AI기반으로 거시경제지표를 활용한 산업별 신용등급 결정계수 추정
Estimating the Determinants of Industry-Level Credit Ratings : An AI-Based Approach Using Macroeconomic Indicators
- 주제(키워드) AI , 인공지능 , 거시경제지표 , 신용등급 결정계수 , 산업별 신용등급 , Industry-Level Credit Ratings , An AI-Based Approach , Macroeconomic Indicators
- 발행기관 서강대학교 경제대학원
- 지도교수 정재식
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 경제대학원 인공지능경제
- 실제URI http://www.dcollection.net/handler/sogang/000000082800
- UCI I804:11029-000000082800
- 본문언어 한국어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
본 연구는 KOSPI200 기업을 대상으로 13개 거시경제지표의 공통 변동성을 주성분분석(PCA)을 통해 구조화하고, 도출된 거시경제 요인(PC1~PC3)을 산업별 신용등급 결정요인 분석에 체계적으 로 적용하였다. 최근 고금리·고물가·환율 변동 등 복합적 거시 충격이 기업 신용도에 미치는 영향 이 확대되는 가운데, 산업별로 이러한 충격의 민감도가 어떻게 차별적으로 나타나는지를 정량적 으로 규명하는 것은 신용평가 및 리스크관리에서 중요한 과제이다. PCA 분석 결과, 첫 번째 주성분(PC1)은 물가·자산가격·경기동행지수·설비투자·주가지수 등 실물· 금융 지표 전반에서 높은 로딩을 보여 경기·유동성 요인(Business & Liquidity Factor)으로 해석되었 다. 두 번째 주성분(PC2)은 국제상품가격과 수입물가지수에 집중된 로딩을 나타내며 원자재·수입 단가 요인(Commodity & Import Price Factor)으로 도출되었다. 세 번째 주성분(PC3)은 GDP와의 양 (+)의 상관, 환율과의 음(–)의 상관을 통해 환율·글로벌 흐름 요인(Exchange & Global Flow Factor) 으로 해석되었으며, 세 요인의 누적 설명력은 약 81.65%로 PCA가 거시지표의 공통 요인을 효과 적으로 축약함을 확인하였다. 이들 요인을 산업별로 회귀분석한 결과, PC1은 전 산업에서 일관된 신용등급 악화 방향(β<0)의 민감도를 보여 경기·유동성 충격이 가장 지배적인 위험 요인임이 나타났다. PC2는 산업별 편차가 크게 나타났으며, 특히 조선업(β = –0.643)은 원자재·수입물가 충격에 매우 취약한 구조를 보였다. PC3은 경공업·서비스업에서 양(+)의 민감도, 중공업·기계업에서 음(–)의 민감도가 관찰되며, 환율· 글로벌 경기 변화가 산업구조에 따라 상이한 영향을 미친다는 점을 확인하였다. 더 나아가 본 연구는 PCA로 축약된 요인을 XGBoost 기반 비선형 예측모형에 적용하고 SHAP 기법을 활용하여 각 요인의 기여도를 정량적으로 해석하였다. SHAP 분석은 회귀분석에서 도출된 산업별 민감도 구조가 비선형 모델에서도 일관되게 나타남을 보여주었으며, PCA 요인의 경제적 의미가 머신러닝 기반 분석에서도 유지됨을 확인하였다. 요약하면, 본 연구는 PCA 기반 거시요인 요약 → 산업별 신용위험 민감도 추정 → AI 기반 비 선형 기여도 분석(SHAP)을 결합한 실증적 접근을 제시함으로써, 거시경제 충격이 산업별 신용등 급에 미치는 상대적 영향력을 계량적으로 비교·평가한 첫 연구라는 점에서 의의를 지닌다. 이는 산업별 스트레스 테스트, 신용평가 모델 고도화, 금융기관 포트폴리오 리스크관리 등 다양한 영역 에서 활용 가능한 근거를 제공한다.
