SVM 전처리기를 활용한 코스닥기업 도산예측 성능 향상
Prediction Performance Improvement of KOSDAQ Business Bankruptcy using SVM Preprocessor
1
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
기업 도산은 다양한 이해관계자에게 사회 경제적으로 큰 손실을 주게 된다. 따라서 기업 도산 및 부실화를 사전에 예측할 수 있다면 이에 대한 대비를 하거나 기업 부도 요인을 사전 제거함에 따라 기업 도산에 대한 손실을 최소화하는 것이 가능할 것이다. 기업의 도산을 예측하기 위한 다양한 통계적 모형 및 데이터 마이닝 모형이 제시되고 있다. 기업 도산 예측 모형의 주요 이슈 중 하나는 예측력을 높이는 것이다. 이 논문은 기업 도산예측에 주로 사용되며 예측성능이 비교적 높은 로짓모형, 의사결정나무모형, 신경망모형, SVM모형에 대해서 살펴본다. 표본기업은 코스닥기업 중 도산 및 정상기업으로 각각 49개 기업을 선정하였고, 설명변수로는 통계적으로 유의미한 9개의 재무변수를 이용하고, 5년간의 재무변수 자료를 사용하였다. SVM모형을 전처리기를 사용한 경우 다양한 분류모형의 도산예측 성능을 크게 높일 수 있음을 실험결과로 보이고 있다.
Abstract
Business bankruptcy has had a lot of losses to various stakeholders. If we are able to predict bankruptcy or insolvency in advance, we can defend enterprises against bankruptcy or insolvency and minimize the loss. Various types of statistical and data mining models have been proposed for prediction of business bankruptcy. One of the main issues of the bankruptcy prediction models is to increase predictability. This research deals with logit, decision tree, neural networks, and SVM models those are mainly used to predict corporate bankruptcy. Sample companies were consisted of 49 bankrupt firms and 49 normal firms in KOSDAQ. Nine financial variables were selected by statistical test and five years of data were collected. In case of using SVM for preprocessing data, experimental results showed that classification models could improve the performance of the bankruptcy prediction.
참고문헌 (15)
- W.H. Beaver, "Financial Ratios as Predictors of Failure", Journal of Accounting Research, 4, pp.71~111 (1966)
- E.I. Altman, "Financial Ratios Discriminant Analysis and the Prediction of Corporate Bankruptcy", The Journal of Finance, 23(4), pp.589~609 (1968)
- H. W. Jang, "비금융 상장기업의 부실 예측 모형", The Korean Journal of Financial Management, 5(1), pp.299~327 (1998)
- J. M. Kang, "부실예측모형의 적합성 분석", The Journal of Finance and Banking, 5(1), pp.83~110 (1999)
- K. C. Lee, "An Inductive Learning-Assisted Neural Network Approach to Bankruptcy Prediction: Comparison with MDA, Inductive Learning, and Neural Network Models", Korean Management Review, 23(3), pp.109~144 (1994)
- 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
- 조준희, "코스닥기업의 도산예측모형에 관한 연구", 산업경제연구, 20(1), pp.141~161 (2007), 한국산업경제학회
- T. R. Lee, "Data Mining" (2004), KNOU Press
- J.T. Friedman, "Additive logistic regression: a statistical view of boosting", The Annals of Statistics, 32(2), pp.337~374 (2000)
- N. Langwehr, "Logistic Model Trees", Proceedings of the 16th Conference on Machine Learning, pp.241~252 (2003)
- J.R. Quinlan, "C4.5: Programs for Machine Learning" (1993), Morgan Kaufmann
- A.P. Engelbrecht, "A New Pruning Heuristic based on Variance Analysis of Sensitivity Information", IEEE Transactions on Neural Networks, 12(6), pp.1386~1399 (2001)
- P.H. Winston, "Artificial Intelligence 3rd Ed" (1993), Addison-Wesley
- H. S. Yong, "Introduction to Data Mining" (2007), Infinitybooks
- I.H. Witten, "Data Mining: Practical Machine Learning Tools and Techniques 3rd Ed" (2011), Morgan Kaufmann