• 디지털융복합연구
• /
• 제13권2호
• /
• pp.105-113
• /
• 2015

기업지배구조가 우수하면 기업경영자의 감시역할을 하고 대리비용과 정보비대칭을 감소시킨다. 기업지배구조점수가 높을수록 기업 내부통제시스템과 재무보고 체계가 잘 갖추어져 있으므로 기업 경영이 활성화되고 기업성과가 높아지므로 신용재무평점이 높아질 것이다. 이러한 전제하에 가설을 설정하고 본 연구는 기업지배구조(CGI)가 신용재무평점(CFR)에 어떠한 영향을 미치는지 실증 연구하였다. 연구결과, 기업지배구조(CGI)와 신용재무평점의 관련성은 유의한 양(+)의 영향을 미치는 것으로 나타났다, 회귀계수부호는 기대부호인 양(+)이 값이 나타났다. 이러한 결과 기업지배구조(CGI)가 우수할수록 신용재무평점의 점수가 커질 것이라는 예측과 같은 결과가 나타났다. 본 연구결과는 CGI가 우수할수록 신용재무평점이 커진다는 것이다. 본 연구는 기업의 사회적 책임, 건전한 지배구조와 감시기구를 갖춘 기업이 보다 높은 신용등급을 받을 수 있다는 유용한 지침을 실무 및 연구 분야에 제공해 줄 것으로 기대한다.

• 한국정보기술응용학회:학술대회논문집
• /
• 한국정보기술응용학회 2007년도 춘계학술대회
• /
• pp.190-197
• /
• 2007

외환위기 이후 우리나라 금융기관은 상대적으로 위험성이 높은 기업대출보다, 높은 수익성을 가지는 가계 대출에 관심을 기울이게 되었다. 가계대출이 증가함에 따라 개인신용평가의 중요성이 부각되고, 이에 많은 신용평가시스템이 개발되어 왔다. 하지만 기존의 신용평가시스템은 대출 신청 당시의 데이터 및 과거의 데이터를 가지고 개인의 신용을 평가하기 때문에, 미래 상황에 대한 예측은 고려하지 못한다. 시스템 다이나믹스는 시간의 흐름에 따른 각 요인의 변화를 살펴봄으로써 미래 상황에 대한 예측이 가능한 분석 방법이다. 이에 본 연구에서는 시스템 다이나믹스 방법론을 활용하여 개인 신용 상태에 대한 미래의 동태적인 변화를 예측하여, 그 결과를 반영한 신용평가모델을 개발하고자 한다. 이를 위하여, 먼저 신용평점 영향을 주는 변수들을 선정하고, 이 변수들 간의 인과관계를 밝혀낸 후, 인과관계를 토대로 분석 모델을 구축한 뒤, 컴퓨터 시뮬레이션을 실행함으로써, 대출 희망자의 미래의 신용상태 변화 모양을 예측해 본다. 이러한 시뮬레이션 결과를 신용평가에 반영하게 되면, 금융기관의 신용 대출의 위험을 줄이는 데 기여할 것으로 기대된다.

• 한국통계학회:학술대회논문집
• /
• 한국통계학회 2000년도 추계학술발표회 논문집
• /
• pp.231-234
• /
• 2000

본 연구는 오랜 시간에 거쳐 축적된 고객 데이터베이스를 활용하여 스코어링 방법을 적용할 수 있는 모델링의 개발에 목적이 있다. 기존의 전통적인 스코어링 방법은 인구 통계학적인 변수나 거래 관련 횡단면적인 자료를 이용하여 우량고객과 불량고객을 구분하는 판별분석의 형태가 대부분이다. 하지만 과거 고객에 대한 실적 자료가 시계열 형태를 이루며 존재하기 때문에 이에 대한 적절한 동태적 모형을 적용은 자연스러운 확장이라고 볼 수 있다. 본 연구에서 제안하는 모형은 고객들의 실적관련 시계열 자료를 GARCH 모형에 적합하여 미래의 실적 예측과 이에 대한 표준편차를 예측하여 하위 $10\%$에 해당하는 실적 예측치를 스코어링으로 하는 새로운 방법을 소개하고자 한다. 이 경우 스코어 값이 부호를 가지게 되므로 우량고객을 구분함과 동시에 큰 음수 값을 조사하여 위험 평점도 함께 측정할 수 있어서 실무 측면에서 유용하리라고 본다.

• 한국정보시스템학회지:정보시스템연구
• /
• 제16권1호
• /
• pp.1-21
• /
• 2007

신용평점을 위한 부도예측의 분류 문제를 다루는데 있어서 통계적 판별분석 및 인공신경망 및 유전자알고리즘 등을 이용한 데이터 마이닝의 방법들이 일반적으로 고려되어왔다. 이 연구에서는 수리계획법을 응용하여 classification gap을 고려한 이단계 수리계획 접근방법을 신용평가에 적용하는 방법론을 제안하여 수리계획법을 통한 신용평가모형 구축의 가능성을 제시한다. 1단계에서는 선형계획법을 이용해서 대출 신청자에게 대출을 허가할 것 인지의 여부를 결정하게 되는 대출 심사 filtering으로의 적용단계이고, 2단계에서는 정수계획법을 이용하여 오분류 비용이 최소가 되도록 하는 판별점수를 찾는 과정으로 모형을 구성한다. 개인 대출 신청자의 데이터(German Credit Data)에 대하여 피셔의 선형 판별함수, 로지스틱 회귀모형 및 기존의 수리계획 기법들과의 비교를 통해서 제안된 모델의 성능을 평가한다. 이단계 수리계획 접근법의 평가 결과를 통하여 신용평가모형에의 적용가능성을 기존 통계적인 접근방법 및 수리계획 접근법과 비교하여 제시하고 있다.

