사례기반추론 모델을 이용한 기업의 채권등급평가에 관한 연구 : Case-BasedReasoningApproachesforBondRating
- 발행기관 서강대학교 대학원
- 지도교수 김명석
- 발행년도 2008
- 학위수여년월 2008. 2
- 학위명 석사
- 학과 및 전공 경영
- 식별자(기타) 000000107583
- 본문언어 한국어
목차
본 연구는 기업의 신용평가시스템으로서 사례기반추론(Case-Based Reasoning: CBR)을 제안하고, 모델의 성과를 통계적 모델 및 인공지능모델과 비교하고자 한다.
본 연구의 목적은 다음과 같다.
첫째, 공분산을 반영한 마할라노비스 거리와 가중치의 적용이 CBR 모델을 개선시키는지에 대한 분석이다. 일반적으로, CBR모형에서 유사도 측정함수로 쓰이는 유클리디안 거리는 변수들이 서로 독립이라는 가정을 전제로 한다. 또한, 변수들 간의 단위가 다를 때 큰 값을 갖는 변수가 거리의 값을 주도 할 수 있다. 마할라노비스 거리는 표준화된 거리를 보다 일반화 한 것으로 두 변수간의 상관관계를 고려하는 값이다. 따라서, 유사도 측정 함수로 유클리디안 거리가 아닌 마할라노비스 거리를 사용하여 CBR모형을 개선시키고자 한다. 이와 더불어, 변수의 연관성 정도에 따라 다른 가중치를 부여하여, 가중치를 부여하지 않은 CBR모형과 비교하고자 한다.
둘째, CBR에서 최근접이웃집합의 방법으로써 임계치를 설정하는 similarity Nearest Neighbor(s-NN)방법과 고정된 k값을 쓰는 k-Nearest Neighbor(k-NN)방법을 비교하여 예측력이 좋은 모형을 찾고자 한다. 최근접 이웃집합의 구성에 있어서 대부분의 선행 연구들은 고정된 값인 k개의 사례를 포함시키는 k-NN방법을 채택해왔다. 그러나 k-NN방법을 채택하는 CBR모형은 k값을 너무 크게 혹은 작게 설정하게 되면 예측성능이 저하된다. 본 연구에서는 이러한 문제를 해결하기 위해 최근접 이웃집합을 구성함에 있어서 유사도의 임계치 자체를 사용하는 s-NN방법을 사용하여 두 모형을 비교하고자 한다.
연구에 사용된 표본은 2000년도부터 2006년 사이의 기업신용평가 자료로 재무적인 변수와 비재무적인 변수를 모두 고려하였다. 가중치를 포함한 CBR모형의 가중치와, 최근접 이웃집합을 구성하는 s-NN 모형의 임계치를 설정하기 위해, 모델구축단계에서 train set으로 모형을 구축하여 자료의 예측분류를 최대화 하는 값을 선택 하였다. 그리고 다른 모형과의 비교를 위해, 모델 검증 단계의 test set에 가중치 및 임계치 값을 적용하여 모델 성과를 측정하였다.
교차 타당성 분석 결과, 변수별 가중치를 적용하며, 마할라노비스 거리를 이용하고, s-NN방법을 적용한 CBR 모델이 기존 모델인 k-NN CBR모형, 인공신경망, 의사결정나무, 로지스틱 회귀분석보다 높은 분류정확도를 나타내었다. 따라서 본 연구는 기업신용등급평가의 방법론으로서 기존 모델에 비해 성능이 개선된 사례기반추론 모형을 제시하였다는데 의의를 가진다.
목차
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. This paper proposes case-based reasoning models for bond rating prediction problem and compares its performance with traditional statistical and artificial intelligence techniques.
A critical issue in case-based reasoning is to retrieve not just a similar past case but a usefully similar case to the problem and increase the overall classification accuracy. The purpose of this study is to develop a case-based reasoning model that reflects the covariance structure of attributes, attribute weights and s-NN method using the different number of nearest neighbors to be selected for each new case and then evaluate prediction accuracy.
In the CBR with feature weight, the feature weights are searched from the training data set in a way to maximize the prediction accuracy. Finally, the model is applied to the testing data set for a comparison.
In general, case-based reasoning is basically based on k-Nearest Neighbors method, the value of k affects the performance directly. Once the value of k is set, it is fixed for the life time of the CBR model. However, if the value is set greater or smaller than the optimal value, the performance of CBR model will be deteriorated. Therefore, we use a new method of composing the NN set using similarity distance, which is called s-NN method.
The experiment result using a five-fold cross validation indicate that the Mahalanobis distance model with feature weight produces and adopting s-NN method in general, outperforms currently-in-use approaches.
