재무변수 및 주식가격 변수를 이용한 회사채 신용등급 예측모형의 개발

김진선,최영문 韓國公認會計士會 2006 회계·세무와 감사 연구 Vol.43 No.-

선행연구에 의해 개발된 회사채 신용등급 예측모형에서는 신용평가 기관이 특정기업의 신용평가시 사용할 것으로 상정된 여러 가지 재무변수들이 예측모형에 독립변수로 포함된 바, 이 독립변수들은 모두 객관적으로 관찰이 가능한 과거 및 현재의 재무적 특성들에 관한 것으로 한정되었다. 그러나 실제로 신용평가기관이 특정기업의 회사채 신용등급을 결정할 때는 해당 기업의 과거 및 현재의 재무적 특성뿐만 아니라 당해 기업의 미래 경영성과(전망)를 고려하리라는 것은 상식에 부합한다. 따라서 본 연구에서는 기업의 미래의 수익성과 관련성을 갖는 주식가격 변수를 선택하고 이들 주식가격 변수가 회사채 신용등급 예측모형에서 유의한 설명력을 가지며 모형의 등급예측력(예측적중률)을 높이는데 기여하는지의 여부를 검토한다. 또한 일부 선행연구에서 사용된 바 있는 회귀모형(OLS)의 강건성을 확인할 목적으로 N-probit 모형을 적용한 예측모형도 함께 검토한다. 본 연구에서는 2000년부터 2004년까지의 5년의 기간에 걸쳐 회사채등급이 존재하는 510개 거래소 상장 및 KOSDAQ 등록기업을 표본으로 하여 이중 340개 기업-년 관찰치를 예측표본으로 하고 나머지 170개 기업-년 관찰치를 예측모형의 정확도(예측적중률)를 검토하기 위한 검증표본으로 하였다. 중요한 검증결과는 다음과 같다. 첫째, 15등급 체계의 경우(+, 0, -를 별개의 등급으로 정의할 때) 최종 예측모형의 설명력은 75.7%에 달하며, 한 등급 차이 내로 예측할 수 있는 정확도가 74.1%에 이른다. 회사채 등급의 +, 0, -를 구분하지 않은 5등급 체계의 경우의 모형의 전체적인 설명력은 70.3%이며, 예측된 등급과 실제 등급이 일치하는 적중률은 70.0%로서 신용등급을 6등급으로 분류하여 예측한 Kaplan and Urwitz(1979)의 예측적중률 69%에 비견할 만하다. 둘째, 기업의 미래 수익성 전망을 대표(proxy)하는 주식가격 변수로서 주가순자산 비율과 누적시장조정수익률의 상대적 기여도를 분석한 결과 예측모형에서 이들 주식가격 변수의 계수추정치가 통계적 유의성을 보이며 이 두 변수가 예측모형의 설명력과 예측정확도에 미치는 기여도가 적지 않은 것으로 나타나고 있다. 이러한 검증결과는 기업신용평가기관이 회사채 신용등급을 결정함에 있어 기업의 과거 및 현재의 재무적 특성뿐만 아니라 미래의 수익성 전망을 일정수준 반영하는 증거로 해석된다. 셋째, 위의 검증결과들을 N-probit 모형을 사용하여 비교․검토한 결과 OLS 회귀모형을 적용한 경우와 거의 동일한 결과가 도출되어 OLS 회귀모형의 강건성을 확인할 수 있다. 15등급 체계 및 5등급 체계의 경우 모두 OLS 회귀모형에 기초하여 도출된 예측모형에 포함된 독립변수들이 N-probit 모형을 사용하여 추정된 예측모형에서도 예외 없이 통계적 유의성을 보이며, 예측모형의 예측정확도는 약간 높거나(15등급 체계의 경우) 유사하다(5등급 체계의 경우). 또한, 예측모형에서 주식가격 변수의 계수추정치가 통계적 유의성을 보이며 예측모형의 예측정확도에 미치는 공헌(기여)도 재차 확인된다. 이러한 연구결과는 향후의 연구가 주식가격 변수를 이용할 수 없는 비상장기업에 적용가능한 회사채 신용등급 예측모형의 개발에 집중될 필요가 있음을 간접적으로 시사하고 있다. Bond rating prediction models developed in the existing studies include observable past and present financial characteristics only as independent variables. However, it may be a reality that bond rating agencies -- when assigning bond ratings -- would take into account future earnings prospects of rated companies as well as those firms' past and present financial characteristics. Hence this study selects two stock price-based variables, which may be potentially correlated with future corporate earnings performance, to investigate if these stock price-based variables add statistically significant explanatory power to the bond rating prediction model and contribute to enhancing the prediction accuracy of the bond rating prediction model. Selected stock price-based variables are Price-to-Book ratios and cumulative market-adjusted returns. The bond rating prediction model developed in this study adopts both OLS regression method and N-probit model, using 510 firm-year observations of a sample of December year-end non-financial firms listed on the Korea Stock Exchange and KOSDAQ over the 2000-2004 period. Among 510 firm-year observations, two thirds are used as an estimation sample, while the remaining constitute a validation sample to measure the prediction accuracy of the model. First of all, the overall explanatory power of the model reached 75.7%, and coefficients of most independent variables showed signs as predicted. The final model predicted correctly 74.1% of the validation sample within a single category of margin across 15-rating hierarchy. In case of 5-rating hierarchy, the final model predicted correctly 70.0% of the validation sample. This hit rate figure is comparable to that of Kaplan and Urwitz(1979). Secondly, two stock price-based variables, which may proxy future profit performance of sample firms, contribute significantly to the prediction accuracy and the overall explanatory power of the model. This result, coupled with significant coefficients of those two variables in the prediction models, indicates that the rating agencies may take into account future earnings prospect as well as past and present financial characteristics of rated firms. Finally, when the prediction model is derived based on an N-probit model, empirical findings are very similar to those of OLS-based prediction models, confirming the robustness of OLS regression models. Both in cases of 15-rating and 5-rating hierarchy, independent variables selected for the OLS regression models show statistical significance in corresponding N-probit models without exception. The prediction accuracy of N-probit models is slightly higher than that of OLS models in case of 15-rating hierarchy, while the results are mixed in case of 5-rating hierarchy. Two stock price-based variables, which proxy future profit performance of sample firms, also contribute significantly to the prediction accuracy of the model, which confirms the finding from OLS-based models. These results indirectly imply that future research should be focused on the development of a bond rating prediction model that can be applicable to non-listed firms for which stock price-based variables are unavailable.

