중소기업 신용보강을 위한 딥러닝 기업 건전성 분류 (Classifications of SMEs’ Financial Soundness using Deep Learning)

서지정보

· 발행기관 : 한국금융공학회
· 수록지 정보 : 金融工學硏究 / 21권 / 2호 / 103 ~ 122페이지
· 저자명 : 송민찬, 류두진

초록

본 연구는 상관계수, 로지스틱 회귀, 랜덤포레스트를 활용한 각 변수선택법을 활용하여 접근성과 설명력이 높은 기업정보 중심의 모델을 구축한다. 이를 딥러닝 모형에 적합을 시켜 건전성 보유기업 여부를 분류한다. 분류모형 구축을 위해 한국기업지배구조원의 ESG 등급평가 자료 및 NICE 기업정보를 연구자료로 활용하였다. 분석자료를 심층 신경망 모형에 적합한 결과, 세 가지 변수선택법 방법론 중 임베딩 방식을 활용한 랜덤포레스트 기반의 피쳐셀렉션 모형에서 분류성능이 가장 높게 나타남을 확인하였으며, 이를 바탕으로 심층신경망의 은닉층을 확장하는 형태로 성능개선을 시도하였다. 5개의 은닉층을 통한 분류를 진행할 경우 기업의 건전성 보유 여부에 대해 예측할 수 있으며, 신경망 분석에서의 은닉층 확장이 계속적인 모형의 성능개선을 만들어내지는 못하는 것이 확인되었다. 본 연구는 중소기업을 위한 여신금융지원 체계가 요구되는 시점의 연구로서, 정책당국의 현행 여신금융 기관을 향한 중소기업과 소상공인 지원을 위한 정책방향과 실행방안을 간접적으로 제언한다. 또한, 현행 기업평가 체계에 대한 점검의 필요성과 딥러닝을 활용한 건전성 보유기업의 판별 가능성을 시사한다.

영어초록

This study investigates the effectiveness of binary classification in financial soundness by three feature selection methods using corporate information. We analyze the ESG-rating data from Korea Corporate Governance Service and corporate information data from NICE. For feature selection, the correlation coefficient, logistic regression, and random forest models are employed. Each model is fitted by a deep neural network for binary classification. The random-forest-based feature selection yields a significant performance improvement. Classification with the deep neural network can make better performance when its network has five hidden layers. The deep learning technique in our model enables a more effective credit-rating model than the existing system, even with easily accessible and available data. We suggest that financial institutions can use a deep learning classification model to find credit enhancement measures for SMEs.

참고자료

· 없음