본문 바로가기
KERD
논문KCI 등재

기계학습을 이용한 회사채 발행금리 예측

Forecasting Corporate Bond Yields with Machine Learning

임병권|안지영
한국재무관리학회 (Korea Financial Management Association)|2023.10|재무관리연구 (THE KOREAN JOURNAL OF FINANCIAL MANAGEMENT)|제40권 제5호|pp. 213-243|DOI 10.22510/kjofm.2023.40.5.008

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

기계학습회사채Corporate BondMachine LearningESG 채권발행금리Yield SpreadElastic NetESG Bond
주제분류경영학

초록

본 연구는 머신러닝 알고리즘을 이용하여 회사채 발행금리 예측의 유용성에 대해 고찰하였다. 구체적으로 회사채 특성과 함께 거시경제적 요인, 채권 및 주식시장 전반에 관한 정보와 함께 회사채 발행기업의 재무적 특성 등을 종합적으로 고려하여 회사채 스프레드에 영향을 미치는 요인을 규명한 후 발행금리 예측 모형을 설계하였다. 본 연구의 주요 분석결과를 요약하면 다음과 같다. 첫째, 회사채 발행금리 예측에는 신용등급, 신용스프레드, 장단기금리차, 기준금리, GDP 등이 주요한 예측 변수로 작용하는 것으로 나타난다. 또한, 최적의 예측 모델은 모델의 형태나 변수의 개수 그리고 표본의 크기 등에 따라 다양하여 분석 데이터셋에 따라 예측 모델의 성능이 달라짐이 확인된다. 이는 회사채 발행금리 예측에 있어 머신러닝 알고리즘의 활용이 유용하나, 데이터에 따라 최적 모형의 선택이 달라질 수 있음을 의미한다. 둘째, 본 연구에서는 데이터 기반의 예측 모형을 활용하는 경우 발행 실적이 상대적으로 저조한 ESG 채권 발행금리 예측에도 회사채 데이터 기반 모델이 유용하게 활용될 수 있음이 확인된다. 전체적으로 회사채 발행금리 예측에 있어 머신러닝 기법은 유용하게 활용될 수 있을 것으로 판단된다. 따라서 회사채 발행금리 결정에 있어 본 연구는 새로운 시각을 제공하며, 채권 발행기업과 투자자에게 유용한 정보를 제공할 수 있을 것으로 기대된다.

Abstract

This study analyzes the corporate bond yield spread predictability with machine learning methods (LASSO, Ridge, Elastic net). We consider comprehensive input variables such as bond characteristics, macroeconomic factors, bond and stock market, and financial factors of issuers. The major empirical findings are as follows. First, we find that credit ratings, credit spreads, interest rate spread, base rate, and GDP are critical factors in corporate bond yield spreads. In addition, the optimal prediction method varies depending on the model type, the number of variables, and the sample size. Second, we find that the predictive model with the general corporate bond yield spreads could be helpful in predicting ESG bond initial yield rates. Overall, our findings show that machine learning for predicting corporate bond yield spread is more valuable than the traditional OLS method. Our evidence provides a new perspective in determining corporate bond rates and practical implications for improving useful information to the bond issuer or investors.

참고문헌 (38)

