딥러닝 기반 부실기업 예측모형에 관한 연구
A Study on the Prediction Model for Insolvent Companies Based on Deep Learning
0
조회
0
다운로드
13
인용
0
참고문헌
키워드
초록
부실기업 예측은 회계와 재무 분야에서 중요하게 다루어져 온 연구 주제이다. 특히, 급변하는 기업 환경과 최근 COVID-19 대유행으로 국내의 많은 기업이 기업 부실화로 재무적 어려움에 직면하고 있어 그 연구의 필요성이 더욱 강조되고 있다. 대표적인 관련 연구로는 기업부도 예측이 있지만, 부도기업은 사실상 사업활동을 중단한 기업으로 계속기업 간에 어떠한 기업이 부실 징후를 보이는지를 판단하는 기준으로 부적합하다는 한계점이 존재한다. 본 연구는 부실기업의 범주 중 하나인 한계기업을 그 예측대상으로 선정하였다. 한계기업은 3개년도 연속 이자보상비율이 1 미만인 기업으로, 사업활동을 영위하고 있으나 적정 수준의 이익을 지속적으로 확보하지 못하고 있는 부실기업을 의미한다. 본 연구에서는 한계기업 예측을 위한 방법으로 딥러닝 기법을 활용하였다. 딥러닝은 다양한 분야에서 그 우수성을 인정받아 최근 주목받고 있는 머신러닝 기법의 하나이지만 한계기업 예측을 위한 연구에서는 적용된 바가 없다. 본 연구는 여러 재무비율 변수를 독립변수로 하여 딥러닝 기법 중 RNN과 CNN를 적용하고, 선행연구에서 예측력이 뛰어나다고 보고된 머신러닝 앙상블 모형들과 그 성과를 비교하였다. 2017~2019년의 기업 데이터를 학습용 및 테스트용 데이터로 설정하여 분석한 결과, RNN-LSTM, RNN-GRU, CNN이 재현율(Recall)의 관점에서 우수한 성과를 보이는 것으로 나타났다. 그러므로 딥러닝 모형이 한계기업 예측에서도 널리 사용될 수 있는 분석방법이 될 것으로 기대된다.
Abstract
Predicting insolvent companies is a research topic that has been important in accounting and finance. Especially, due to the rapidly changing business environments and the recent COVID-19 pandemic, many domestic companies are facing financial adversity. Thus, the necessity of research on corporate insolvency is being emphasized. As a related research, there is a prediction of corporate bankruptcy, however, a bankrupt company is the company whose business activities have been suspended, and there is a limitation in which it is inappropriate to determine which companies show signs of bankruptcy among continuing companies. Therefore, marginal company, one of the categories of insolvent companies, is selected as the prediction target. Marginal companies are the firms that are operating income interest compensation ratio are less than 1 for three consecutive years, and are engaged in business activities but have not consistently secured adequate profits. In this study, deep learning techniques are used to predict them. It is one of the machine learning techniques that has recently attracted attention because of its excellence in various fields. Nonetheless, has not been applied in research to predict marginal companies. This study applies RNN and CNN among deep learning techniques using several financial ratios as independent variables. Their performance are compared with machine learning ensemble models that have been reported to have excellent predictive power in previous studies. As a result of analysis on corporate data from 2017 to 2019 as training and test data, deep learning models such as RNN-LSTM, RNN-GRU, and CNN are better in forecasting of marginal companies than the ensemble models in terms of Recall score. Therefore, the deep learning models are expected to become widely used in the prediction of marginal companies in the future.
