논문 상세보기

한국금융연구원> 금융연구> 딥러닝 신경망을 이용한 신용카드 부도위험 예측의 효용성 분석

KCI등재

딥러닝 신경망을 이용한 신용카드 부도위험 예측의 효용성 분석

Effectiveness Analysis of Credit Card Default Risk with Deep Learning Neural Network

윤종문 ( Jong Mun Yoon )
  • : 한국금융연구원
  • : 금융연구 33권1호
  • : 연속간행물
  • : 2019년 03월
  • : 151-183(33pages)

DOI


목차

Ⅰ. 서론
Ⅱ. 선행연구
Ⅲ. 분석 모델
Ⅳ. 추정결과
Ⅴ. 결론
<참 고 문 헌>

키워드 보기


초록 보기

본 연구는 국내·외 금융시장에서 아직 활성화되지 못한 딥러닝 신경망(deep learning neural network) 알고리즘을 이용해 신용카드 부도위험 예측의 정확도 향상 가능성에 대해서 점검한다. 이를 위해 기존 머신러닝 알고리즘(Logistic, SVM, Random Forest, Lasso 등)을 딥러닝 신경망 분석의 성능 점검을 위한 비교 지표로 활용한다. 우선, 딥러닝 신경망은 두 개의 은닉층(hidden layers)과 다섯 개의 뉴런(neuron)으로 구축하고, 활성함수(activation function)와 초기값(initial value) 설정방법에 따른 예측정확도를 도출한다. 그 결과 딥러닝 신경망 분석이 기존 머신러닝 알고리즘 보다 최소 0.6%p에서 최대 6.6%p 성능이 향상된 것으로 나타났다. 이 중 가장 높은 예측 정확도를 보인 활성함수와 초기값 설정방식은 ReLU(rectified linear units)와 Xavier(2010)이고 이를 기준으로 은닉층과 뉴런의 수를 각각 최대 10개와 25개까지 늘려 분석한 결과에서도 유사한 결과가 나타났다. 다만, 기존 연구에서와 같이 은닉층과 뉴런의 수의 증가에 따른 뚜렷한 성능의 향상은 나타나지 않았다. 또한, 이미지 식별 분야에서 높은 성능을 보였던 Dropout과 CNN(convolution neural network) 모델도 예측 정확도에서 큰 차이를 보이지 않았다. 이는 여기에서 사용된 신용카드 데이터가 다수 픽셀(pixel)로 이루어진 이미지 데이터와 비교해 양적·질적 한계가 있기 때문으로 판단된다. 한편, 본 연구에서 사용된 개인의 신용카드 부도 데이터는 횡단면 자료이기 때문에 시계열 데이터에서 높은 성능을 나타내는 RNN(recurrent neural network) 및 LSTM(Long-Short Term Memory) 등의 딥러닝 신경망 알고리즘을 사용하지는 않았다. 따라서 추후 시계열 자료가 포함된 빅데이터를 통해 이들 딥러닝 신경망 방법론을 적용한다면, 현재의 다양한 금융시장의 식별문제(신용등급, 연체율, 금리산정)에 있어 보다 향상된 결과를 도출할 수 있을 것으로 기대된다.
This study aims to discuss the usefulness of the deep learning neural network and the possibility of the deep learning neural network analysis in judging credit information by using credit card default data. Deep learning neural network analysis in the financial sector excluding the current stock price prediction model is under limited research. It is mainly used for upgrading models of the credit rating (Kvamme et al., 2016, 2018; Tran, 2016; Luo, 2017) and the delinquency rate (Sirignano et al., 2018). In the credit card market, it is focused on credit card issuance and fraud detection model (Ramanathan, 2014, Niimi, 2015). As mentioned earlier, there has not been much analysis of deep learning neural network using financial market data. This is because the study of deep learning neural networks is actively carried out mainly in the field of computer science such as image, speech recognition, natural language processing. Additionally, Researchers in the financial sector have difficulty learning deep learning algorithms and setting up a computer runtime environment. It is also difficult to apply the algorithm to financial data due to lower dimension than the image. Nowadays, financial companies have been interested in machine learning and are increasing their recruitment, but it is still in the stage of verifying the possibility of deep learning neural network.