  1. 권혁건, "RNN(Recurrent Neural Network)을 이용한 기업부도예측모형에서 회계정보의 동적 변화 연구", 지능정보연구, 23(3), pp.139~153 (2017), 한국지능정보시스템학회
  2. 김경목, "투자자별 거래정보와 머신러닝을 활용한 투자전략의 성과", 지능정보연구, 27(1), pp.65~82 (2021), 한국지능정보시스템학회
  3. 김도완, "안전자산 선호현상이 투기등급 채권발행을 어렵게 하는가?", 재무관리연구, 35(1), pp.1~25 (2018), 한국재무관리학회[DOI]
  4. 조성욱, "한국어 텍스트 분석과 적용: 머신러닝을 통한 증권발행신고서의 비정형화된 텍스트 분석", 한국증권학회지, 48(2), pp.215~235 (2019), 한국증권학회[DOI]
  5. 배광일, "거시경제에 대한 이질적 기대가 채권초과수익률에 미치는 영향", 재무관리연구, 37(1), pp.1~23 (2020), 한국재무관리학회[DOI]
  6. 류두진, "기계학습 기반 기업신용정보 분석을 통한 채무불이행 예측", 재무연구, 34(4), pp.199~234 (2021), 한국재무학회
  7. 안지영, "머신러닝 알고리즘을 이용한 MBS 조기상환율 예측", 금융연구, 34(2), pp.33~63 (2020), 한국금융학회[DOI]
  8. 양철원, "한국의 채권과 주식시장 유동성의 상호관계", 대한경영학회지, 26(2), pp.351~370 (2013), 대한경영학회
  9. 윤윤석, "회사채수익률에 영향을 미치는 회계정보에 관한 연구", 상업교육연구, 10, pp.209~226 (2005), 한국상업교육학회
  10. 이현상, "시계열 예측을 위한 LSTM 기반 딥러닝: 기업 신용평점 예측 사례", 정보시스템연구, 29(1), pp.241~265 (2020), 한국정보시스템학회
  11. 정희준, "코로나19 전후의 공모회사채 발행가격 형성에 관한 연구", 金融工學硏究, 20(3), pp.27~57 (2021), 한국금융공학회[DOI]
  12. 채병권, "수요예측제도 도입과 채권발행가격 결정요인 분석", 회계와 정책연구, 25(2), pp.303~330 (2020), 한국회계정책학회[DOI]
  13. 최보람, "채권 발행금리와 스프레드에 미치는 영향", 국제회계연구, (43), pp.213~240 (2012), 한국국제회계학회[DOI]
  14. 황광숙, "금융위기 이후 경제정책불확실성의 회사채스프레드에 대한 영향 분석", 대한경영학회지, 35(1), pp.35~66 (2022), 대한경영학회
  15. Athanassakos, G., "An Empirical Analysis of the Relationship of Bond Yield Spreads and Macro economic Factors", Applied Financial Economics, 11(2), pp.197~207 (2001)
  16. Bernoth, K., "Sovereign Bond Yield Spreads : A Time-Varying Coefficient Approach", Journal of International Money and Finance, 31, pp.639~656 (2012)
  17. Bianchi, D., "Bond Risk Premiums with Machine Learning", Review of Financial Studies, 34(2), pp.1046~1089 (2021)
  18. Chen, L., "Corporate Yield Spreads and Bond Liquidity", Journal of Finance, 62(1), pp.119~149 (2007)
  19. Chen, l., "Deep Learning in Asset Pricing", Management Science (2023)
  20. Favero, C., "How Does Liquidity Affect Government Bond Yields?", Journal of Financial and Quantitative Analysis, 45(1), pp.107~134 (2010)
  21. Golbayani, P., "A Comparative Study of Forecasting Corporate Credit Ratings Using Neural Networks, Support Vector Machines, and Decision Trees", The North American Journal of Economics and Finance, 54, pp.101251~ (2020)
  22. Gu, S., "Empirical Asset Pricing via Machine Learning", Review of Financial Studies, 33(5), pp.2223~2273 (2020)
  23. Han, S., "Informed Bond Trading, Corporate Yield Spreads, and Corporate Default Prediction", Management Science, 60(3), pp.675~694 (2014)
  24. Hastie, T., "The Elements of Statistical Learning: Data Mining, Inference, and Prediction" (2009), Springer Science & Business Media
  25. Hoerl, A. E., "Ridge Regression : Biased Estimation for Nonorthogonal Problems", Technometrics, 12(1), pp.55~67 (1970)
  26. Huang, H., "Stock Liquidity and Corporate Bond Yield Spreads : Theory and Evidence", Journal of Financial Research, 38(1), pp.59~91 (2015)
  27. Jubinski, D., "Equity Volatility, Bond Yields, and Yield Spreads", Journal of Futures Market, 32(5), pp.480~503 (2011)
  28. Kim, J. M., "Applications of Machine Learning for Corporate Bond Yield Spread Forecasting", North American Journal of Economics and Finance, 58, pp.101540~ (2021)
  29. Kim, M., "Adaptive Trading System Integrating Machine Learning and Back-Testing : Korean Bond Market Case", Expert Systems with Applications, 176(15), pp.114767~ (2021)
  30. Li, F., "Annual Report Readability, Current Earnings, and Earnings Persistence", Journal of Accounting and Economics, 45(2-3), pp.221~247 (2008)
  31. How Do Bond Specific, Firm Specific and Macroeconomic Factors Influence Corporate Credit Spreads?, "Mayberger, M.", ~ (2014)
  32. Mishra, S., "An Efficient Portfolio Construction Model Using Stock Price Predicted by Support Vector Regression", The North American Journal of Economics and Finance, 50(C), pp.101027~ (2019)
  33. Moscatelli, M., "Corporate Default Forecasting with Machine Learning", Expert Systems with Applications, 161, pp.113567~ (2020)
  34. Wang, J., "Liquidity, Default, Taxes, and Yields on Municipal Bonds", Journal of Banking & Finance, 32, pp.1133~1149 (2008)
  35. Saltzman, B., "A Machine Learning Approach to Identifying Different Types of Uncertainty", Economics Letters, 171, pp.58~62 (2018)
  36. Tibshirani, R., "Regression Shrinkage and Selection via the Lasso", Journal of the Royal Statistical Society : Series B(Methodological), 58(1), pp.267~288 (1996)
  37. Zhang, G., "Artificial Neural Networks in Bankruptcy Prediction : General Framework and Cross-Validation Analysis", European Journal of Operational Research, 116(1), pp.16~32 (1999)
  38. Zou, H., "Regularization and Variable Selection via the Elastic Net", Journal of the Royal Statistical Society : Series B(statistical methodology), 67(2), pp.301~320 (2005)