참고문헌 (54)
- 강순심, "IFRS도입이후 분･반기 보고기준에 따른 연결 및 별도재무제표의 가치관련성 분석－유가증권시장과 코스닥시장의 비교－", 경영연구, 29(1), pp.223~261 (2014), 한국산업경영학회[DOI]
- 권혁건, "RNN(Recurrent Neural Network)을 이용한 기업부도예측모형에서 회계정보의 동적 변화 연구", 지능정보연구, 23(3), pp.139~153 (2017), 한국지능정보시스템학회
- 김명종, "기업부실 예측 데이터의 불균형 문제 해결을 위한 앙상블 학습", 지능정보연구, 15(3), pp.1~15 (2009), 한국지능정보시스템학회
- 김선배, "비상장 중소기업의 감가상각방법과 내용연수 변경이 법인세 등의 효과에 의한 재무수치와 재무비율에 미치는 영향－DK사의 사례－", 경영연구, 31(4), pp.1~26 (2016), 한국산업경영학회[DOI]
- 김성환, "대출기관의 부도 의사결정과 부실예측 모형의 내생성", 경영연구, 26(1), pp.99~132 (2011), 한국산업경영학회[DOI]
- 김승수, "비정형 정보와 CNN 기법을 활용한 이진 분류 모델의고객 행태 예측: 전자상거래 사례를 중심으로", 지능정보연구, 24(2), pp.221~241 (2018), 한국지능정보시스템학회[DOI]
- 김승혁, "Modified Bagging Predictors를 이용한 SOHO 부도 예측", 지능정보연구, 13(2), pp.15~26 (2007), 한국지능정보시스템학회
- 김종화, "순환신경망 모형을 활용한 시계열 비교예측", Journal of The Korean Data Analysis Society, 21(4), pp.1771~1779 (2019), 한국자료분석학회[DOI]
- 김진백, "인공지능 기법을 이용한 중소기업 부도예측에 있어 현금흐름변수의 유용성 검증", 대한경영학회지, 26, pp.229~250 (2000)
- 민성환, "개선된 배깅 앙상블을 활용한 기업부도예측", 지능정보연구, 20(4), pp.121~139 (2014), 한국지능정보시스템학회
- 민성환, "부도예측을 위한 KNN 앙상블 모형의 동시 최적화", 지능정보연구, 22(1), pp.1~19 (2016), 한국지능정보시스템학회
- 박종원, "재무비율을 이용한 부도예측에 대한 연구: 한국의 외부감사대상기업을 대상으로", 경영학연구, 43(3), pp.639~669 (2014), 한국경영학회
- 방성혁, "순환신경망 기반의 사용자 의도 예측 모델", 정보과학회논문지, 45(4), pp.360~369 (2018), 한국정보과학회[DOI]
- 배재권, "Voting 알고리즘과 인공신경망을 이용한 부도예측을 위한 통합알고리즘", 한국비즈니스리뷰, 3(2), pp.79~101 (2010)
- 송양호, "한계기업의 현황 및 회생방안 고찰", 동북아법연구, 5(2), pp.181~207 (2011), 동북아법연구소
- 엄하늘, "머신러닝 기반 기업부도위험 예측모델 검증 및 정책적 제언: 스태킹 앙상블 모델을 통한 개선을 중심으로", 지능정보연구, 26(2), pp.105~129 (2020), 한국지능정보시스템학회
- 빅데이터를 이용한 딥러닝기반의 기업부도예측 연구, "오세경", 1~113, pp.금융연구 working paper, 2017(8) (2017)
- 오영택, "국내 한계기업의 구조조정을 위한 법과 정책의 변화와 그 대안을 위한 서론적 고찰", 법학연구, 33, pp.181~200 (2011), 부설법학연구소
- 오우석, "인공지능기법을 이용한 기업부도 예측", 산업융합연구, 15(1), pp.17~32 (2017)
- 윤호중, "머신러닝을 이용한 한국 스포츠산업 기업의 부실 예측에 관한 연구", 한국체육학회지, 58(6), pp.165~176 (2019), 한국체육학회[DOI]
- 이건창, "기업도산 예측을 위한 통계적 모형과 인공지능모형간의 예측력 비교에 관한 연구: MDA, 귀납적 학습방법, 인공신경망", 한국경영과학회지, 18(2), pp.57~81 (1993)
- 이기영, "공적 신용보증이 한계기업의 생존에 미치는 효과", 재정학연구, 8(4), pp.71~90 (2015), 한국재정학회
- 이선민, "LSTM과 GRU 딥러닝 IoT 파워미터 기반의 단기 전력사용량 예측", 한국인터넷방송통신학회 논문지, 19(5), pp.79~85 (2019), 한국인터넷방송통신학회[DOI]
- 이인로, "회계정보와 시장정보를 이용한 부도예측모형의 평가 연구", 재무연구, 28(4), pp.625~665 (2015), 한국재무학회
- 이재식, "인공신경망을 이용한 중소기업도산예측에 있어서의 비재무정보의 유용성 검증", 한국전문가시스템학회지, 1(1), pp.123~134 (1995)
- 이찬호, "기업구조조정 혁신을 위한 선제적 한계기업 예측모형에 관한 연구", 기술혁신학회지, 23(4), pp.637~667 (2020), 한국기술혁신학회[DOI]
- 이화득, "분기보고의 시행과 반기재무제표 공시의 정보효과에 관한 연구", 경영연구, 19(3), pp.241~266 (2004), 한국산업경영학회
- 조성표, "불황기에서 회계정보에 의한 기업 부실화 예측", 경영연구, 22(1), pp.1~32 (2007), 한국산업경영학회[DOI]
- 차성재, "딥러닝 시계열 알고리즘 적용한 기업부도예측모형 유용성 검증", 지능정보연구, 24(4), pp.1~32 (2018), 한국지능정보시스템학회
- 최하나, "앙상블 SVM 모형을 이용한 기업 부도 예측", 한국데이터정보과학회지, 24(6), pp.1113~1125 (2013), 한국데이터정보과학회[DOI]
- Alexandropoulos, S. A. N., "A deep dense neural network for bankruptcy prediction", International conference on engineering applications of neural networks, pp.435~444 (2019), Springer
- Altman, E. I., "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy", The Journal of Finance, 23(4), pp.589~609 (1968)
- Arratia, A., "Convolutional neural networks, image recognition and financial time series forecasting", Workshop on Mining Data for Financial Applications, pp.60~69 (2019), Springer
