KCI등재
머신러닝 기반 기업부도 예측모델의 이상치 분류기준 재정의에 따른 성능 비교연구 = A Comparative study of the performance of machine learning-based corporate default prediction models by redefining outlier classification criteria
최근 은행들이 머신러닝 모델 개발에 있어서 소수 범주의 관측치 수와 다수 범주의 관측치 수의 극심한 불균형으로 세분화 모델 개발에 어려움을 겪고 있다. 본 연구에서는 기존에 연구된 샘플링기법처럼 관측치 수를 늘리거나 줄이지 않고 소수 범주를 구분하는 기준만 바꾸어 불균형을 해소하는 방법을 제안하였다. 연구를 위해 나이스평가정보 데이터의 기업 재무정보와 신용등급 평가정보를 이용하였다. 연구 대상기업은 외감기업 5,705개로 재무지표 22개를 추출하여 독립변수로 사용하였으며, 부도의 정의를 한국기업평가 신용등급으로 구분하여 재정의 한 후 종속변수 사용하여 와이즈 프로핏의 오토머신러닝 플랫폼에 있는 XG BOOST 알고리즘 등을 사용하여 실험 연구하였다. 머신러닝 알고리즘의 훈련과 검증 비율은 7:3으로 하였으며, 실험결과는 오차행렬로 측정하였다. 실험은 1차와 2차로 나누어 하였다. 1차 실험은 부도 재정의에 따른 각각의 데이터로 훈련시킨 머신러닝 모델의 성능을 평가하였다. 1차 실험결과 이상치 분류기준의 재정의에 따라 데이터 불균형비율이 해소될수록 AUROC 값이 증가함을(0.5→0.831) 확인하였다. 2차 실험은 1차 실험을 통해 만들어진 각각의 모델에 실제 부도로 생성한 균형 데이터를 동일하게 사용하여 성능을 비교평가 하였다. 2차 실험한 결과 이상치 재정의를 통하여 불균형을 해소 시킨 데이터로 훈련한 모델이 재정의하지 않고 본래의 데이터로 훈련한 모델보다 성능이 좋음을 입증하였다.
더보기Recently, banks have been facing difficulties in developing segmentation models due to the extreme imbalance between the number of observations in the minority category and the number of observations in the majority category in the development of machine learning models.
In this study, we propose a method to resolve the imbalance by changing the criteria for classifying minority categories without increasing or decreasing the number of observations as in previously studied sampling techniques. For the study, we used corporate financial information and credit rating information from Nice Information Service co., Ltd. data. We extracted 22 financial indicators from 5,705 companies and used them as independent variables, and redefined the definition of default by dividing it into Korean corporate credit ratings, and used them as dependent variables to conduct experimental research using XG BOOST algorithms in Wise Profit's automated machine learning platform. The training and validation ratio of the machine learning algorithm was 7:3, and the experimental results were measured by the error matrix. The experiments were divided into two parts. The first experiment evaluated the performance of the machine learning model trained on the data of each default override. The results of the first experiment showed that the AUROC value increased (0.5 → 0.831) as the data imbalance ratio was reduced by redefining the outlier classification criteria. The second experiment compared the performance of each model created in the first experiment using the same balanced data generated from actual defaults. The results of the second experiment showed that the model trained with the data that resolved the imbalance through outlier redefinition performed better than the model trained with the original data without redefinition.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)