딥러닝 시계열 알고리즘 적용한 기업부도예측모형 유용성 검증 = Corporate Default Prediction Model Using Deep Learning Time Series Algorithm, RNN and LSTM

다국어 초록 (Multilingual Abstract)

In addition to stakeholders including managers, employees, creditors, and investors of bankrupt companies, corporate defaults have a ripple effect on the local and national economy. Before the Asian financial crisis, the Korean government only analyzed SMEs and tried to improve the forecasting power of a default prediction model, rather than developing various corporate default models. As a result, even large corporations called 'chaebol enterprises' become bankrupt. Even after that, the analysis of past corporate defaults has been focused on specific variables, and when the government restructured immediately after the global financial crisis, they only focused on certain main variables such as 'debt ratio'.
A multifaceted study of corporate default prediction models is essential to ensure diverse interests, to avoid situations like the 'Lehman Brothers Case' of the global financial crisis, to avoid total collapse in a single moment.
The key variables used in corporate defaults vary over time. This is confirmed by Beaver (1967, 1968) and Altman’s (1968) analysis that Deakins'(1972) study shows that the major factors affecting corporate failure have changed. In Grice's (2001) study, the importance of predictive variables was also found through Zmijewski’s (1984) and Ohlson’s (1980) models. However, the studies that have been carried out in the past use static models. Most of them do not consider the changes that occur in the course of time. Therefore, in order to construct consistent prediction models, it is necessary to compensate the time-dependent bias by means of a time series analysis algorithm reflecting dynamic change.
Based on the global financial crisis, which has had a significant impact on Korea, this study is conducted using 10 years of annual corporate data from 2000 to 2009. Data are divided into training data, validation data, and test data respectively, and are divided into 7, 2, and 1 years respectively. In order to construct a consistent bankruptcy model in the flow of time change, we first train a time series deep learning algorithm model using the data before the financial crisis (2000~2006). The parameter tuning of the existing model and the deep learning time series algorithm is conducted with validation data including the financial crisis period (2007~2008). As a result, we construct a model that shows similar pattern to the results of the learning data and shows excellent prediction power. After that, each bankruptcy prediction model is restructured by integrating the learning data and validation data again (2000 ~ 2008), applying the optimal parameters as in the previous validation. Finally, each corporate default prediction model is evaluated and compared using test data (2009) based on the trained models over nine years. Then, the usefulness of the corporate default prediction model based on the deep learning time series algorithm is proved. In addition, by adding the Lasso regression analysis to the existing methods (multiple discriminant analysis, logit model) which select the variables, it is proved that the deep learning time series algorithm model based on the three bundles of variables is useful for robust corporate default prediction.
The definition of bankruptcy used is the same as that of Lee (2015). Independent variables include financial information such as financial ratios used in previous studies. Multivariate discriminant analysis, logit model, and Lasso regression model are used to select the optimal variable group. The influence of the Multivariate discriminant analysis model proposed by Altman (1968), the Logit model proposed by Ohlson (1980), the non-time series machine learning algorithms, and the deep learning time series algorithms are compared.
In the case of corporate data, there are limitations of 'nonlinear variables', 'multi-collinearity' of variables, and 'lack of data'. While the logit model is nonlinear, the Lasso regression model solves the multi-collinear...

국문 초록 (Abstract)

