AUROC기반의 부도예측 앙상블 모형 = AUROC-based Ensemble Model for Bankruptcy Prediction

국문 초록 (Abstract)

본 연구는 범주 불균형이 존재하는 기업부도 예측문제를 해결하기 위하여 AUROC 기반의 앙상블 학습기법인 AUCBoost 모형을 제안한다. AdaBoost 알고리즘은 오분류된 표본에 강화된학습기회를 제공하는 장점이 있지만, 산술평균에 기초하여 기저 분류자의 결합 가중치를 결정한다는 점에서 범주 불균형 문제의 해결에 한계점이 있다. AUCBoost 알고리즘은 범주 불균형의 성과지표로 활용되는 AUROC를 활용하여 AdaBoost 앙상블 학습을 수정한 부스팅 기법이다. AUCBoost 알고리즘은 이차계획법을 활용하여 최종 분류자의 AUROC를 최대화하는 것을 학습목표로 한다. 실증분석을 위하여 정상기업 10,000개의 관측치와 500개 부도기업 관측치로구성된 샘플을 수집하여 범주 불균형 비율에 따라 5개의 하위 샘플로 구성하였다. 7개 재무비율군에서 가장 높은 AUROC를 가진 7개의 재무비율을 독립변수로 선정하였다. 각 하위 샘플별로 30회의 교차타당성 검증을 수행한 결과, 첫째, 범주 불균형 비율은 앙상블 학습 성과에 부정적인 영향을 미치는 것으로 분석되었다. 둘째, AUCBoost 알고리즘은 기존 AdaBoost 앙상블 학습의 유의한 성과개선 효과를 제공하는 것으로 분석되었다. 마지막으로 범주 불균형 정도가 심해질수록 AUCBoost의 성과개선 효과가 높아지는 것으로 분석되었다.

참고문헌 (Reference)

1 신현규, "핀테크에 따른 전자어음의 새로운 위상" 은행법학회 13 (13): 63-113, 2020

2 맹수석, "핀테크(FinTech) 진전과 금융소비자보호 방안" 한국기업법학회 31 (31): 331-365, 2017

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

4 김은미, "온라인 P2P 환경에서 딥러닝을 적용한 다분류 기반 개인신용등급 예측모형" 한국인터넷전자상거래학회 19 (19): 43-57, 2019

5 최하나, "앙상블 SVM 모형을 이용한 기업 부도 예측" 한국데이터정보과학회 24 (24): 1113-1125, 2013

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

7 김형준, "기업부도예측과 기계학습" 한국금융공학회 18 (18): 131-152, 2019

8 조성빈, "기업도산예측에 대한 의사결정나무 앙상블 모델 평가" 한국경영공학회 25 (25): 63-71, 2020

9 배재권, "국내 인터넷전문은행 서비스의 이용요인 및 활성화요인에 관한 연구" 사단법인 인문사회과학기술융합학회 8 (8): 897-907, 2018

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

11 Davis, J., "The relationship between precision-recall and roc curves" ACM 233-240, 2006

12 Elkan, C., "The foundations of cost-sensitive learning" 2 : 973-978, 2001

13 Chawla, N. V., "SMOTEBoost : Improving prediction of the minority class in boosting" 107-119, 2003

14 Provost, F., "Robust classification for imprecise environments" 42 : 203-231, 2001

15 Seiffert, C., "RUSBoost : Improving classification performance when training data is skewed" 1-4, 2008

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

17 Buta, P., "Mining for financial knowledge with CBR" 9 (9): 34-41, 1994

18 Tam, K. Y., "Managerial applications of neural networks : the case of bank failure predictions" 38 (38): 926-947, 1992

19 신동인, "KOSDAQ 시장의 관리종목 지정 탐지 모형 개발" 한국지능정보시스템학회 24 (24): 157-176, 2018

20 Messier, W. F. Jr., "Inducing rules for expert system development : an example using default and bankruptcy data" 34 (34): 1403-1415, 1998

21 Kim, M. J., "Geometric mean based boosting algorithm with over-sampling to resolve data imbalance data imbalance problem for bankruptcy prediction" 42 : 1074-1082, 2015

22 Tai, Qiu-yue, "GA-optimized Nonlinear Fuzzy Normalization Approach in Back-Propagation Neural Network for Bankruptcy Prediction Modeling" 294-302, 2010

23 Altman, E. L., "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy" 23 (23): 589-609, 1968

24 Beaver, W., "Financial ratios as predictors of failure, empirical research in accounting：Selected studied" 4 (4): 71-111, 1996

25 Ohlson, J., "Financial ratios and the probabilistic prediction of bankruptcy" 18 (18): 109-131, 1980

26 Schapire R. E., "Boosting the margin: a new explanation for the effectiveness of voting methods" 1997

27 Fawcett, T., "An introduction to ROC anlysis" 27 : 861-874, 2006

28 Shin, K., "An application of support vector machines in bankruptcy prediction" 28 : 127-135, 2005

29 Buda, M., "A systematic study of the class imbalance problem in convolutional neural networks" 106 : 249-259, 2018

30 Dimitras, A. I., "A survey of business failure with an emphasis on prediction methods and industrial applications" 90 (90): 487-513, 1996

31 Weng, C. G., "A new evaluation measure for imbalanced datasets" Australian Computer Society, Inc 27-32, 2008

32 Freund, Y., "A decision-theoretic generalization of on-line learning and an application to boosting" 55 : 119-139, 1997

33 Kim, M. J., "A Performance Comparison of Ensemble in Bankruptcy Prediction" 8 (8): 41-49, 2009