• 지능정보연구
• /
• 제15권3호
• /
• pp.1-15
• /
• 2009

데이터 불균형 문제는 분류 및 예측 문제에서 하나의 범주에 속하는 표본의 수가 다른 범주들에 속하는 표본 수에 비하여 현저하게 적을 경우 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류 경계영역이 왜곡되고 결과적으로 분류자의 학습성과가 저하되는 문제가 발생한다. 본 연구에서는 데이터 불균형 문제를 해결하기 위하여 Geometric Mean-based Boosting (GM-Boost) 알고리즘을 제안하고자 한다. GM-Boost 알고리즘은 기하평균 개념에 기초하고 있어 다수 범주와 소수 범주를 동시에 고려한 학습이 가능하고 오분류된 표본에 집중하여 학습을 강화할 수 있는 장점이 있다. 기업부실 예측문제를 활용하여 GM-Boost 알고리즘의 성과를 검증한 결과 기존의Under-Sampling, Over-Sampling 및 AdaBoost 알고리즘에 비하여 우수한 분류 정확성을 보여주었고 데이터 불균형 정도에 관계없이 견고한 학습성과를 나타냈다.

• 지능정보연구
• /
• 제20권1호
• /
• pp.35-48
• /
• 2014

2013년 건설 경기 전망 보고서에 따르면 주택건설경기 침체 상황의 지속으로 건설 기업의 유동성 위기가 지속될 것으로 전망된다. 건설업은 파산으로 인한 사회적 파급효과가 다른 산업에 비해 큰 편이지만, 업종의 특성상 다른 산업과는 상이한 자본구조와 부채비율, 현금흐름을 가지고 있어서 기업의 파산 예측이 더 어려운 측면이 있다. 건설업은 레버리지가 큰 산업으로 부채비율이 매우 높은 업종이며 현금흐름이 프로젝트 후반부에 집중되는 특성이 있다. 그리고 경기사이클에 따른 부침이 매우 심하여 경기하강국면에선 파산이 급증하는 양상을 보인다. 건설업이 레버리지 산업인 이상 건설업체의 파산율 증가는 여신을 공여한 은행에 큰 부담으로 작용한다. 그럼에도 그간의 파산예측모델이 주로 금융기관에 집중되어 왔고 건설업종에 특화된 연구는 드물었다. 기업의 재무 자료를 바탕으로 한 파산 예측 모델에 대한 연구는 오래 전부터 다양하게 진행되었다. 하지만, 일반적인 기업 전체를 대상으로 하는 모델이기 때문에, 건설 기업과 같이 유동성이 큰 기업의 예측에는 적절하지 못할 수 있다. 건설 산업은 오랜 사업 기간과 대규모 투자, 그리고 투자금 회수가 오래 걸리는 특징을 갖는 자본 집약 산업이다. 이로 인해 다른 산업과는 상이한 자본 구조를 갖기 마련이고, 다른 산업의 기업 재무 위험도를 판단하는 기준과 동일한 적용이 곤란할 수 있다. 최근에는 기계 학습을 바탕으로 한 기업 파산 예측 연구가 활발하다. 기계 학습의 대표적 응용 분야인 패턴 인식을 기업의 파산 예측에 응용한 것이다. 기업의 재무 정보를 바탕으로 패턴을 작성하고 이 패턴이 파산 위험 군에 속하는지 안전한 군에 속하는지 판단하는 것이다. 전통적인 Z-Score와 기계 학습을 이용한 파산 예측과 같은 기존 연구들은 특정 산업 분야가 아닌 일반적인 기업을 대상으로 하기 때문에 기업들의 특성을 전혀 고려하고 있지 못하다. 본 논문에서는 건설 기업을 규모에 따라 각 기법들의 예측 능력을 비교하여 적응형 부스팅이 가장 우수함을 확인하였다. 본 논문은 건설 기업을 자본금 규모에 따라 세 등급으로 분류하고 각각에 대해 적응형 부스팅의 예측력을 분석하였다. 실험 결과 적응형 부스팅이 다른 기법에 비해 예측 결과가 좋았고, 특히 자본금 규모가 500억 이상인 기업의 경우 아주 우수한 결과를 보였다.