기본변수모형의 이익예측력 비교: 구조적 접근과 경험적 접근

나종길 ( Chong Kil Na ),신희정 ( Hee Jeong Shin ) 한국회계학회 2014 회계학연구 Vol.39 No.4

기본분석(fundamental analysis)연구는 기본변수들에 근거하여 추정한 근본가치가 자본시장의 가치평가와 다른 주식을 인지하고자 한다. 근본가치의 추정은 미래 기업성과의 예측을 수반하므로 미래이익에 대하여 체계적인 설명력을 갖는 기본변수의 선정이 효과적인 기본분석을 위해 핵심적인 사항이라고 할 수 있다. Lev and Thiagarajan(1993)등 선행연구들에서는 미래이익의 예측과 관련하여 어떠한 기본변수들이 사용되어야 하는가에 대한 체계적인 논리없이 경험적 바탕에서 선정된 기본변수들을 사용하였다. 이처럼 경험적 접근에 근거한 기본변수들은 자의적이고 상호 상관관계가 높은 경우가 많았으며, 연구별로 사용된 기본변수들도 서로 다르다는 문제점을 가진다. 이와는 달리 Penman and Zhang(2006)은 잔여이익평가모형과 회계시스템의 구조적 특성에 근거하여 미래이익의 예측과 관련되는 기본변수들을 논리적으로 제시하였으며, 이러한 기본변수들의 미래이익에 대한 예측력은 후속연구들에 의해서 지지되었다. 그러나 이처럼 구조적접근에 근거한 기본변수들이 경험적 접근에 근거한 기본변수들과 비교하여 이익예측력이 우수한가는 적절한 기업가치평가와 관련하여 중요한 실증적인 문제라고 할 수 있다. 이러한 관점에서 본 연구는 경험적 기본변수들과 구조적 기본변수들이 가지는 미래이익에 대한 정보성을 비교분석하였다. 분석결과 구조적 접근에 근거한 기본변수들이 실증적으로도 미래이익의 예측력에 있어 우수함을 보였다. 미래이익변화수준과 미래이익변화방향에 대한 분석 모두에서 구조적 접근에 근거한 기본변수들이 보다 우수한 예측력을 나타냈으며, 이러한 예측력차이는 통계적으로도 유의하게 나타났다. 본 연구결과는 기업가치평가라는 실무적 측면에서 구조적 접근에 근거한 기본변수들의 사용이 매우 유용할 수 있다는 점을 시사한다고 할 수 있다. Research on fundamental analysis has reported the usefulness of accounting information on financial statement to predict future earnings which are deemed to be the most important determinant of firm value. Theses studies assume that information in general purpose financial statement can help investors to forecast earnings and firm`s intrinsic value which, then, can be compared to the observed market prices. In this way, fundamental analysis can help investors separate ex-post winners from losers based on the financial statement information. Following the lead of Ou and Penman(1989), many studies used accounting variables to predict future earnings and future returns, assuming that if the market is not efficient in terms of timely reflecting the value-relevant information into stock prices, then better forecasts of earnings will predict future returns. For example, Lev and Thiagarajan(1993) selected 12 accounting variables that are used by analysts in firm value determination process. They reported that these variables are associated with contemporaneous returns, after controlling for current earnings, firm size, and macro-economic conditions. With regard to the market` efficiency in reflecting value-relevant information, Abarbanell and Bushee(1997, 1998) examined the ability of Lev and Thiagarajan(1993)`s variables to predict future revisions in analysts` earnings forecasts and future returns. They reported that these variables can explain future revisions of analysts` earnings forecasts and that the trading strategy based on these variables generate significant abnormal returns. Piotroski(2000) applied fundamental analysis to high book-to-market ratio(or value firms), assuming that these firms tend to be neglected by the market participants and do not timely reflect financial statement information. He reported that financial statement information can be used to separate winners from losers in terms of excess returns. Mohanram(2005) applied fundamental analysis to low book-to-market ratio(or glamour firms) and reported that measures tailored to growth firms help to separate ex-post winners from losers in terms of excess returns. He also argued that growth oriented fundamental variables are effective for low book-to-market ratio firms. In this way, many studies have focused on the usefulness of fundamental analysis in predicting future earnings and future returns. However, due to the lack of a theory relating fundamental variables to firm value, different studies employed different fundamental variables in the analysis and many correlated variables were included in the predictive regression for future earnings and future