본문 바로가기
KERD
논문KCI 등재

저축은행 부실예측 모형의 머신러닝 기법으로의 전환과 예측력 개선의 주요 요인

A Transition to Financial Distress Prediction Machine Learning Model and Determinants of Forecast Accuracy

이상헌
예금보험공사 (Korea Deposit Insurance Corporation)|2021.12|금융안정연구 (Financial Stability Studies)|제22권 제2호|pp. 87-135|DOI 10.26588/kdic.2021.22.2.003

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

Machine learning머신러닝SMOTEFinancial Distress Prediction저축은행부실예측Savings bank이항 불균형 자료Imbalanced classification data
주제분류경제학

초록

본 연구는 기존의 금융기관 부실예측 모형을 머신러닝 기법으로 전환할 때 필요한 적용 방법론을 체계적으로 정리하고 저축은행을 대상으로 한 실증분석을 통해 대표적인 머신러닝 기법의 예측력 개선 효과를 분석한다. 이 과정에서 과대적합 및 편중된 분류 문제를 완화하기 위해 전진 교차검증과 SMOTE 기법을 적용하였다. 또한 부실예측 변수의 경제학적 해석이 가능하도록 부호 제약 Lasso 기법을 이용하여 변수를 축약하였다. 2008년부터 2019년까지의 저축은행 자료를 이용하여 실증 분석한 결과 머신러닝 모형은 기존의 로지스틱 회귀분석 모형에 비해 부실예측력을 높일 수 있음을 확인하였다. 주요 조건의 변화에 따른 민감도 분석 결과 머신러닝 기법에 따른 부실예측력 개선의 주요 요인은 이항 자료 불균형의 조정으로 나타났다. 따라서 기존의 통계적인 부실예측 모형을 머신러닝 기법으로 전환할 때 부실개체 샘플링 기법의 고도화가 중요함을 시사한다.

Abstract

The purpose of this study is to present a machine learning process for predicting the insolvency of financial institutions, and to analyze the effect of machine learning techniques and models through empirical analysis. In this process, forward chaining cross-validation and SMOTE technique are applied to mitigate over-fitting and imbalanced classification problems respectively. From the empirical analysis using Korean savings bank data from 2008 to 2019, machine learning models can increase bankruptcy prediction power compared to existing logistic regression model. In particular, to account for expected sign constraints, a sign-restricted LASSO model is used. From the sensitivity analysis, I find that the most significant factor in improving the prediction power is the treatment of the imbalanced binary data problem. Therefore, in order to improve the financial distress prediction power using machine learning, it is necessary to put more emphasis on imbalanced data sampling techniques.

참고문헌 (23)

  1. 강선민, "BIS비율과 부채비율: 상호저축은행 부실예측모형", 경영학연구, 42(1), pp.1~27 (2013), 한국경영학회
  2. 김남현, "저축은행의 레버리지와 부실예측", 기업경영연구, 27(3), pp.145~172 (2020), 한국기업경영학회
  3. 김영기, "SCOR모형을 활용한 상호저축은행 조기경보시스템 연구", 금융연구, 19(1), pp.33~68 (2005), 한국금융연구원
  4. 김한용, "불균형적인 이항 자료 분석을 위한 샘플링 알고리즘들: 성능비교 및 주의점", 응용통계연구, 30(5), pp.681~690 (2017), 한국통계학회
  5. 김형준, "기업부도예측과 기계학습", 金融工學硏究, 18(3), pp.131~152 (2019), 한국금융공학회[DOI]
  6. 남주하, "금융기관의 부실화 예측 모형 분석", 국제경제연구, 4(1), pp.33~57 (1998)
  7. 장영광, "상호저축은행 경영실태평가지표 타당성 분석 및 도산 예측", 금융연구, 9(1), pp.1~39 (2004), 한국금융학회
  8. Breiman, L., "Random Forests", Machine Learning, 45(1), pp.5~32 (2001)[DOI]
  9. Carmona, P., "Predicting Failure in the US Banking Sector: An Extreme Gradient Boosting Approach", International Review of Economics and Finance, 61(1), pp.304~324 (2018)[DOI]
  10. Chawla, N. V., "SMOTE : Synthetic Minority Over-Sampling Technique", Journal of Artificial Intelligence Research, 16(1), pp.321~357 (2011)[DOI]
  11. Chen, T., "XGBoost : A Scalable Tree Boosting System", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.785~794 (2016)
  12. Chicco, D., "Ten Quick Tips for Machine Learning in Computational Biology", BioData Mining, 10(35), pp.1~17 (2017)[DOI]
  13. Cortes, C., "Support-Vector Networks", Machine Learning, 20(3), pp.273~297 (1995)[DOI]
  14. Freund, Y., "Boosting a Weak Learning Algorithm by Majority", Information and Computation, 121(2), pp.256~285 (1995)[DOI]
  15. Freund, Y., "A Decision-theoretic Generalization of On-line Learning and an Application to Boosting", Journal of Computer and System Sciences, 55(1), pp.119~139 (1997)[DOI]
  16. Friedman, J., "Greedy Boosting Approximation : A Gradient Boosting Machine", Annals of Statistics, 29(5), pp.1189~1232 (2001)[DOI]
  17. Hastie, T, "The Elements of Statistical Learning" (2003)
  18. Hulse, J. V., "Experimental Perspectives on Learning from Imbalanced Data", Proceedings of the 24th International Conference on Machine Learning, pp.935~942 (2007)
  19. Constrained Lasso, Technical report, "James, G.M", University of Southern California, ~ (2013)
  20. Petropoulos, A., "Predicting Bank Insolvencies using Machine Learning Techniques", International Journal of Forecasting, 36(3), pp.1092~1113 (2017)[DOI]
  21. Model Evaluation, Model Selection, and Algorithm Selection in Machine Learning, "Raschka, S", ~ (2018)
  22. Predicting Bank Distress in the UK with Machine Learning, "Suss, J", Bank of England, ~, pp.Staff Working Paper No. 831 (2019)
  23. Meier, L., "The Group Lasso for Logistic Regression", Journal of the Royal Statistical Society, 70(1), pp.53~71 (2008)[DOI]

관련 논문AI추천

머신러닝과 오버샘플링(oversampling)을 이용한 상장기업 부도예측 연구노시현, 한희준한국계량경제학회 · 계량경제학보2025 · 제36권 제2호머신러닝을 이용한 창업기업의 대출부도 예측장영민신용보증기금 · 중소기업금융연구2024 · 제44권 제3호기업부도예측과 기계학습조훈, 김형준, 류두진한국금융공학회 · 金融工學硏究2019 · 제18권 제3호미관측 공통요인과 전이효과를 고려한 기업실패 예측 연구: 머신러닝과 전통적인 모형 비교박해랑, 조용민예금보험공사 · 금융안정연구2023 · 제24권 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 제3호

이 간행물의 다른 논문 (3건)

예금보험기금의 기금운용방식 다변화 방안:국내채권･해외채권 벤치마크를 중심으로윤선중pp. 1-50예금보험공사의 조직과 권한에 대한 공법적 고찰서승환pp. 51-85채무조정 상환의 실효율 결정요인 분석:개인워크아웃 제도를 중심으로박정수, 남주하, 류동훈pp. 137-168
원문 보기