다분류 Support Vector Machine을 이용한 한국 기업의 지능형 기업채권평가모형 (Intelligent Credit Rating Model for Korean Companies using Multiclass Support Vector Machines)

서지정보

· 발행기관 : 한국경영학회
· 수록지 정보 : 경영학연구 / 35권 / 5호 / 1479 ~ 1496페이지
· 저자명 : 안현철, 김경재, 한인구

초록

신용등급은 투자자나 채권자 등 다양한 이해관계자들이 특정 기업이나 그 기업에서 발행된 채권에 대한 위험을 평가하는지표로서, 정교한 등급평가는 개인의 투자위험 뿐만 아니라 금융시장 전체에 영향을 미칠 수 있는 중요한 요소 중 하나이다. 이러한 이유로 지금까지 기업 신용등급평가에 대한 다양한 연구가 진행되어 왔으며, 최근에는 특히 복잡한 재무데이터의 특성을 모형에 보다 잘 반영할 수 있는 것으로 알려진 인공지능기법, 특히 인공신경망의 우수한 예측능력을 활용한연구가 활발하게 진행되고 있다. 그러나, 인공신경망 기법은 입력자료 분포를 추정하기 위해 다량의 학습데이터가 필요하고, 과도적합문제(overfitting)로 인해 일반화의 어려움이 있을 뿐만 아니라, 지역 최소값(local minima)을 피하기 위한초기화 작업이 경험에 의존해야 하고, 기본적으로 ‘암상자 모형’이라서 각 변수의 중요도 등 모형을 해석하기 어렵다는 점등이 한계점으로 지적되어 왔다. 특히, 기업채권의 등급평가와 같이 다분류 문제의 경우에는 각 등급별 데이터가 희소하여 인공신경망처럼 다량의 학습데이터를 필요로 하는 모형은 구축이 불가능한 경우가 발생할 수 있다.
본 연구에서는 이에 대한 해결방안으로 최근 각광 받고 있는 다분류 support vector machine (SVM)을 채권등급평가에 적용하고자 한다. SVM은 명백한 이론적 근거에 기반하므로 결과 해석이 용이하고, 실제 응용에 있어서 인공신경망수준의 높은 성과를 내며, 적은 학습자료만으로 신속하게 분류학습을 수행할 수 있다는 장점을 갖고 있다. 또한 기존의학습 알고리즘은 경험적 위험 최소화 원칙(empirical risk minimization)을 구현하는 것인데 비해, SVM은 구조적 위험 최소화 원칙(structural risk minimization)에 기반하므로 과도적합문제를 어느 정도 피할 수 있다는 장점도 갖고있다. 본 연구에서는 이 같은 가능성을 확인해 보기 위해, 다분류 SVM을 한국기업의 채권평가 사례에 적용해 보았다.
타 비교모형에 대한 우월성을 검증해 보기 위해, 인공신경망 및 다중판별분석과 그 성과를 비교하였으며, 분석 결과 다분류 SVM이 다른 비교대상들에 비해 통계적으로 유의하게 우수한 성과차이를 보임을 확인할 수 있었다.

영어초록

Investors, debt issuers, and others are quite interested in corporate credit rating (i.e.
bond rating) because it is considered to be an important measure for managing financial risk of their portfolios. But, in spite of its importance, corporate credit rating is typically very costly to obtain, since it requires professional agencies to invest large amount of time and human resources to perform deep analysis of the company’s risk status based on various aspects ranging from strategic competitiveness to operational level details. As a result, it has been a popular research topic for researchers to predict companies’ credit ratings by applying statistical and artificial intelligence techniques The researchers in the early days mainly focused on applicability of statistical techniques such as multiple discriminant analysis (MDA) and logistic regression (LOGIT) analysis.
However, more recent studies have shown that artificial neural networks (ANNs) achieved better performance than traditional statistical methods and other artificial intelligence methods in bond rating. Consequently, ANN has been the most widely-used technique for corporate credit rating for a long time.
However, despite ANN’s superior performance, it has some critical limitations. First of all, it suffers from difficulty in selecting a large number of controlling parameters which include relevant input variables, hidden layer size, learning rate, and momentum term. And, it generally requires a large data set for the effective training. Furthermore, there is a danger of overfitting, and ANN usually requires huge amount of data samples for the effective training. In addition, it is usually difficult to explain why it produces a specific result, i.e.
poor explanation ability.
To mitigate these limitations, this paper suggests a novel machine learning technique, multi-class support vector machine (SVM), as a tool for corporate credit rating. General SVM is simple enough to be analyzed mathematically, and leads to high performance in practical applications. Although many traditional neural network models have implemented the empirical risk minimization principle, SVM implements the structural risk minimization principle. The former seeks to minimize the misclassification error or deviation from the correct solution of the training data but the latter searches to minimize an upper bound of the generalization error. In addition, the solution of SVM may be a global optimum, while other neural network models may tend to fall into a local optimal solution. Thus, overfitting is unlikely to occur with SVM. In addition, SVM does not require too many data samples for training since it builds prediction models by only using some representative samples near the boundaries (so-called support vectors).
However, original SVMs were originally devised for binary classification. Thus, in order to apply them to multi-class classification problems such as corporate credit rating, the original SVMs should be extended to the multi-class SVM models. So far, researchers have proposed various approaches for this extension. In this study, we have tried three different methods for multi-class SVMs including (1) bound-constrained multi-class support vector classification (SVC), (2) multi-class SVC from solving a bound-constrained problem, and (3) multi-class SVC from Crammer and Singer. And, we try to find the most appropriate method and parameters for our data set.
To examine the feasibility of multi-class SVMs in corporate credit rating, we applied these methods to the real-world bond rating case for Korean companies. We applied multi-class SVMs as well as ANN and MDA to the same dataset, so we tried to validate the superiority of multi-class SVM to other comparative algorithms. The experimental results showed that multi-class SVM outperformed ANN and MDA with a statistical significance level of 0.05 to 0.10. As a result, we found that multi-class SVM is a promising alternative to corporate credit rating prediction.

참고자료

· 없음