본 연구는 경제적으로 국내에 큰 영향을 주었던 글로벌 금융위기를 기반으로 총 10년의 연간 기업데이터를이용한다. 먼저 시대 변화 흐름에 일관성있는 부도 모형을 구축하는 것을 목표로 금융위기 이전(2000~2006년) 의 데이터를 학습한다. 이후 매개 변수 튜닝을 통해 금융위기 기간이 포함(2007~2008년)된 유효성 검증 데이터가 학습데이터의 결과와 비슷한 양상을 보이고, 우수한 예측력을 가지도록 조정한다. 이후 학습 및 유효성 검증데이터를 통합(2000~2008년)하여 유효성 검증 때와 같은 매개변수를 적용하여 모형을 재구축하고, 결과적으로최종 학습된 모형을 기반으로 시험 데이터(2009년) 결과를 바탕으로 딥러닝 시계열 알고리즘 기반의 기업부도예측 모형이 유용함을 검증한다.
부도에 대한 정의는 Lee(2015) 연구와 동일하게 기업의 상장폐지 사유들 중 실적이 부진했던 경우를 부도로선정한다. 독립변수의 경우, 기존 선행연구에서 이용되었던 재무비율 변수를 비롯한 기타 재무정보를 포함한다.
이후 최적의 변수군을 선별하는 방식으로 다변량 판별분석, 로짓 모형, 그리고 Lasso 회귀분석 모형을 이용한다. 기업부도예측 모형 방법론으로는 Altman(1968)이 제시했던 다중판별분석 모형, Ohlson(1980)이 제시한 로짓모형, 그리고 비시계열 기계학습 기반 부도예측모형과 딥러닝 시계열 알고리즘을 이용한다.
기업 데이터의 경우, ‘비선형적인 변수들’, 변수들의 ‘다중 공선성 문제’, 그리고 ‘데이터 수 부족’이란 한계점이 존재한다. 이에 로짓 모형은 ‘비선형성’을, Lasso 회귀분석 모형은 ‘다중 공선성 문제’를 해결하고, 가변적인데이터 생성 방식을 이용하는 딥러닝 시계열 알고리즘을 접목함으로서 데이터 수가 부족한 점을 보완하여 연구를 진행한다.
현 정부를 비롯한 해외 정부에서는 4차 산업혁명을 통해 국가 및 사회의 시스템, 일상생활 전반을 아우르기위해 힘쓰고 있다. 즉, 현재는 다양한 산업에 이르러 빅데이터를 이용한 딥러닝 연구가 활발히 진행되고 있지만, 금융 산업을 위한 연구분야는 아직도 미비하다. 따라서 이 연구는 기업 부도에 관하여 딥러닝 시계열 알고리즘 분석을 진행한 초기 논문으로서, 금융 데이터와 딥러닝 시계열 알고리즘을 접목한 연구를 시작하는 비 전공자에게 비교분석 자료로 쓰이기를 바란다.

참고문헌 (Reference)

1 김명종, "회사채 신용등급 예측을 위한 SVM 앙상블학습" 한국지능정보시스템학회 18 (18): 29-45, 2012

2 이인로, "회계정보와 시장정보를 이용한 부도예측모형의 평가 연구" 한국재무학회 28 (28): 625-665, 2015

3 박종원, "재무비율을 이용한 부도예측에 대한 연구: 한국의 외부감사대상기업을 대상으로" 한국경영학회 43 (43): 639-669, 2014

4 홍승현, "유전자 알고리즘을 활용한 인공신경망 모형 최적입력변수의 선정: 부도예측 모형을 중심으로" 한국지능정보시스템학회 9 (9): 227-249, 2003

5 민성환, "부도예측을 위한 KNN 앙상블 모형의 동시 최적화" 한국지능정보시스템학회 22 (22): 1-19, 2016

6 김상봉, "부도에측모형을 이용한 기업부실화의 원인분석" 지암남덕우경제연구원 40 (40): 85-106, 2011

7 김윤대, "벌점 부분최소자승법을 이용한 분류방법" 한국데이터정보과학회 22 (22): 931-940, 2011

8 김명종, "기업부실 예측 데이터의 불균형 문제 해결을 위한 앙상블 학습" 한국지능정보시스템학회 15 (15): 1-15, 2009

9 민성환, "개선된 배깅 앙상블을 활용한 기업부도예측" 한국지능정보시스템학회 20 (20): 121-139, 2014

10 Kim, J. B., "Usability of Cash Flow Data in Predicting Bankruptcy Using Artificial Intelligence Techniques: The Case of Small and Medium Sized Firms" (26) : 229-250, 2000