• 지능정보연구
• /
• 제10권1호
• /
• pp.109-123
• /
• 2004

기업부도예측은 재무와 경영의사결정문제에서의 주된 인공신경망 응용분야라 할 수 있다. 일반적으로 인공신경망은 이 분야에서 매우 좋은 성과를 보이는 것으로 알려져 있지만 종종 잡음이 심한 데이터에 대해서는 일관성 있고 예측가능한 성과를 보이지 못하는 경우가 있다. 특히 학습용 자료가 매우 많아서 학습시간과 자료수집비용이 과대한 경우에는 적절한 자료의 축소가 되지 않고는 인공신경망을 학습시키는 것이 불가능한 경우도 있다. 사례선택기법은 자료의 차원을 축약시켜 주며 직접적으로 자료를 축소시켜 주는 방법이다. 사례기반 학습기법에서는 이미 몇 연구가 사례선택기법의 필요성을 주장한 바 있으나 인공신경망 모형에서 사례선택기법의 필요성을 주장한 연구는 거의 없다. 본 연구에서는 기업부도예측을 위한 인공신경망 모형에서 유전자 알고리즘을 이용한 사례선택기법을 제안한다. 본 연구에서 유전자 알고리즘은 다층 인공신경망에서의 계층별 연결강도를 최적화하고, 동시에 학습에 적합한 사례를 선택한다. 유전자 알고리즘에 의해 결정된 계층별 연결강도는 역전파오류 학습기법에서 종종 발생하는 국부 최적해에 수렴하는 현상을 최소화해 줄 것으로 기대되고, 선택된 학습용 사례는 학습시간의 단축과 예측성과를 향상시켜 줄 것으로 기대된다. 본 연구에서는 제안한 모형과 주요 데이터 마이닝 기법들의 성과를 비교 연구한다. 실험결과, 제안된 방법이 인공신경망에서의 사례선택기법으로 유용한 것으로 나타났다.

• 지능정보연구
• /
• 제22권1호
• /
• pp.139-157
• /
• 2016

앙상블 분류기란 개별 분류기보다 더 좋은 성과를 내기 위해 다수의 분류기를 결합하는 것을 의미한다. 이와 같은 앙상블 분류기는 단일 분류기의 일반화 성능을 향상시키는데 매우 유용한 것으로 알려져 있다. 랜덤 서브스페이스 앙상블 기법은 각각의 기저 분류기들을 위해 원 입력 변수 집합으로부터 랜덤하게 입력 변수 집합을 선택하며 이를 통해 기저 분류기들을 다양화 시키는 기법이다. k-최근접 이웃(KNN: k nearest neighbor)을 기저 분류기로 하는 랜덤 서브스페이스 앙상블 모형의 성과는 단일 모형의 성과를 개선시키는 데 효과적인 것으로 알려져 있으며, 이와 같은 랜덤 서브스페이스 앙상블의 성과는 각 기저 분류기를 위해 랜덤하게 선택된 입력 변수 집합과 KNN의 파라미터 k의 값이 중요한 영향을 미친다. 하지만, 단일 모형을 위한 k의 최적 선택이나 단일 모형을 위한 입력 변수 집합의 최적 선택에 관한 연구는 있었지만 KNN을 기저 분류기로 하는 앙상블 모형에서 이들의 최적화와 관련된 연구는 없는 것이 현실이다. 이에 본 연구에서는 KNN을 기저 분류기로 하는 앙상블 모형의 성과 개선을 위해 각 기저 분류기들의 k 파라미터 값과 입력 변수 집합을 동시에 최적화하는 새로운 형태의 앙상블 모형을 제안하였다. 본 논문에서 제안한 방법은 앙상블을 구성하게 될 각각의 KNN 기저 분류기들에 대해 최적의 앙상블 성과가 나올 수 있도록 각각의 기저 분류기가 사용할 파라미터 k의 값과 입력 변수를 유전자 알고리즘을 이용해 탐색하였다. 제안한 모형의 검증을 위해 국내 기업의 부도 예측 관련 데이터를 가지고 다양한 실험을 하였으며, 실험 결과 제안한 모형이 기존의 앙상블 모형보다 기저 분류기의 다양화와 예측 성과 개선에 효과적임을 알 수 있었다.

• 인터넷정보학회논문지
• /
• 제7권1호
• /
• pp.75-89
• /
• 2006

본 연구는 IMF후에 도산한 기업을 대상으로 다변량판별분석 모형, 확률모형(로짓분석모형) 그리고 인공신경망 모형을 개발하여 각 모형의 도산예측력을 비교하고 인공신경망 모형의 일반화 가능성을 높이는데 목적이 있다. 본 연구는 도산예측 모형간의 예측력 비교 측면에서는 기존 연구와 유사하나 연구표본을 IMF후에 도산한 기업으로 하여 도산예측력을 향상시키고 모형의 일반화 가능성을 높이기 위해 상장회사 중 동일한 업종인 제조업종에 한정하여 모형을 개발한다는 측면에서 기존 연구와 차이가 있다고 할 수 있다. 또한, 보다 의미있는 연구를 위하여 학습용 표본과 검증용 표본을 동일한 기간에서 추출하지 않고 검증용 표본을 학습용 표본기간 이후의 기간에서 추출하여 도산예측의 타당성을 현재가 아닌 미래의 시점에서 검증함으로써, 개발한 모형이 미래의 환경변화에 적응력을 보이는지를 분석하였다.

• 한국지능시스템학회논문지
• /
• 제11권3호
• /
• pp.231-240
• /
• 2001

Conventional expert systems has been criticized due to its lack of capability to adapt to the changing decision-making environments. In literature, many methods have been proposed to make expert systems more environment-adaptive by incorporating fuzzy logic and neural networks. The objective of this paper is to propose a new approach to building a self-evolving expert system inference mechanism by integrating fuzzy neural network and fuzzy rule extraction technique. The main recipe of our proposed approach is to fuzzify the training data, train them by a fuzzy neural network, extract a set of fuzzy rules from the trained network, organize a knowledge base, and refine the fuzzy rules by applying a pruning algorithm when the decision-making environments are detected to be changed significantly. To prove the validity, we tested our proposed self-evolving expert systems inference mechanism by using the bankruptcy data, and compared its results with the conventional neural network. Non-parametric statistical analysis of the experimental results showed that our proposed approach is valid significantly.

