활성화요인에 관한 연구", 예술인문사회 융합 멀티미디어 논문지, 8(6), pp.897~907 (2018), 사단법인 인문사회과학기술융합학회[DOI]
  8. 신동인, "KOSDAQ 시장의 관리종목 지정 탐지 모형 개발", 지능정보연구, 24(3), pp.157~176 (2018), 한국지능정보시스템학회
  9. 신현규, "핀테크에 따른 전자어음의 새로운 위상", 은행법연구, 13(1), pp.63~113 (2020), 은행법학회[DOI]
  10. 조성빈, "기업도산예측에 대한 의사결정나무 앙상블 모델 평가", 한국경영공학회지, 25(4), pp.63~71 (2020), 한국경영공학회
  11. 최하나, "앙상블 SVM 모형을 이용한 기업 부도 예측", 한국데이터정보과학회지, 24(6), pp.1113~1125 (2013), 한국데이터정보과학회[DOI]
  12. 홍승현, "유전자 알고리즘을 활용한 인공신경망 모형 최적입력변수의 선정: 부도예측 모형을 중심으로", 지능정보연구, 9(1), pp.227~249 (2003), 한국지능정보시스템학회
  13. Altman, E. L., "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy", The Journal of Finance, 23(4), pp.589~609 (1968)
  14. Beaver, W., "Financial ratios as predictors of failure, empirical research in accounting：Selected studied", Journal of Accounting Research, 4(3), pp.71~111 (1996)
  15. Buda, M., "A systematic study of the class imbalance problem in convolutional neural networks", Neural Networks, 106, pp.249~259 (2018)
  16. Buta, P., "Mining for financial knowledge with CBR", AI Expert, 9(10), pp.34~41 (1994)
  17. Chawla, N. V., "SMOTEBoost : Improving prediction of the minority class in boosting", Proceedings of 7th European conference on principles and practice of knowledge discovery in databases, pp.107~119 (2003)
  18. Davis, J., "The relationship between precision-recall and roc curves", Proceedings of the 23rd international conference on machine learning, ICML ’06, pp.233~240 (2006), ACM
  19. Dimitras, A. I., "A survey of business failure with an emphasis on prediction methods and industrial applications", European Journal of Operational Research, 90(3), pp.487~513 (1996)
  20. Elkan, C., "The foundations of cost-sensitive learning", Proceedings of the 17th international joint conference on artificial intelligence, 2, pp.973~978 (2001)
  21. Fawcett, T., "An introduction to ROC anlysis", Pattern Recognition Letter, 27, pp.861~874 (2006)
  22. Freund, Y., "A decision-theoretic generalization of on-line learning and an application to boosting", Journal of Computer and System Sciences, 55, pp.119~139 (1997)
  23. Kim, M. J., "A Performance Comparison of Ensemble in Bankruptcy Prediction", Entrue Journal of Information Technology, 8(2), pp.41~49 (2009)
  24. Kim, M. J., "Geometric mean based boosting algorithm with over-sampling to resolve data imbalance data imbalance problem for bankruptcy prediction", Expert Systems with Applications, 42, pp.1074~1082 (2015)
  25. Messier, W. F. Jr., "Inducing rules for expert system development : an example using default and bankruptcy data", Management Science, 34(12), pp.1403~1415 (1998)
  26. Ohlson, J., "Financial ratios and the probabilistic prediction of bankruptcy", Journal of Accounting Research, 18(1), pp.109~131 (1980)
  27. Provost, F., "Robust classification for imprecise environments", Machine Learning, 42, pp.203~231 (2001)
  28. Tai, Qiu-yue, "GA-optimized Nonlinear Fuzzy Normalization Approach in Back-Propagation Neural Network for Bankruptcy Prediction Modeling", 한국지능정보시스템학회 학술대회논문집, pp.294~302 (2010)
  29. Schapire R. E., "Boosting the margin: a new explanation for the effectiveness of voting methods", Proc. Of the 14th Int.Conference on Machine Learning (1997)
  30. Seiffert, C., "RUSBoost : Improving classification performance when training data is skewed", Proceedings of the 19th international conference on pattern recognition, pp.1~4 (2008)
  31. Shin, K., "An application of support vector machines in bankruptcy prediction", Expert Systems with Applications, 28, pp.127~135 (2005)
  32. Tam, K. Y., "Managerial applications of neural networks : the case of bank failure predictions", Management Science, 38(7), pp.926~947 (1992)
  33. Weng, C. G., "A new evaluation measure for imbalanced datasets", Proceedings of the 7th Australasian data mining conference—Vol. 87. AusDM ’08, pp.27~32 (2008), Australian Computer Society, Inc

관련 논문AI추천

머신러닝과 오버샘플링(oversampling)을 이용한 상장기업 부도예측 연구노시현, 한희준한국계량경제학회 · 계량경제학보2025 · 제36권 제2호머신러닝 기반 기업부도 예측모델의 이상치 분류기준 재정의에 따른 성능 비교연구김광용, 성윤제, 장석호, 최원선한국금융정보학회 · 금융정보연구2023 · 제12권 제3호머신러닝을 이용한 외감기업 및 비외감기업의 부도예측에 관한 연구박도준, 송현준, 이준기한국IT정책경영학회 · 한국IT정책경영학회 논문지2021 · 제13권 제3호데이터 클래스 불균형 상황에서 설명가능 인공지능을 이용한 기업부도예측모델의 적용과 해석에 관한 연구백동현, 윤종철한국산업경영시스템학회 · 한국산업경영시스템학회지2025 · 제48권 제1호인공지능 기반 기업 부도예측 모델 실증 연구-시간적 특성을 반영한 개선을 중심으로이현, 김경영, 박중현, 정경민, 최희정한국IT정책경영학회 · 한국IT정책경영학회 논문지2023 · 제15권 제2호머신러닝을 이용한 창업기업의 대출부도 예측장영민신용보증기금 · 중소기업금융연구2024 · 제44권 제3호

이 간행물의 다른 논문 (2건)

LMDI 요인분해 분석을 이용한 신용보증 성장의 변화 요인 연구서철승, 진용주, 이철규, 오인하pp. 1-40중소기업-근로자 간 성과공유제의 거래 네트워크 파급효과정재만pp. 61-84
원문 보기