returns. Recently, Penman and Zhang(2006) took a structured approach in selecting the fundamental variables based on residual income valuation model. Specifically, they examined the predictive ability of the components of return on net operating assets(RNOA) for the one-year-ahead changes in RNOA. In comparison to previous studies, their variables selection was theoretically guided by incorporating the accounting structure involved in earnings measurement. Subsequent studies reported that the structure based variables are useful in predicting future earnings changes. For example, Wieland(2011) employed the Penman and Zhang`s variables to identify analysts` earnings forecasts that correctly and incorrectly predict an earnings increase. Also Wahlen and Wieland(2011) reported that Penman and Zhang`s variables can be used to identify companies with a greater likelihood of future earnings increases. However, whether the theoretically sound fundamental variables are superior to traditional experience-based fundamental variables remains an empirical question. The purpose of this study is to compare the predictive ability of two fundamental variable models: the experience based model by Lev and Thiagarajan(1993) and the structure based model by Penman and Zhang(2006). This comparison is motivated by the importance of the accurate predictive ability of fundamental variables in investment decisions. We design our empirical tests with the goal of identifying a fundamental variable model with more accurate predictive ability for future earnings. This identification is obtained by comparing the predictive ability of individual and aggregate fundamental variables between the two models. The comparison was performed using 6 variables in both approaches. Each year between 2000 and 2013, we identify non-financial December year-end firms with sufficient earnings and fundamental variables data on KOSPI market. Earnings and fundamental variables data are obtained from New-KISVALUE database. In order to compare the two fundamental variables model, we need sample firm-years that have both fundamental variables. This selection procedure yields the final sample of 4,189 firm-years. Empirical results from both ordinary least square regression and logit regression indicate that both fundamental variables have information contents for future earnings. However, the structure based model outperforms experience based model in terms of accurately predicting future earnings changes. The adjusted  in the structured approach is higher than the one in the experience-based approach. The Z statistics of Vuong test and M statistics of Clarke test indicate that the difference is significant, respectively. While all variables of the structured approach except for profit margin(PMC) indicated statistical significance in predicting future earnings changes, only inventory(INVC) variable showed statistical significance in the experience-based approach. We also employed a summary measures of individual variables in order to estimate the overall informativeness of the fundamental variables. The summary measures were estimated by adding all individual probability of earnings increase from LOGIT regression, each year using a rolling 5 year period. A low(high) summary measure represents a firm with very few (mostly) good news. The results remains unchanged. The results remains unchanged after we controlled the heteroskedasticity and time-series autocorrelation problems. In short, in comparison to the experience-based fundamental variables, the structure-based fundamental variables with a solid theoretical basis appear to have a better forecasting ability for future earnings.

