가변적 데이터 생성법 적용한 딥러닝 시계열 알고리즘 기반 기업부도 예측 모형의 효과성에 관한 연구 = (A) study on the effectiveness of the corporate default prediction model based on the deep learning time series algorithm using the variable data generation method

Cited 0 time in webofscience Cited 0 time in scopus
  • Hit : 749
  • Download : 0
본 연구는 경제적으로 국내에 큰 영향을 주었던 글로벌 금융위기를 기반으로 총 10년의 연간 기업데이터를 이용한다. 먼저 시대 변화 흐름에 일관성있는 부도 모형을 구축하는 것을 목표로 금융위기 이전(2000~2006년)의 데이터를 학습한다. 이를 바탕으로 금융위기 기간을 포함(2007~2008년)한 유효성 검증 데이터가 학습데이터의 결과와 비슷한 양상을 보이고, 우수한 예측력을 가지도록 매개변수를 튜닝한다. 이후 학습 및 유효성 검증 데이터를 통합(2000~2008년)하여 튜닝된 매개변수를 적용하여 모형을 재구축한다. 이를 통해 최종 학습된 모형으로 시험 데이터(2009년)를 예측하고 다양한 알고리즘과 결과를 비교함으로서 딥러닝 시계열 알고리즘 기반의 기업부도예측 모형이 유용함을 검증한다. 부도에 대한 정의는 이인로(2015) 저자의 연구와 동일하게 기업의 상장폐지 사유들 중 실적이 부진했던 경우를 부도로 선정한다. 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. 최종적으로 기업부도예측 모형 방법론으로는 Altman(1968)이 제시했던 다중판별분석 모형, Ohlson(1980)이 제시한 로짓 모형, Merton(1974)의 KMV 모형 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, 가변적인 데이터 생성 방식을 이용하는 딥러닝 시계열 알고리즘을 접목함으로서 데이터 수가 부족한 점을 보완하여 기존의 연구와 비교되는 효과성을 보이고자 한다. 현 정부를 비롯한 해외 정부에서는 4차 산업혁명을 통해 국가 및 사회의 시스템, 일상생활 전반을 아우르기 위해 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.
Advisors
강장구researcherKang, Jangkooresearcher
Description
한국과학기술원 :금융공학프로그램,
Publisher
한국과학기술원
Issue Date
2019
Identifier
325007
Language
kor
Description

학위논문(석사) - 한국과학기술원 : 금융공학프로그램, 2019.2,[iii, 29 p. :]

Keywords

최적 변수 선별▼aLasso 회귀분석▼a딥러닝 시계열 알고리즘▼a가변적 데이터 생성법▼a기업 부도; Optimal feature selection▼alasso regression▼adeep learning time series algorithm▼avariable data generation method▼acorporate default

URI
http://hdl.handle.net/10203/265726
Link
http://library.kaist.ac.kr/search/detail/view.do?bibCtrlNo=844741&flag=dissertation
Appears in Collection
KGSF-Theses_Master(석사논문)
Files in This Item
There are no files associated with this item.

qr_code

  • mendeley

    citeulike


rss_1.0 rss_2.0 atom_1.0