관련 논문AI추천

기업의 재무 정보를 활용한 ESG 등급 예측: 머신러닝과 설명 가능한 인공지능의 융합이상준, 최정철한국엔터프라이즈아키텍처학회 · 정보화연구2024 · 제21권 제3호기업부도예측과 기계학습조훈, 김형준, 류두진한국금융공학회 · 金融工學硏究2019 · 제18권 제3호재무변수 및 주식가격 변수를 이용한 회사채 신용등급 예측모형의 개발김진선, 최영문한국공인회계사회 · 회계ㆍ세무와 감사 연구2006 · 제43호머신러닝 기반 자산가격결정 연구:계량서지분석과 응용사례를 중심으로류두진, 박준용, 이명원한국금융공학회 · 金融工學硏究2025 · 제24권 제4호기계학습 모형을 이용한 전환사채 행사 시점에 관한 연구유재필한국융합학회 · 한국융합학회논문지2021 · 제12권 제10호머신러닝 기반 기업성과 예측 모델의 비교 연구: ESG 평가 등급 포함의 영향박기준, 박찬욱인문사회과학연구소 · 인문사회과학연구2023 · 제31권 제4호

이 간행물의 다른 논문 (7건)

고빈도 알고리즘을 이용한 개인투자자의 투자성과박수철, 우민철pp. 1-28기업 부실 위험에 따른 유동성 프리미엄 차이 연구이선영pp. 29-51자산매각 동기와 매각공시에 따른 기업가치 변화정정현, 정종권, 권용현pp. 53-98The Moderating Effect of ROA on the Relationship between ESG and Firm Value: Evidence from China이지윤, 박지영, 장유지pp. 99-120자사주 활동이 주가급락위험에 미치는 영향박희진, 임지원pp. 121-153
원문 보기