새마을금고 재무적 특성의 부실예측에 관한 연구

조희국 ( Hee Gook Cho ),김영수 ( Yeong Soo Kim ) 아시아.유럽미래학회 2011 유라시아연구 Vol.8 No.2

새마을금고(이하“금고”라 약칭함)는 대표적 서민금융기관으로서 지역 밀착경영을 통해 성장 발전해 왔으나 최근의 금융환경변화는 새마을금고의 지속가능 경영에 있어서 그 어느 때 보다도 강력한 경쟁력이 요구되고 있다. 금고가 위기를 극복하고 급변하는 금융환경 속에서 살아남기 위해서는 금고 내부에 존재하는 비효율적인 부실요소를 밝혀내어 이를 제거하고 개선하려는 노력이 이루어 져야 할 것이다. 따라서 부실을 사전에 예측하고 부실여부를 객관화하기 위한 부실예측모형을 도출하고 도출된 모형의 예측력과 유용성을 검증하였다. 이를 위해 표본금고 300개를 선정하여 이중 2008년 말 현재 경영실태평가(CAMEL평가)에 따라 부실금고로 분류된 60개의 금고와 우량금고로 분류된 금고 46개를 대상으로 2005년~2008년 기간 동안 주요 재무비율을 이용한 판별분석을 실시하여 부실예측모형을 도출하였다. 도출된 모형을 이용하여 194개 검증용 표본에 대하여 모형의 예측력을 검증한 결과 첫째, 총 19개 재무특성변수 중 부실예측에 유용한 변수는 총 6개 변수로 이들 변수들 가운데 금고의 부실여부 판별에는 안정성 및 유동성, 수익성, 자산규모, 활동성 지표들이 유용한 것으로 나타났다. 둘째, 판별함수에서 채택된 변수들이 안정성 및 수익성, 자산규모 위주의 변수들로 나타난 반면 과거에 평가모형이나 부실예측모형에 다수 선택된 성장성 관련 재무특성변수들이 포함되지 않았다는 것은 금융위기이후 성장성 보다는 안정성과 수익성 및 대형화가 부실화 여부를 판단하는 주요 변수가 되고 있음을 알 수 있었다. 셋째, 부실예측모형의 분석용 표본 예측력은 우량금고의 경우 -4년에 82.6%, -3년에 89.1%, -2년에 89.1%, -1년에 93.4%로 예측하여 예측년도에 가까워질수록 높게 나타났고, 부실금고를 정확하게 예측할 확률은 -4년도에 90.0%, -3년도에는 88.3%, -2년도에는 95.0%, -1년도에도 95.0%로 예측년도에 가까워 질수록 높게 나타났으며 우량금고 예측보다 부실금고의 예측평균이 더 높게 나타났다. 예측기간이 짧아질수록 부실금고와 우량금고의 예측력이 높아지는 것은 표본 기간 동안 금고의 경영실적이 좋아지면서 부실금고와 우량금고 구분이 명확해져 모든 예측력의 결과를 일정하게 잘 나타내 주고 있다고 판단 된다. 넷째, 전체적으로 분석용 표본의 예측력은 92.1%로 나타났으며 검증용 표본에 의한 평균 부실예측모형의 예측력이 81.0%로 나타났다. 따라서 본 연구의 모형이 금고 부실에 대한 조기예측 및 건전경영을 기대하는 금융 감독 당국에도 유용한 지표가 될 것이며, 이론적 근거를 제공하는데 유용한 연구가 될 것 이다. To predict the bankruptcy of Saemaeul Kumko (“Kumko”) and objectively determine its bankruptcy, a model of bankruptcy prediction was developed, and the predictive power and utility of the model were verified. For the purpose of the study, 300 sample kumkos were selected. They were then divided into 60 kumkos, which had been classified as bankrupt kumko, and 46 kumkos classified as blue chip, according to the CAMELS rating (assessment of the kumko’s management condition) conducted at the end of 2008. Then, a discriminant analysis was carried out to come up with the prediction model, using the major financial ratios from 2005 to 2008. Using the model, the results of testing the predictive power of the model regarding 194 samples are as follows: First, among the 19 financial variables, 6 were considered useful in bankruptcy prediction, among which such indicators as stability, liquidity, profitability, asset size, and activity were found to be useful in discriminating the bankruptcy of a kumko. Second, while variables based on stability, profitability, and asset size were adopted from the discriminant function, growth-related financial variables were not included even though they used to be selected for an assessment model or a model of bankruptcy prediction. This showed that since the financial crisis, stability, liquidity, and super-sizing have been critical factors in determining whether a kumko is bankrupt or not. Third, As for the predictive power of testing samples in the model, the predictive of power of the Good kumko appeared higher towards the year of prediction (Y): 82.6% in the Y-4 year, 89.1% inY-3, 89.1% in Y-2, and 93.4% in Y-1. The percentage of accurate prediction of bankruptcy also became higher towards the year of prediction with 90.0% in Y-4, 88.3% in Y-3, 95.0% in Y-2, and 95.0% in Y-1. The average prediction of the bankrupt kumkos was higher than that of the Good kumko ones. The predictive power of the blue-chip kumko was higher as the prediction period became shorter, because the kumko’s business results improved during the sampling period, yielding a clear distinction between the bankrupt and Good kumko and, in turn, the consistent results of the predictive power of all the kumkos. Fourth, the entire predictive power of the analysis sample was 92.1%, and that of the average bankruptcy prediction model was 81.0%. Therefore, this model will be a useful indicator for the financial authorities if they look forward to early predictions of bank bankruptcy and sound management. Additionally, this study will help provide theoretical foundations

