기업 신용평가 모형에 설명 가능한 AI 적용을 위한 TabNet 기반 프레임워크: 기업 신용평가 모형 연구를 중심으로
TabNet-Based Framework for Application of XAI to Corporate Credit Rating Models: On the Credit Rating Model for Enterprise
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
늘어나는 기업 대출에 맞춰 은행권에서는 기업 신용평가 모형의 고도화를 통한 여신 리스크 관리의 필요하다. 기업 신용평가 고도화를 위하여 기업 재무정보를 활용한 통계, 머신러닝, 딥러닝 기법들의 활용 연구가 활발히 진행되었다. 해당 연구들에서 사용된 대표적인 모델들은 전통적인 통계 기법인 로지스틱 회귀, 머신러닝 기법인 의사결정나무 기반의 모델들이 존재하며, 최근 여러 분야에서 강조되는 딥러닝 기반의 알고리즘을 활용한 연구 또한 높은 예측 성능을 보인다. 하지만 기업 신용 평가 연구에서 성능과 함께 집중해야하는 내용은 결과에 대한 해석력과 불균형 데이터의 처리이다. 본 연구에서는 성능을 위하여 새로운 변수를 생성하는 전처리법과 불균형 데이터를 처리하기 위한 샘플링 기법, 그리고 딥러닝 기반의 설명가능한 인공지능(XAI)인 TabNet을 활용한 새로운 프레임 워크를 제안한다. 연구결과 로지스틱회귀, 다층 퍼셉트론 대비 새로운 프레임워크의 높은 성능을 확인하였다. 또한 설명력을 분석한 결과 안정성, 수익성 지표가 예측에 크게 영향을 미쳤고, 성장성과 활동성 지표는 적게 영향을 미침을 확인하였다.
Abstract
Credit risk management has recently been emphasized through the advancement of the corporate credit evaluation model. Representative models used in studies related to corporate credit evaluation have various statistics and machine learning techniques, and recently, deep learning-based algorithms that show good performance in various fields have been studied to show high predictive performance. However, in corporate credit evaluation research, not only performance but also the content to focus on together is an interpretation of results and the processing of imbalanced data. In this work, we propose a preprocessing method that generates new variables for performance, sampling techniques for handling unbalanced data, and a new framework utilizing TabNet, an explainable artificial intelligence (XAI) based on deep learning. As a result of the study, the high performance of the new framework was confirmed compared to logistic regression and multilayer perceptron. In addition, as a result of analyzing explanatory power, it was confirmed that stability and profitability indicators had a significant effect on prediction, and growth and activity indicators had a negligible effect.
참고문헌 (17)
- 김소정, "심층신경망의 설명가능성과 하이퍼파라미터 특성에 관한 연구 -중소기업 신용평가를 중심으로-", 중소기업금융연구, 42(1), pp.3~37 (2022), 신용보증기금[DOI]
- 김진선, "재무변수 및 주식가격 변수를 이용한 회사채 신용등급 예측모형의 개발", 회계ㆍ세무와 감사 연구, (43), pp.185~217 (2006), 한국공인회계사회
- 김형준, "기업부도예측과 기계학습", 金融工學硏究, 18(3), pp.131~152 (2019), 한국금융공학회[DOI]
- 민재형, "Support Vector Machine을 이용한 부도예측모형의 개발 -격자탐색을 이용한 커널 함수의 최적 모수 값 선정과 기존 부도예측모형과의 성과 비교-", 한국경영과학회지, 30(1), pp.55~74 (2005), 한국경영과학회
- 안태일, "주식투자자들의 재무정보 중요성 인식에 관한 연구", 세무회계연구, 10, pp.209~233 (2002)
- 오우석, "인공지능기법을 이용한 기업부도 예측", 산업융합연구, 15, pp.17~32 (2017)
- 조준희, "코스닥기업의 도산예측모형에 관한 연구", 산업경제연구, 20(1), pp.141~161 (2007), 한국산업경제학회
- Adadi, A., "Peeking inside the black-box : A survey on explainable artificial intelligence(XAI)", IEEE Access, 6, pp.52138~52160 (2018)
- Arik, S. O., "TabNet : Attentive interpretable tabular learning", AAAI, 35, pp.6679~6687 (2021)
- Barandela, R., "The imbalanced training sample problem: Under or over sampling?", Joint IAPR International Workshops on Structural, Syntactic, and Statistical Pattern Recognition (SSPR, 2004, pp.3138, 806~814
- Batista, G., "A study of the behavior of several methods for balancing machine learning training data", ACM SIGKDD Explorations Newsletter, 6(1), pp.20~29 (2004)
- Gehring, J., "Convolutional sequence to sequence learning", International Conference on Machine Learning, pp.1243~1252 (2017), PMLR
- Goodfellow, I., "Deep learning" (2016), The MIT Press
- Lundberg, S. M., "A unified approach to interpreting model predictions", Advances in Neural Information Processing Systems, 30 (2017)
- Martins, A., "From softmax to sparsemax: A sparse model of attention and multi-label classification", International Conference on Machine Learning, 3, pp.1614~1623 (2016), PMLR
- Ohlson, J. A., "Financial ratios and the probabilistic prediction of bankruptcy", Journal of Accounting Research, 18, pp.109~131 (1980)
- Zhen, W., "Machine learning applications in finance: Some case studies", Ph. D, Department of Computing, pp.2019