- Atiya, A. F., "Bankruptcy prediction for credit risk using neural networks : A survey and new results", IEEE Transactions on Neural Networks, 12(4), pp.929~935 (2001)
- Barboza, F., "Machine learning models and bankruptcy prediction", Expert Systems with Applications, 83, pp.405~417 (2017)
- Bengio, Y., "Representation learning : A review and new perspectives", IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8), pp.1798~1828 (2013)
- Caballero, R. J., "Zombie lending and depression restructuring in Japan", American Economic Review, 98(5), pp.1943~1977 (2008)
- Dietterich, T. G., "Machine-learning research", AI Magazine, 18(4), pp.97~97 (1997)
- Hosaka, T., "Bankruptcy prediction using imaged financial ratios and convolutional neural networks", Expert System with Applications, 117, pp.287~299 (2019)
- Kim, H. S., "Support vector machines for default prediction of SMEs based on technology credit", European Journal of Operational Research, 201(3), pp.838~846 (2010)
- Le, H. H., "Predicting bank failure : An improvement by implementing a machine-learning approach to classical financial ratios", Research in International Business and Finance, 44, pp.16~25 (2012)
- LeCun, Y., "Convolutional networks for images, speech, and time series", The Handbook of Brain Theory and Neural Networks, 3361(10), pp.3~14 (1995)
- Lee, T. S., "Credit scoring using the hybrid neural discriminant technique", Expert Systems with Applications, 23(3), pp.245~254 (2002)
- Mai, F., "Deep learning models for bankruptcy prediction using textual disclosures", European Journal of Operational Research, 274, pp.743~758 (2019)
- Mikolov, T., "Recurrent neural network based language model", INTERSPEECH-2010, pp.1045~1048 (2010)
- Odom, M. D., "A neural network model for bankruptcy prediction", 1990 IJCNN International Joint Conference on Neural Networks, pp.163~168 (1990)
- Ohlson, J. S., "Financial ratios and probabilistic prediction of bankruptcy", Journal of Accounting Research, 18(1), pp.109~131 (1980)
- Ribeiro, B., "High-performance bankruptcy prediction model using graphics processing units", The 2010International Joint Conference on Neural Networks (IJCNN), pp.1~7 (2010)
- Ribeiro, B., "Financial distress model prediction using SVM+", The 2010 International Joint Conference on Neural Networks(IJCNN), pp.1~7 (2010)
- Shin, K. S., "An application of support vector machines in bankruptcy prediction model", Expert Systems with Applications, 28(1), pp.127~135 (2005)
- Sun, T., "Predicting credit card delinquencies: An application of deep neural networks", Intelligent Systems in Accounting, Finance and Management, 25(4), pp.174~189 (2018)
- Vochozka, M., "Bankruptcy or success? The effective prediction of a company’s financial development using LSTM", Sustainability, 12(18), pp.1~17 (2020)
- Yeh, S., "Deep belief networks for predicting corporate defaults", 2015 24th Wireless and Optical Communication Conference (WOCC), pp.159~163 (2015)
- Zmijewski, M. E., "Methodological issues related to the estimation of financial distress prediction models", Journal of Accounting Research, 22, pp.59~82 (1984)