Therefore, This study examines the possibility of improving the accuracy of credit card default risk prediction by using a deep learning neural network algorithm. To do this, we use existing machine learning algorithms (Logistic, SVM, Random Forest, Lasso, etc.) as a comparison index for performance check of deep learning neural network analysis. Firstly, the deep learning neural network is constructed with two hidden layers and five neurons, and derives the prediction accuracy according to the activation function and the initial value setting method. There are Sigmoid, ReLU, tanh and Maxout as active functions, and random value, Xavier, RBM, He’s as initialization methods. Based on this, we compare the accuracy of existing machine learning algorithms. As a result, the deep learning neural network analysis showed performance improvement between 0.6% and 6.6%p compared to the existing machine learning algorithms (Logistic, SVM, Random Forest, Lasso, etc.). Among these results, the active function and the initial value setting method with the highest prediction accuracy are ReLU (rectified linear units) and Xavier initialization. However, there is no significant improvement in performance with increasing number of hidden layers and neurons up to 10 and 25, respectively. Also, the dropout and CNN (convolution neural network) models, which showed high performance in the field of image identification, showed no significant difference in prediction accuracy. Nevertheless, it could be interpreted that the increase of hidden layers can improve the accuracy of estimation because the highest accuracy (0.8161) and the AUC (0.7726) are observed for 10 hidden nodes and 15 neurons. However, we can’t say that accuracy increases linearly by the number of hidden layers and neurons. These limitation could be due to the quantitative and qualitative limitations of the credit card data used here. We did not use recurrent neural network (RNN) and long-short term memory (LSTM) models since the personal default data for credit card used in this study is cross-sectional data. These method are for Time-Series data. Therefore, it is expected that it will be able to obtain better results in identification problems (credit rating, delinquency rate, interest rate calculation) of present various financial markets if these deep learning neural network methodologies are applied through big data including time series data.
This study can be turned into a question of how deep learning analysis can lower the default risk and delinquency rate by using financial data from a practical point of view. It can also mitigate the information asymmetry of financial services. More sophisticated credit rating could make financial companies to reduce costs and financial consumers to use services at lower fees. Therefore, it is time for financial authorities and financial companies to pay attention and support for the deep learning neural network analysis to improve the quality of financial services.