more초록(요약문)
This study examines the impact of macroeconomic conditions on corporate credit ratings by systematically structuring the common variation of 13 macroeconomic indicators through Principal Component Analysis (PCA) and applying the extracted macroeconomic factors (PC1–PC3) to industry-level credit rating determinant analysis for KOSPI200 firms. Amid an environment characterized by high interest rates, persistent inflation, and heightened exchange rate volatility, understanding how composite macroeconomic shocks differentially affect corporate creditworthiness across industries has become a critical issue in credit assessment and risk management. The PCA results indicate that the first principal component (PC1) exhibits high loadings across a broad set of real and financial variables, including inflation, asset prices, coincident business indices, facility investment, and stock market indices. Accordingly, PC1 is interpreted as a Business and Liquidity Factor. The second principal component (PC2) is primarily driven by international commodity prices and import price indices, representing a Commodity and Import Price Factor. The third principal component (PC3) shows a positive correlation with GDP and a negative correlation with the exchange rate, and is interpreted as an Exchange Rate and Global Flow Factor. Together, these three components explain approximately 81.65% of the total variance, confirming that PCA effectively captures the underlying common structure of macroeconomic indicators. Industry-level regression analysis reveals that PC1 exerts a consistently negative effect on credit ratings across all industries (β < 0), indicating that business cycle and liquidity shocks constitute the most dominant source of credit risk. In contrast, PC2 displays substantial cross-industry heterogeneity; notably, the shipbuilding industry (β = −0.643) demonstrates pronounced vulnerability to commodity price and import cost shocks. PC3 shows positive sensitivity in light manufacturing and service industries, while heavy manufacturing and machinery industries exhibit negative sensitivity, suggesting that exchange rate movements and global economic conditions affect credit risk in an industry-specific manner. Furthermore, this study extends the analysis by incorporating the PCA-based macroeconomic factors into a nonlinear prediction framework using XGBoost, and interprets factor contributions through SHAP (SHapley Additive exPlanations). The SHAP results confirm that the industry-specific sensitivity patterns identified in the regression analysis remain robust under a nonlinear machine learning setting, thereby preserving the economic interpretability of the PCA-derived macro factors. Overall, this study proposes an integrated empirical framework that combines PCA-based macroeconomic factor extraction, industry-level credit risk sensitivity estimation, and AI-driven nonlinear contribution analysis. By quantitatively comparing the relative influence of macroeconomic shocks on industry-specific credit ratings, this research provides valuable implications for industry-level stress testing, credit rating model enhancement, and portfolio risk management in financial institutions.
more목차
1. 제 1 장 서론 7
1.1 연구 배경 및 필요성 7
1.2 연구 목적 8
1.3 연구 질문 8
1.4 연구의 기여도 9
1.5 논문의 구성 10
2. 제 2 장 이론적 배경 11
3. 제 3 장 연구자료 및 방법론 13
3.1 연구 표본 및 기간 설정 13
3.2 거시경제지표 및 데이터 수집 13
3.3 등급평가일 기준 거시지표 정렬(Macro–Rating Alignment) 14
3.4 연구방법론 15
3.4.1 PCA 를 이용한 요약거시요인 도출 15
3.4.2 PCA 요인을 활용한 산업별 거시 민감도 추정 16
4. 제 4 장 실증분석 18
4.1 PCA 기반 거시요인의 구조적 특징 18
4.1.1 PC1 : 가격-자산-유동성 사이클 요인 22
4.1.2 PC2 : 글로벌 원자재수입가격 충격 요인 23
4.1.3 PC3 : 성장률-환율 균형 요인 24
4.2 산업별 회귀분석 결과 24
4.2.1 PC1 : 가격-자산-유동성 사이클 요인 25
4.2.2 PC2 의 산업별 영향 : 원자재수입가격 충격 요인의 전이 26
4.2.3 PC3 의 산업별 영향 : 성장-환율 충격의 이질적 반응 28
4.3 산업별 설명력(R²): 거시요인의 상대적 기여 29
4.4 PCA 주성분 분석 정리 32
4.5 머신러닝 기반 신용위험 예측 및 SHAP 해석 34
4.5.1 머신러닝 모델 구축 34
4.5.2 SHAP(Shapley Additive Explanations)을 이용한 기여도 분석 35
4.5.3 산업별 SHAP 기여도 결과 36
4.5.4 AI 기반 해석의 학술적 기여 41
4.6 종합 논의 42
4.6.1 PCA 및 머신러닝 기반 요인 분석의 유효성 재평가 42
4.6.2 산업별 신용위험 민감도의 구조적 이질성 43
4.6.3 신용평가 실무에 대한 시사점 43
4.6.4 금융기관 및 기업 재무의 관점에서의 활용 가능성 44
5. 제 5 장 결론(Conclusion) 45
6. 제 6 장 향후 연구 과제(Future Research Directions) 47