머신러닝 기반의 우리나라 장애인 경제활동 수준 예측 - 랜덤포레스트 변수 선별 기법에 따른 정부 예산의 중요도 중심으로 -

박성용,김정우 사단법인 한국융합기술연구학회 2022 아시아태평양융합연구교류논문지 Vol.8 No.12

This study predicts the economic activity level of the disabled in Korea using various machine learning methods. While the previous studies mainly focused on testing the relationship between the economic activity level and the life satisfaction or the social security system, this study aims at the accurate prediction of the economic activity level of the disabled using various machine learning methods with the random forest feature importance and the forecast combination. Dependent variables such as economic activity rate, employment rate and independent variables such as the government budgets for the disabled compose the dataset in this study, to which seven different machine learning methods and two forecast combinations are applied. The prediction performances of the machine learning method and the forecast combination differed depending on the dependent variables and prediction intervals. But it was found that the forecast combination was relatively superior to other methods in terms of the stability of prediction. The case using the random forest feature importance achieves more accurate results than the case using all variables. This study has significance in that it accurately predicted the economic activity level of the disabled and achieved the stability of the prediction, increasing the practicality from a policy perspective. 본 연구는 우리나라 장애인의 경제활동 수준을 다양한 머신러닝 기법으로 예측하고자 하였다. 장애인의 경제활동 수준과 관련한 기존 연구들은 장애인의 삶의 만족도, 사회보장제도 등과 연관된 인과성 검증을 중심으로 이루어진 데 반해, 본 연구는 정확한 예측을 위해 다양한 머신러닝 기법을 사용하였으며, 특히 랜덤포레스트 변수 중요도와 예측조합법을 사용하여 예측의 안정성을 도모하였다. 본 연구에서 사용된 데이터는 종속변수를 장애인의 경제활동참가율과 취업률, 실업률로 설정하고 설명변수를 정부의 장애인 관련 예산으로 설정하였다. 설명변수를 모두 사용한 경우와 랜덤포레스트 변수 중요도로 선별한 경우를 6가지의 머신러닝 기법과 2가지의 예측조합법을 적용하여 예측결과들을 비교하였다. 분석 결과, 종속변수별, 예측구간별로 예측성능이 높은 머신러닝 기법 및 예측조합법은 상이하였으나, 예측의 안정성 측면에서는 예측조합법이 상대적으로 우수한 것으로 나타났다. 그리고 설명변수를 랜덤포레스트 변수 중요도로 선별한 경우가 더 양호한 결과를 보여주었다. 이에 따라, 본 연구는 장애인의 경제활동 수준을 정확히 예측하고 예측의 안정성을 도모하여 정책적 관점에서도 실용성을 제공할 수 있다고 볼 수 있다.

분류 분석을 위한 명목형 예측변수 변환 방법

김지우(Ji Woo Kim),조형준(HyungJun Cho) 한국자료분석학회 2021 Journal of the Korean Data Analysis Society Vol.23 No.4

로지스틱회귀모형, 선형판별분류분석, 의사결정나무, 지지벡터기계 같은 다양한 방법으로 수행할 수 있는 분류 분석은 반응변수와 예측변수의 정보를 이용하여 개체를 특정 집단으로 분류하는 것이다. 일반적으로 분류 분석의 모형 추정은 예측변수가 연속형일 때 주로 정의 되어져 있다. 명목형 예측변수를 이용하기 위해 가변수 변환 후에 사용하고 있지만, 이는 반응변수 또는 명목형 예측변수의 범주가 많은 경우에 차원의 기하급수적 증가로 인하여 필요 모수 추정이 불안하여 비정칙 같은 문제점이 종종 발생한다. 적용 가능한 예측변수가 많아지고 다양해지면서 가변수 변환을 적용할 수 없는 경우도 발생한다. 따라서, 분류 분석에서 명목형 예측변수를 효과적으로 사용하기 위해 다른 변환 방법이 필요하다. 대안으로 반응변수의 정보를 반영하여 명목형 범주에 순서를 적절히 부여하는 CRIMCOORD 변환 방법을 소개한다. 이를 분류 분석에서 예측력을 가변수 변환과 비교 분석한다. 실제 자료를 훈령용와 검증용으로 분할하여 분류 분석 방법을 적용한 비교 실험 결과, CRIMCOORD 변환은 가변수 변환의 문제점을 보완해 주었다. 정보의 일부 손실에도 불구하고 손실을 최소하는 변환으로 분류 분석에서 예측력이 감소하지 않는 결과를 얻었다. Classification analysis, which can be performed by logistic regression, linear discriminant analysis, decision trees, support vector machine, utilizes the information of response and predictor variables. In general, model estimation is defined well when predictor variables are continuous. For nominal variables, dummy variable transformation is often employed; however, when the number of categories of response and predictor variables is large, the dimensionality is inflated dramatically and a singularity problem may occur because of unstable parameter estiomation. Various predictor variables may not be applicable for it. Therefore, alternative transformations are needed to utilize nominal variables efficiently. As an alternative, CRIMCOORD transformation is introduced and compared. As the result with train and test data partitions applied to classification analysis, CRIMCOORD remedies the problem of dummy variable transformation. In spite of somewhat loss of infromation, the prediction accuracy has not been decreased in classification analysis by minimizing the loss.