UCI(KEPA)

I410-ECN-0102-2019-300-001140261

간행물정보

  • : 사회과학분야  > 경제학
  • : KCI등재
  • :
  • : 계간
  • : 1225-9489
  • :
  • : 학술지
  • : 연속간행물
  • : 1988-2020
  • : 461


저작권 안내

한국학술정보㈜의 모든 학술 자료는 각 학회 및 기관과 저작권 계약을 통해 제공하고 있습니다.

이에 본 자료를 상업적 이용, 무단 배포 등 불법적으로 이용할 시에는 저작권법 및 관계법령에 따른 책임을 질 수 있습니다.

발행기관 최신논문
| | | | 다운로드

1계열관계에 따른 신규공모주 배정에 관한 연구: 보유기간 동안의 초과수익률을 중심으로

저자 : 정재웅 ( Jai Woong Chung )

발행기관 : 한국금융연구원 간행물 : 금융연구 33권 1호 발행 연도 : 2019 페이지 : pp. 1-34 (34 pages)

다운로드

(기관인증 필요)

초록보기

본 연구는 기업공개시 주간사와 기관투자자간의 계열관계가 주식배정에 미치는 영향을 보유기간 동안의 초과수익률을 중심으로 살펴보았다. 2002년부터 2008년간 국내 코스닥시장에서 기업공개를 한 기업들의 신규공모주를 펀드의 구성종목으로 편입한 월간 펀드별 종목보유자료(펀드포트폴리오)를 사용하여 분석한 결과, 주간사와 계열관계에 있는 펀드일수록 비계열관계 펀드보다 전체 배정물량은 적었지만 상장수익률이 높은 신규공모주는 더 많이 배정받는 것으로 나타났다. 또한 펀드가 신규공모주를 배정받은 후 매각할 때까지의 평균보유기간을 분석한 결과, 계열관계와 비계열관계 펀드 모두 배정받은 전체 신규공모주의 93% 이상을 배정받은 후 6개월 이내에 매각하는 것으로 나타났다. 이 결과를 바탕으로 펀드가 배정받은 신규공모주의 대부분을 매각하기 전인상장 후 1·2·3·6개월 동안의 코스닥지수를 벤치마크로 한 누적초과수익률(CAR)과 보유초과 수익률(BHAR)을 분석한 결과, 단변량 분석과 다분량 분석 모두에서 주간사의 계열관계 펀드에 대한 선호현상이 나타났다. 즉, 기간이 경과할수록 계열관계 펀드의 초과수익률이 높아졌는데, 3개월이 지나는 시점부터는 계열관계 펀드의 초과수익률이 비계열관계 펀드의 초과수익률보다 더 높은 것으로 나타났으며, 특히 배정을 적게 받은 계열관계 펀드의 초과수익률은 전 기간에 걸쳐 비계열관계 펀드의 초과수익률보다 더 높은 것으로 나타났다.

2기업의 기부금 결정요인과 기업가치

저자 : 김영식 ( Youngsik Kim ) , 위정범 ( Jungbum Wee )

발행기관 : 한국금융연구원 간행물 : 금융연구 33권 1호 발행 연도 : 2019 페이지 : pp. 35-68 (34 pages)

다운로드

(기관인증 필요)

초록보기

본 연구는 기업의 기부금 지출에 대한 결정요인을 분석하고, 기부가 기업가치 증대를 위한 전략적 투자인지 또는 대리인 비용의 성격을 지닌 비용인지를 살펴본다. 1992년부터 2017년까지 국내 상장된 705개의 기업자료를 이용한 분석결과는 적은 지분을 소유한 경영자가 더 많은 기부금을 지출하고, 특히 최대주주가 최고경영자를 맡고 있는 경우에 최대주주 지분율이 낮을수록 기부금이 유의하게 증가한다는 결론을 얻었다. 또한, 기부금 지출은 기업가치를 하락시키거나 유의한 영향을 주지 않는 것으로 나타났다. 기부금이 기업가치에 부정적 영향을 미친다는 결과는 기부금이 투자보다 비용의 성격을 강하게 갖고 있음을 의미한다. 그러나, 기부성향이 상대적으로 높은 기업의 기부금 지출은 기업가치에 긍정적 영향을 주는 것으로 나타나서, 기부금 지출이 무형자산 확대를 위한 투자의 성격도 갖고 있는 것으로 보인다. 기부금이 기업의 규모, 광고비 또는 연구개발비 지출, 시장지배력 등이 높을수록 증가하는 현상도 이런 측면을 시사한다. 또한, 기업의 이사회 구성이나 기관투자자의 지분율은 경영자의 기부결정에 영향을 주지 않으나, 외국인투자자의 지분율이 주요한 영향을 미치기 때문에 기업의 기부관행을 개선하기 내·외부적 규율장치의 필요성을 제시한다.

3우리나라 기간 스프레드의 경기예측력 증가 원인

저자 : 김기범 ( Ki-beom Kim ) , 구본일 ( Bon-il Ku )

발행기관 : 한국금융연구원 간행물 : 금융연구 33권 1호 발행 연도 : 2019 페이지 : pp. 69-103 (35 pages)

다운로드

(기관인증 필요)

