시계열 패턴 기반 신용 부도 예측: 시계열 데이터 불균형 완화 및 딥러닝 적용 = Temporal Pattern-Based Credit Default Prediction: Time-Series Data Imbalance Mitigation and Deep Learning Application

국문 초록 (Abstract)

현실에는 채무 불이행을 하는 경우는 그렇지 않은 경우보다 훨씬 적어 불균형하다는 문제가 있다. 이러한 데이터 불균형 문제는 예측 모델의 성능 저하를 초래하는 주요 요인으로 작용한다. 본 연구에서는 이와 같은 불균형 문제를 해결하기 위해 시계열 기반의 데이터 증강 기법인 T-SMOTE를 도입한다. T-SMOTE는 전통적인 SMOTE와 달리, 시계열 데이터의 연속성을 반영하여 경계에 가까운 샘플을 생성함으로써 예측 모델의 성능을 향상시킬 수 있다. 그러나 기존 T-SMOTE는 짧은 시계열에 대해서는 해결하지 못한다는 단점이 있었는데, 이를 Zero-Padding기법을 적용함으로써 해결하였다. 아메리칸 익스프레스에서 제공된 데이터를 통해 비교 실험한 결과, T-SMOTE 기법이 데이터 불균형 문제 완화에 있어 우수한 성능을 나타냈다. 이러한 연구 결과는 발전된 데이터 증강 기술이 금융 산업에서 신용 리스크 관리의 새로운 가능성을 보여준다.

다국어 초록 (Multilingual Abstract)

Credit default cases are considerably rarer than non-default cases, leading to a significant class imbalance issue. This imbalance negatively impacts the performance of predictive models. To tackle this problem, this study introduces T-SMOTE, a time-series-based data augmentation technique. Unlike traditional SMOTE, T-SMOTE leverages the continuity of time-series data to generate samples that are closer to the boundaries, thereby enhancing model performance. However, the original T-SMOTE had a limitation in handling short time-series data, which was addressed by incorporating the Zero-Padding technique. Comparative experiments using data from American Express showed that T-SMOTE effectively mitigates the data imbalance problem. These findings suggest that advanced data augmentation technologies can create new opportunities for credit risk management in the financial industry.