기계학습 기반 기업신용정보 분석을 통한 채무불이행 예측

류두진; 송민찬

추천

검색

자료유형: 학술저널

저자정보: 류두진 (성균관대학교) 송민찬 (NICE디앤비)

저널정보: 한국재무학회 재무연구 재무연구 제34권 제4호

발행연도: 2021.11

수록면: 199 - 234 (36page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

본 연구는 신용정보 표본DB 원격분석시스템에서 제공하는 기업신용정보를 분석하여기업의 채무불이행을 예측한다. 사업자 구분에 따라 분석대상을 나누고 표본DB에서제공하는 기업신용정보의 활용에 따른 실험을 구성한다. 또한, 다양한 기계학습기법을 모수 추정 방식에 따라 모수적 방법론, 비모수적 방법론, 준모수적 방법론으로구분하여 예측성과를 비교한다. 표본DB 원시데이터를 활용한 분석보다 대출 및 연체종류에 따라 가공한 자료를 활용하는 경우 각 기계학습 모형별 성능개선이 관측되었으나, 기업 차주의 특성정보와 기술신용평가 정보의 활용은 모형별 성능개선에 기여하지못하였다. 모든 세그먼트에서 준모수적 방법론에 해당하는 심층신경망 모형에 대해성능이 가장 우수한 것으로 확인되었으며, 트리계열이 아닌 비모수적 방법론의 경우재현율이 낮게 관측되어 채무불이행 예측 문제에 적합하지 않았다. 기존 실무에서사용되는 모수적 방법론을 활용한 경우보다 준모수적 방법론을 활용할 경우 분류성능이 향상됨을 확인하였다. 본 연구는 실제 기업신용정보에 대해 구성된 표본DB를활용하여 기업부실 예측을 시도한 최초의 연구이며, 기업신용정보를 활용하는 여신금융기관과 신용정보사의 자료 활용 및 모형 구축에 대한 방향성을 제시한다.

This paper investigates the ability to predict corporate default rates using loan-sample data from the Korea Credit Information Service's financial big data open system (CreDB). The corporate loan from financial institution increases financial institution's credit exposure. Because measurement of the impact on the credit risk in the financial institution is used in determining the pricing model and structure of loan products, it is an essential factor for the financial institution that affects its profit structure. In terms of risk management, predicting delinquency using loan data is necessary for 5,000 Korean financial institutions. In several studies, bankruptcy forecasting was conducted on listed companies that disclosed financial and stock price information. However, this study increases the practical utility by extending the analysis target to individual entrepreneurs and small and medium-sized enterprises(SMEs). In addition, this study presents representative big data analysis results by utilizing loan, delinquency, and technology credit information of approximately 1.1 million corporations, which is 20% of almost 5.6 million domestic sole proprietors and non-listed corporations. For loan data, it includes ten monthly loan type codes and eleven overdue reason codes. Prediction targets are separated by individual and corporate entrepreneurs. Also, analyses are divided by use of the processed dataset. For efficient analysis, the data dimension was reduced by changing the table structure through nested iterative operations while expanding the variable composition from a table consisting of N rows to one column. To reflect the characteristics of the data as much as possible, exploratory data analysis and feature-engineering were performed to process the data. Also, classification models are classified by four groups using a parametric method that nine models train for classification. Group 1 consists of Logistic Regression and Linear discriminant analysis based on the parametric method, group 2 consists of several algorithms that calculate the distance for model learning. In addition, group 3 consists of tree-based algorithms, which are also non-parametric methods. Group 4 consists of the semi-parametric method, which is deep neural network. However, out of the total 438,697 corporations, 810 defaulted, accounting for only 0.2% of the forecast, so the target distribution is severely imbalanced. For this reason, before model fitting, under sampling of imbalanced data was performed. The bias of the sampled training and validation data is minimized by performing. K-fold cross validation as much as the level of K=5. Finally, the analysis result suggests a significant effect on classification performance when the processed data is used. However, this study suggests no significant effect on performance when loan owner's characteristics are included. Moreover, tech-credit rating (TCB) information gives any meaningful effect regarding the type of corporation. Also, classification with Deep Neural Network (DNN), which is based on the Semi-parametric method, makes the best performance of binary classification. Non-parametric and Non-tree based models are not appropriate methods for analyzing loan data. In the case of the DNN based on the semi-parametric methodology, the highest classification performance was confirmed for all analyses and entrepreneurs' classifications performed in this study. The neural network used in this study consists of 14 hidden layers. According to the neural network baseline design, the sigmoid function was applied to the activation function's initial value, the relu function was applied to the hidden layer, and optimization was performed through the Adam optimizer. In particular, the analysis of credit transaction information based on credit information of all financial institutions in Korea was conducted, and there is a possibility for alleviating information asymmetry of individual credit institutions regarding risk management targets. In addition, in the case of parametric methodologies used in classical studies and most used in practice, the average classification performance for major segments was inferior to that of semi-parametric methodologies. Furthermore, the difference between these performances is up to 16 percent. This paper suggests the direction of using loan-sample data. It is foundational research for financial institutions that are using loan data for credit risk management. It is necessary to expand research focusing on semi-parametric methodologies about corporate credit information analysis

#기계학습 #부실위험 #여신거래정보 #채무불이행 예측 #표본DB원격분석시스템 #Corporate Loan Data #Distress Risk #Machine Learning #Predicting Loan Delinquency #Sample DB Remote Analysis System

참고문헌 (41)

참고문헌 신청

권누리 / 2019 / 거시경제 변수를 고려한 한국기업부도 모형 구축 방법 연구 / 한국데이터정보과학회지 30(5):1037~1050

권혁건 / 2017 / RNN(Recurrent Neural Network)을 이용한 기업부도예측모형에서 회계정보의 동적 변화 연구 / 지능정보연구 23(3):139~153

김형준 / 2019 / 기업부도예측과 기계학습 / 金融工學硏究 18(3):131~152

박대현 / 2021 / 기계학습 기반 주택시장의 조기경보체계 / 부동산분석 7(1):29~45

박호연 / 2018 / Predicting Corporate Bankruptcy using Simulated Annealing-based Random Forests / 지능정보연구 24(4):155~170

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

류두진

소속기관 성균관대학교

주요연구분야 사회과학 > 경영학

논문수 8 이용수 158

송민찬

소속기관 NICE디앤비

주요연구분야 사회과학 > 경영학

논문수 2 이용수 47

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (41)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)