건전성 예측을 위한 모델변수 추정방법의 비교

안다운,김남호,최주호,An, Dawn,Kim, Nam Ho,Choi, Joo Ho 한국전산구조공학회 2012 한국전산구조공학회논문집 Vol.25 No.4

Remaining useful life(RUL) prediction of a system is important in the prognostics field since it is directly linked with safety and maintenance scheduling. In the physics-based prognostics, accurately estimated model parameters can predict the remaining useful life exactly. It, however, is not a simple task to estimate the model parameters because most real system have multivariate model parameters, also they are correlated each other. This paper presents representative methods to estimate model parameters in the physics-based prognostics and discusses the difference between three methods; the particle filter method(PF), the overall Bayesian method(OBM), and the sequential Bayesian method(SBM). The three methods are based on the same theoretical background, the Bayesian estimation technique, but the methods are distinguished from each other in the sampling methods or uncertainty analysis process. Therefore, a simple physical model as an easy task and the Paris model for crack growth problem are used to discuss the difference between the three methods, and the performance of each method evaluated by using established prognostics metrics is compared. 건전성 예측은 구조물의 고장이 발생될 때까지 남은 시간인 잔존유효수명을 예측하는 것으로, 이는 안전 및 정비 계획과 직접적으로 연관되기 때문에 매우 중요하다. 건전성 예측방법에는 물리모델 기반방법, 데이터 기반방법과 두 방법의 장점을 통합하는 방법이 있으며, 본 연구에서는 잔존수명 예측의 정확도가 모델변수 추정과 직접적으로 관련되는 물리모델 기반 건전성 예측에 초점을 맞춘다. 물리모델기반 건전성 예측에서는 모델변수 추정을 통해 시스템 상태의 장기 예측이 가능하지만, 대부분의 실제 구조물들의 상태모델은 여러 개의 모델변수를 포함함은 물론이고, 그 변수들이 서로 상관되어 있기 때문에 모델변수를 추정하는 일은 간단한 문제가 아니다. 본 연구에서는 물리모델 기반 건전성 예측을 위한 세 가지 변수 추정방법들의 차이를 논한다. 이 세 가지 방법들은 파티클 필터, 전반적인 베이지안 접근법, 그리고 순차적인 베이지안 접근법으로 모두 베이지안 추론이라는 하나의 이론적 바탕에 기반하지만, 샘플링 방법이나 갱신 절차 등에서 차이가 있다. 균열성장을 표현하는 Paris 모델의 변수 추정을 통해 세 가지 방법의 차이점이 논해지고, 건전성 예측 메트릭을 이용하여 정량적 차이를 표현한다. 파티클 필터방법이 건전성 예측 메트릭 측면에서 가장 높은 성능을 나타내었지만, 전반적인 베이지안 방법은 파티클 필터방법과 근소한 차이를 보이면서도 데이터가 집단으로 존재할 때에는 가장 효율적인 방법으로 나타났다.