11 Swedberg, R., "The Structure of Confidence and the Collapse of Lehman Brothers" 2009

12 Grice, J. S., "The Limitations of Bankruptcy Prediction Models: Some Cautions for the Researcher" 17 (17): 151-166, 2001

13 Kim, G. P., "The Fourth Industrial Revolution in Major Countries and Growth Strategy of Korea:U.S., Germany and Japan Cases" Korea Institute for International Economic Policy, Policy Analysis 2017

14 Lee, J. S., "Test of Non-Financial Information in Bankruptcy Prediction using Artificial Neural Network - The Case of Small and Medium - Sized Firms - )" 1 (1): 123-134, 1995

15 Welch, B. L., "Student’ and Small Sample Theory" 53 (53): 777-788, 1958

16 Tibshirani, R., "Regression Shrinkage and Selection via the Lasso" 58 (58): 267-288, 1996

17 권혁건, "RNN(Recurrent Neural Network)을 이용한 기업부도예측모형에서 회계정보의 동적 변화 연구" 한국지능정보시스템학회 23 (23): 139-153, 2017

18 김명종, "Optimizing SVM Ensembles Using Genetic Algorithms in Bankruptcy Prediction" 한국정보통신학회 8 (8): 370-376, 2010

19 Zmijewski, M. E., "Methodological issues related to the estimation of financial distress prediction models" 22 : 59-82, 1984

20 Wang, H., "Large Unbalanced Credit Scoring Using Lasso-Logistic Regression Ensemble" 10 (10): 2015

21 No, G. M., "ICT Policy Direction After 100-days Moon Jae-in government launched" National Information Society Agency 2017

22 Beaver, W. H., "Financial ratios as predictors of bankruptcy" (Supplement) : 71-102, 1966

23 Addal, S., "Financial forecasting using machine learning" African Institute for Mathematical Science 1-32, 2016

24 Altman, E. I., "Financial Ratios, Discriminant Analysis and the Predication of Corporate Bankrupcy" 23 (23): 589-609, 1968

25 Ohlson, J. A., "Financial Ratios and the Probabilistic Prediction of Bankruptcy" 109-131, 1980

26 Kim, S. J., "Estimation Model applied Random Forest for Corporate Bond Ratings" 371-376, 2014

27 Presidential Committee on the Fourth Industrial Revolution, "Data Industry Promotion Strategy – I-KOREA 4.0 Data Field Plan, I-DATA+" 2017

28 Yeh, S., "Corporate default prediction via deep learning" 24 : 1-8,

29 Lee, K. C., "Comparative Study on the Bankruptcy Prediction Power of Statistical Model and Al Models : MDA , Inductive Learning , Neural Network )" 18 (18): 57-81, 1993

30 조남옥, "Bankruptcy Type Prediction Using A Hybrid Artificial Neural Networks Model" 한국지능정보시스템학회 21 (21): 79-99, 2015

31 조남옥, "Bankruptcy Prediction Modeling Using Qualitative Information Based on Big Data Analytics" 한국지능정보시스템학회 22 (22): 33-56, 2016

32 Shapiro, S. S., "An analysis of variance test for normality (complete samples)" 52 : 591-611, 1965

33 Bae, J. K., "An Integrated Approach to Predict Corporate Bankruptcy with Voting Algorithms and Neural Networks" 3 (3): 79-101, 2010

34 Kim, Y. T., "An Artificial Neural Network Model for Business Failure Prediction" 6 (6): 275-294, 2001

35 Kapinos, P., "A Top-Down Approach to Stress-Testing Banks" 49 (49): 229-264, 2016

36 Park, J. Y., "A Prediction Model of Small Business Bankruptcy" 202-204, 2007

37 Deakin, E. B., "A Discriminant Analysis of Predictors of Business Failure" 10 (10): 167-179, 1972