• 지능정보연구
• /
• 제10권1호
• /
• pp.77-91
• /
• 2004

기업파산예측에 대한 기존연구는 회계자료를 통해 추출한 재무비율 (부채비율, 이자상환율 등)을 이용한 분석에 의존하였다. 본 논문은 기업파산을 예측함에 있어서 자본시장자료를 이용한 정보가 어떠한 유용성을 지니는지를 분석하고, 자본시장자료와 회계자료 간의 상대적 우월성을 비교하였다. 비교분석을 행함에 있어서 신경망 접근법을 이용함으로써 모형 의존성을 회피하고자 하였다. 실증분석결과에 의하면 자본시장자료와 회계자료 모두 기업파산을 예측하는데 유용한 정보를 제공하고 있으며, 어느 자료가 상대적으로 우월하다고 유의하게 단정할 수는 없었다. 하지만 자본시장자료와 회계자료를 함께 사용하여 정보를 추출하면 어느 한 자료만에 의존하는 경우에 비해 월등한 예측력 향상을 도모할 수 있음을 알 수 있었다. 이 결과는 회계자료에만 의존해 온 기업파산연구에 대해 자본시장자료에 좀더 관심을 기울일 필요가 있음을 시사한다.

• 산업경영시스템학회지
• /
• 제38권3호
• /
• pp.39-48
• /
• 2015

In this study, granting the optimal loan limit on SME (Small and Medium Enterprise) loans of financial institutions was proposed using the traditional newsvendor model. This study was the first domestic case study that applied the newsvendor model that was mainly used to calculate the optimum order quantity under some uncertain demands to the calculation of the loan limit (debt ceiling) of institutions. The method presented in this study made it possible to calculate the loan limit (debt ceiling) to maximize the revenue of a financial institution using probability functions, applied the newsvendor model setting the order volume of merchandise goods as the loan product order volume of the financial institution, and proposed, through the analysis of empirical data, the availability of additional loan to the borrower and the reduction of the debt ceiling and a management method for the recovery of the borrower who could not generate profit. In addition, the profit based loan money management model presented in this study also demonstrated that it also contributed to some extent to the prediction of the bankruptcy of the borrowing SME (Small and Medium Enterprise), as well as the calculation of the loan limit based on profit, by deriving the result values that the borrowing SME (Small and Medium Enterprise) actually went through bankruptcy at later times once the model had generated a signal of loan recovery for them during the validation of empirical data. accordingly, The method presented in this study suggested a methodology to generated a signal of loan recovery to reduce the losses by the bankruptcy.

• The Journal of Asian Finance, Economics and Business
• /
• 제8권1호
• /
• pp.665-673
• /
• 2021

Default has become an extreme concern in the current world due to the financial crisis. The previous prediction of companies' bankruptcy exhibits evidence of decision assistance for financial and regulatory bodies. Notwithstanding numerous advanced approaches, this area of study is not outmoded and requires additional research. The purpose of this research is to find the best classifier to detect a company's default risk and bankruptcy. This study used secondary data from the Pakistan Stock Exchange (PSX) and it is time-series data to examine the impact on the determinants. This research examined several different classifiers as per their competence to properly categorize default and non-default Pakistani companies listed on the PSX. Additionally, PSX has remained consistent for some years in terms of growth and has provided benefits to its stockholders. This paper utilizes machine learning techniques to predict financial distress in companies listed on the PSX. Our results indicate that most multi-stage mixture of classifiers provided noteworthy developments over the individual classifiers. This means that firms will have to work on the financial variables such as liquidity and profitability to not fall into the category of liquidation. Moreover, Adaptive Boosting (Adaboost) provides a significant boost in the performance of each classifier.

• 융합경영연구
• /
• 제8권1호
• /
• pp.12-19
• /
• 2020

Purpose - Strategic causes for the failure include unrealistic growth, overexpansion, unfamiliar new markets, volume obsession, unrealistic promises and poor project selection. Organizational causes are insufficient capital and profits, lack of business knowledge, poor financial management, poor sales skills, inadequate marketing, poor leadership, poor leadership transfer, project losses, poor field performance and owner bankruptcy. Uncontrollable causes include industry and economic weakness and banking and surety changes. While helpful, the list provides insufficient clarity regarding the causal roots of failure. Research design, data and methodology - The research framework to organize the information involved with many of the recent and large failures in the industry. Results - This research then identified five dominant root causes - excessive egoism, poor strategic leadership, too much change, loss of discipline and inadequate capitalization. Conclusion - Finally, additional input from external forces may accelerate the firm's pace to failure. It is important on the development of diagnostic tools that are based on this model and that will provide new ways to assess a conglomerate's level of risk for incurring a financial crisis.