미국 대선 예측 연구의 과거와 현재

신계균(Geiguen Shin) 명지대학교 미래정치연구소 2012 미래정치연구 Vol.2 No.1

누가 과연 다음 대통령 선거에서 당선될 것인가? 어떻게 미리 그 결과를 예측할 수 있을 것인가? 이들 질문들은 미국 대통령 선거가 1년이라는 긴 시간을 통해 진행되는 만큼, 선거를 앞둔 유권자들 사이에 가장 흥미 있는 질문들일 것이다. 하지만 이러한 질문들에 대해 선거 과정 그 자체의 이론적 설명에 초점을 두는 연구들은 효과적인 답변을 내놓지 못하는 반면, 선거 결과에 대한 예측의 정확성에 중점을 두는 연구들은 상대적으로 설득력 있는 답변을 내어 놓을 수 있었다. 최근 30년간 미국 정치학회의 선거 예측 연구는 정확한 예측을 위한 비약적인 이론적 방법론적 성과가 있어왔다. 초기 연구는 대통령의 지지율과 실제 득표율에서 밀접한 관계를 지적했고, 이후 지지율과 함께 재임기간 중 현직의 경제적 업무 수행 변수를 덧붙임으로써 선거 결과에 있어 보다 정확한 예측을 시도하였다. 이러한 지지율 변수와 경제 변수를 중심에 둘 때, 최근 많은 연구들은 임기, 유권자 선호, 예비선거 결과, 재정 정책 등과 같은 보다 지속적이고 설득력 있는 변수들을 모델에 포함시킴으로써 더 정교한 예측 모델을 구축하는 데 집중하였다. 이러한 미국 대선 예측 연구를 검토함으로써, 본 연구는 어떻게 미국 정치학회의 대선 예측 연구들이 진행되어 왔고, 이를 토대로 어떻게 2012년 미국 대선이 예측 될 수 있는지, 그리고 이러한 미국적 선거 예측 모델이 얼마나 효과적으로 한국 대선 예측 연구에 적용될 수 있는지 간략히 언급한다. Who will win the next presidential election? How would you make a prediction? These questions are uppermost on nearly everyone’s mind as American presidential campaign goes through a year. While most of political scientists have not sufficiently answered these questions by paying more attention to explanatory research on elections, empirical political scientists have provided a dynamic prediction by focusing on the issue of the accuracy of forecasting elections. The election-forecasting research is now more than three decades and continue to grow both in its volume and in the accuracy of models and their evaluation. The earliest forecasting models provided a significant association between presidential popularity and presidential vote. Soon thereafter, some forecasting studies created a core forecasting equation by combining an indicator of economic conditions and presidential popularity. After that, a number of new and intriguing models were developed, and these models added to the core variables several ideas, such as “time for a change” variable that says a longer staying in presidency by one party negatively impress the public, trial-heat or preference poll responses, primary results, fiscal policy, and so on. Based on these past and present studies, the purpose of this study is to explain how the recent studies of presidential election forecasting models have developed, how 2012 American presidential elections can be predicted based on the existing forecasting models, and what Korean forecasting scholars can learn from the American forecasting models.

LSTM 기반의 식품공장 전력 소비 예측을 위한 최적 변수조합 도출

이형아(Hyungah Lee),김동주(Dongju Kim),조우진(Woojin Cho),구재회(Jae-Hoi Gu) 한국환경에너지공학회 2023 한국열환경공학회 학술대회지 Vol.2023 No.1

공장에너지관리시스템 (FEMS)은 정보통신기술 (ICT) 을 기반으로 공장의 에너지 사용을 실시간으로 모니터링, 분석, 제어하며 에너지를 효율화하는 시스템으로, 국내 에너지 소비의 큰 비중을 차지하는 산업부문의 에너지 소비 절감 기술로서 주목받고 있다. 공장에너지관리시스템에 적용되는 다양한 기능들 중 에너지 소비 예측은 에너지 소비 현황 모니터링과 더불어 공장의 에너지 공급량과 비용을 적절하게 설계하기 위한 중요한 첫 단계이다. 인공지능을 활용하여 여러 유형의 건물을 대상으로 에너지 분석과 예측에 대한 연구가 활발히 진행되고 있는 추세이며, 머신러닝 기반의 에너지 예측 기능을 에너지관리시스템에 적용함으로써 보다 효율적인 공장 운영과 에너지 관리에 기여할 것으로 기대된다. 하지만 다른 유형의 건물과 달리 공장, 특히 식품공장 대상의 에너지 분석 및 예측에 대한 연구는 매우 미흡한 상황이다. 이러한 배경 하에 본 연구에서는 식품공장을 대상으로 LSTM을 활용하여 전력 사용량 예측을 수행하였다. 연구의 목적은 대상 식품공장에서 수집된 데이터들을 활용하여 전력 사용량 예측을 위한 최적의 변수 조합을 도출하고, 활용 변수를 최소화함에 있다. 활용 변수를 최소화함은 계측 인프라 구축의 단순화를 의미한다. 구축하는 계측 인프라 종류의 단순화를 통해 제반 비용을 줄임으로써 사업자의 공장에너지관리시스템 적용 부담을 낮추고 접근성을 높일 수 있다. 테스트 대상인 변수에는 전일 전력 사용량, 제품 생산량, 인력 투입시간, 투입인원 수, 온도, 습도가 포함되며, 31 가지의 변수 조합에 대해 5 번씩 모델 테스트를 시행하여 예측 성능을 확인하였다. 연구 결과, 6가지의 모든 변수를 사용하였을 때 예측 성능이 가장 우수하였으나, 전 일 전력 사용량만을 사용하였을 때에도 두 번째로 높은 예측 성능이 확보됨을 확인하였다(avg.CvRMSE 18.33%, avg.R² 0.797). 이에 해당 모델을 기반으로 하이퍼파라미터 튜닝 동의 모델 고도화 작업을 통해 보다 높은 예측 성능을 확보할 수 있을 것으로 예상한다.