초록보기

기존 연구결과에 따르면 기간 스프레드의 예측력이 나타나는 원인은 우선 경기안정을 상대적으로 중시하는 통화정책 기조가 계속 나타날 때와 다음으로 경제주체들에 의한 소비의 평활화 과정에서 인플레이션의 지속성이 높게 나타날 때로 이분된다. 이러한 시각에서 본 연구는 글로벌 금융위기 이전과 이후의 기간에 대하여 우리나라 기간 스프레드의 예측력 변화를 살펴보고 이러한 변화가 나타나는 원인을 분석했다. 그 결과는 다음과 같다. 첫째, 2008년 글로벌 금융위기 이전보다 위기 이후에 기간 스프레드의 예측력이 증가했다. 둘째, 글로벌 금융위기 이전보다 위기 이후에 중앙은행이 정책금리를 결정하는 과정에서 경제활동의 추세적인 변화를 더 많이 고려했던 것으로 나타났다. 셋째, 우리나라의 통화정책 기조를 기간별 테일러룰 추정을 통해 분석한 결과, 금융위기 이후로는 인플레이션에 대한 대응보다 경기안정을 중시하는 통화정책 기조가 관찰됐다. 넷째, 글로벌 금융위기 이전과 이후의 기간에서 우리나라 인플레이션의 지속성은 대체로 0.2 이하로 나타났다. 이는 단위근을 의미하는 1과 비교하면 낮은 수준으로 보인다. 본 연구의 전반적인 분석 결과들을 고려하면 글로벌 금융위기 이후로 기간 스프레드의 예측력이 증가한 것은 물가안정보다 경기안정을 중시하는 중앙은행의 적극적인 통화정책 기조에 기인한 것으로 생각된다.

4소비관련 거시변수를 통한 자산수익률의 예측

저자 : 박도준 ( Dojoon Park ) , 엄영호 ( Young Ho Eom ) , 한재훈 ( Jaehoon Hahn )

발행기관 : 한국금융연구원 간행물 : 금융연구 33권 1호 발행 연도 : 2019 페이지 : pp. 105-149 (45 pages)

다운로드

(기관인증 필요)

초록보기

본 연구의 목적은Lettau and Ludvigson(2001, 2005), Campbell and Cochrane(1999), Santos and Veronesi(2006) 등이 제시한 총자산 대비 소비비율, 잉여소비비율 그리고 소비 대비 소득비율 등의 소비관련 거시변수들을 한국의 자료를 이용하여 구성하고, 이 변수들이 자산의 수익률과 유의적인 관계를 가지는지를 실증적으로 검증하는 데 있다. 구체적으로 본 연구에서는 외국 연구사례의 통계자료와 우리나라의 통계자료를 비교하고, 주어진 자료의 제약하에서 국내 자료의 특수성을 고려하여 기존 연구에 최대한 근접한 방법으로 소비관련 거시변수를 구성하였으며 이 변수들을 활용하여 주식, 채권 및 부동산의 장기 기대수익률에 대한 예측력을 검증하였다. 실증분석결과 Lettau and Ludvigson(2001, 2005)의 총자산 대비 소비비율은 주가지수와 일부 채권지수 그리고 부동산지수의 수익률에 대해서 예측력이 통계적으로 유의하게 나타났다. Campbell and Cochrane(1999)의 잉여소비비율의 대용치인 Wachter(2006)의 잉여소비비율은 주가지수와 부동산 지수의 수익률에 대한 예측력이 있었고, Santos and Veronesi(2006)의 소비 대비 소득비율도 주가지수, 일부 채권지수 및 부동산지수에 대한 예측력이 발견되었다. 따라서 이들 소비관련 변수들이 자산의 수익률 예측뿐 아니라, 향후 한국 자본시장을 대상으로 하는 조건부 자산가격모형 혹은 다기간 자산가격모형의 실증분석에서 상태변수(state variable)로 사용될 수 있음을 보여주었다는 점에서 본연구의 의의가 있다.