• 디지털융복합연구
• /
• 제15권1호
• /
• pp.199-208
• /
• 2017

본 연구는 기술신용정보의 기술금융공여자가 신뢰할 수 있는 기술신용정보의 구성요소와 등급산출체계를 분석하고 이를 토대로 기술금융 공급확대를 유인할 수 있는 최적의 기술신용평가시스템을 도출하는 것이다. 기술평가등급과 신용평가등급의 결합비율 변화를 통해 최대 AUROC 값이 되는 최적화된 기술신용평가등급을 산출하고 기존의 신용평가등급 및 체계 간의 격차 시뮬레이션을 통해 기술신용평가등급과 신용평가등급 간 대체가능성을 검증해 본 후 금융기관이 활용할 수 있는 등급체계를 제시하였다. 연구결과, 기업 규모별, 업종별로 동일하게 신용평점 : 기술평점의 가중치 결합비율 70% : 30% 일 때 AUROC가 가장 높게 나타났다. 본 연구를 통해 기술신용등급의 부도 유의성이 신용등급 또는 기술등급보다 향상된 결과를 확인함에 따라 기술신용평가정보가 신용등급을 대체 적용 가능성을 발견하였고 나아가서 금융기관에서 여신의사결정 시 기술평가정보와 신용평가정보가 최적화 결합된 기술신용등급을 이용하여 정교한 리스크 관리도 가능함을 시사하고 있다.

• 한국벤처창업학회:학술대회논문집
• /
• 한국벤처창업학회 2017년도 춘계학술대회
• /
• pp.52-52
• /
• 2017

글로벌 금융위기 이후 다양한 형태로 등장한 금융상품과 ICT의 결합은 그 동안 생각하지 못한 방식으로 전 세계에 다양한 수요를 충족시키면서 폭발적으로 성장했다. 하지만 IT강국이라고 자부하는 대한민국은 다양한 규제와 시스템의 복잡성 때문에 은행상품이 온라인에서 거래되는 것은 아직까지 익숙하지 않다. 다행히 이러한 규제가 조금씩 완화되어 가면서 2016년은 모바일 송금, 금융상품 추천 플랫폼 등 비 금융업체 주도의 금융시장 온라인화가 소극적으로 이루어지는 과도기로 볼 수 있다. 이러한 시점에서 기존 오프라인 채널이 아닌 온라인 채널을 통해 금융상품을 구매하거나 가입하는 고객의 만족요인에 대해 연구하는 것은 향후 폭발적으로 증가할 수요에 앞서 연구하고, 현상을 주도할 기업에서도 소비자의 만족요인을 미리 파악한다는 점에서 시기적으로 적절하다. 해당 연구는 신용대출, 정기예금, 전세대출, 주택담보대출, 정기적금, 그리고 P2P투자 상품 별 만족도에 영향을 미치는 요인과 영향력을 SERVPERF 모델을 이용하여 분석한 뒤, 회귀분석과 텍스트간의 공동 출현단어에 대해 파이선을 통해 메트릭스를 형성하고, 사회연결망 분석으로 네트워크 중심성을 분석하여 단어간의 관계를 살펴보았다. 해당 연구는 국내 최초 온라인 금융상품 비교 추천 플랫폼인 "Finda"의 리뷰/평점데이터를 이용하였다.

• 한국정보시스템학회지:정보시스템연구
• /
• 제29권1호
• /
• pp.241-265
• /
• 2020

Purpose Various machine learning techniques are used to implement for predicting corporate credit. However, previous research doesn't utilize time series input features and has a limited prediction timing. Furthermore, in the case of corporate bond credit rating forecast, corporate sample is limited because only large companies are selected for corporate bond credit rating. To address limitations of prior research, this study attempts to implement a predictive model with more sample companies, which can adjust the forecasting point at the present time by using the credit score information and corporate information in time series. Design/methodology/approach To implement this forecasting model, this study uses the sample of 2,191 companies with KIS credit scores for 18 years from 2000 to 2017. For improving the performance of the predictive model, various financial and non-financial features are applied as input variables in a time series through a sliding window technique. In addition, this research also tests various machine learning techniques that were traditionally used to increase the validity of analysis results, and the deep learning technique that is being actively researched of late. Findings RNN-based stateful LSTM model shows good performance in credit rating prediction. By extending the forecasting time point, we find how the performance of the predictive model changes over time and evaluate the feature groups in the short and long terms. In comparison with other studies, the results of 5 classification prediction through label reclassification show good performance relatively. In addition, about 90% accuracy is found in the bad credit forecasts.