5딥러닝 신경망을 이용한 신용카드 부도위험 예측의 효용성 분석

저자 : 윤종문 ( Jong Mun Yoon )

발행기관 : 한국금융연구원 간행물 : 금융연구 33권 1호 발행 연도 : 2019 페이지 : pp. 151-183 (33 pages)

다운로드

(기관인증 필요)

초록보기

본 연구는 국내·외 금융시장에서 아직 활성화되지 못한 딥러닝 신경망(deep learning neural network) 알고리즘을 이용해 신용카드 부도위험 예측의 정확도 향상 가능성에 대해서 점검한다. 이를 위해 기존 머신러닝 알고리즘(Logistic, SVM, Random Forest, Lasso 등)을 딥러닝 신경망 분석의 성능 점검을 위한 비교 지표로 활용한다. 우선, 딥러닝 신경망은 두 개의 은닉층(hidden layers)과 다섯 개의 뉴런(neuron)으로 구축하고, 활성함수(activation function)와 초기값(initial value) 설정방법에 따른 예측정확도를 도출한다. 그 결과 딥러닝 신경망 분석이 기존 머신러닝 알고리즘 보다 최소 0.6%p에서 최대 6.6%p 성능이 향상된 것으로 나타났다. 이 중 가장 높은 예측 정확도를 보인 활성함수와 초기값 설정방식은 ReLU(rectified linear units)와 Xavier(2010)이고 이를 기준으로 은닉층과 뉴런의 수를 각각 최대 10개와 25개까지 늘려 분석한 결과에서도 유사한 결과가 나타났다. 다만, 기존 연구에서와 같이 은닉층과 뉴런의 수의 증가에 따른 뚜렷한 성능의 향상은 나타나지 않았다. 또한, 이미지 식별 분야에서 높은 성능을 보였던 Dropout과 CNN(convolution neural network) 모델도 예측 정확도에서 큰 차이를 보이지 않았다. 이는 여기에서 사용된 신용카드 데이터가 다수 픽셀(pixel)로 이루어진 이미지 데이터와 비교해 양적·질적 한계가 있기 때문으로 판단된다. 한편, 본 연구에서 사용된 개인의 신용카드 부도 데이터는 횡단면 자료이기 때문에 시계열 데이터에서 높은 성능을 나타내는 RNN(recurrent neural network) 및 LSTM(Long-Short Term Memory) 등의 딥러닝 신경망 알고리즘을 사용하지는 않았다. 따라서 추후 시계열 자료가 포함된 빅데이터를 통해 이들 딥러닝 신경망 방법론을 적용한다면, 현재의 다양한 금융시장의 식별문제(신용등급, 연체율, 금리산정)에 있어 보다 향상된 결과를 도출할 수 있을 것으로 기대된다.

1
주제별 간행물
간행물명 수록권호

KCI등재

EU학 연구
25권 1호 ~ 25권 1호

KCI등재

한국물류학회지
30권 2호 ~ 30권 2호

ICT 정책·지식 디베이트 시리즈3 - 데이터 경제에서 ICT 정책
0권 0호 ~ 0권 0호

ICT 정책·지식 디베이트 시리즈2 - OTT와 미디어 규제모델
0권 0호 ~ 0권 0호

ICT 정책·지식 디베이트 시리즈1 - 인터넷 망의 최적 이용 모델
0권 0호 ~ 0권 0호

KCI등재

경제교육연구
27권 1호 ~ 27권 1호

KCI등재

경제사학
72권 0호 ~ 72권 0호

해양한국
2020권 5호 ~ 2020권 5호

KCI등재

산업조직연구
28권 1호 ~ 28권 1호

KCI등재

여성경제연구
17권 1호 ~ 17권 1호

재정포럼
286권 0호 ~ 286권 0호

KCI후보

한국경제포럼
13권 1호 ~ 13권 1호

한국경제의 분석
26권 1호 ~ 26권 1호

주간금융브리프
29권 6호 ~ 29권 8호

열린충남
90권 0호 ~ 90권 0호

한국경제주평
873권 0호 ~ 874권 0호

KCI등재

소비자학연구
31권 1호 ~ 31권 2호

KCI등재

한국경제지리학회지
23권 1호 ~ 23권 1호

KCI등재

산업조직연구
28권 1호 ~ 28권 1호

충남경제
2020권 3호 ~ 2020권 3호
발행기관 최신논문
자료제공: 네이버학술정보
발행기관 최신논문
자료제공: 네이버학술정보

내가 찾은 최근 검색어

최근 열람 자료

맞춤 논문

보관함

내 보관함
공유한 보관함

1:1문의

닫기