베이지안 머신 러닝을 이용한 은행권 주택담보대출 예측

강규호 예금보험공사 2018 金融安定硏究 Vol.19 No.1

본 연구는 우리나라 주택담보대출의 베이지안 머신 러닝 분포예측 기법을 제시하고 실제 예측결과를 분석한다. 주택담보대출 예측은 크게 세 단계로 이루어진다. 첫 번째 단계는 변수선택이다. 다수의 잠재적인 예측변수 중에서 주택담보대출 자료만을 이용한 일변수 모형보다 정확한 표본외 주택담보대출 예측력을 나타내는 ADL 모형의 예측변수만을 선택한다. 두 번째 단계에서는 선택된 예측변수를 대상으로 다수의 시계열 예측모형을 추정하고, 표본외 예측력을 기준으로 모형별 가중치를 산출한다. 마지막으로 예측 조합인데, 모형별 사후예측분포에 가중치를 부여한 예측분포를 샘플링한다. 2007년 12월부터 2016년 10월까지의 월별자료를 분석한 결과, 예측변수 및 모형 불확실성이 존재할 뿐만 아니라 시변하였다. 최근 주택담보대출 급등세는 수도권 아파트 매매가격지수가 주도적인 역할을 했으며, 올해 초 14%까지 달했던 주택담보대출 증가율은 2016년 11월 이후 차츰 둔화되어 10% 내외의 증가율을 보일 것으로 전망되었다. This paper provides a mortgage loan prediction method and density forecasts. To this end, we develop a Bayesian machine learning algorithm based on conditional Bayesian model averaging. In this approach, the uncertainties of the parameters, models, and prediction variables are incorporated in the predictive density simulation. The first learning stage is the variable selection. Among a number of potential prediction variables we choose the prediction variables which improve the one-month-ahead predictive density accuracy compared to an uni-variate model. The second learning stage is the model choice. We evaluate both direct and indirect prediction models using the selected prediction variables. The model weights are obtained by the relative out-of-sample density prediction performance, In the last stage, the predictive density forecasts are constructed using the model-specific density forecasts and model weights. According to our empirical results based on the monthly data ranging from December 2007 to October 2016, the variable and model uncertainties are substantial, and the relative importance of the variables and models are dramatically time-varying. It is also found that recent rises of the mortgage loan are attributed to the changes in the apartment price index. Finally, the mortgage loan growth forecasts are decreasing in the forecast horizon.

결합부도예측모형을 이용한 항공산업 자금운용의 위험관리방안

장욱 ( Uk Chang ) 한국항공경영학회 2013 한국항공경영학회지 Vol.11 No.1

본 논문은 항공산업 자금운용을 위한 위험관리방안을 제시하는 것을 목적으로 한다. 이를 위해 먼저 EDF와 신용스프레드와 같은 시장변수를 구한 후, 이를 재무건전성을 나타내는 CAEL 재무변수들과 결합을 통해 결합부도예측모형을 추정한다. 결합부도예측모형은 부도사례기반모형이 가지는 자료제약과 시기적 편중 문제를 해결하고 시장변수기반모형이 가지는 대상기업제약과 시장비효율성 문제를 완화시킬 수 있다. 본 논문은 은행과 저축은행에 대하여 결합부도예측모형을 추정하여 각 모형의 변수와 성과를 기존의 부도사례기반모형과 비교한다. 모형의 성과를 비교하는 방법론으로서 적합성검증은 변별력 측면에서 수행한다. 저축은행의 경우에는 부도사례기반모형과 결합부도예측모형 모두 자본적정성, 자산건전성 관련 지표가 선택되고 전체 내표본을 사용하는 부도사례기반모형에 비해 10%수준의 외표본을 사용하는 결합부도예측모형이 적합성검증에서 변별력이 떨어지지 않을 뿐만 아니라 예측오차의 민감도는 오히려 결합부도예측모형이 더 우수한 것으로 판단된다. 은행의 경우에는 역사적 부도사례가 적어 결합부도예측모형만을 분석하면, EDF를 이용할 경우 자산건전성, 수익성 지표가 유의한 설명변수로 선택되고 은행신용스프레드를 이용할 경우 자산건전성, 수익성 지표 외에 BIS비율로 대표되는 자본적정성이 유의성이 있는 변수로 선택된다. 추정결과 선택된 모든 변수가 매우 유의하고 표본집단이 확장되어도 지속적이다. 모형검증결과 저축은행의 역사적 부도사례의 경우를 제외하고는 모든 추정시기에서 완전모형에 대하여 부분모형이 더 유의한 것으로 나타난다. We propose the alternative model combining financial variables and market variables which is estimated in two stages for the risk management of the fund application of the aviation industry. At the first stage, we estimate the EDFs for the listed banks using stock market information or PDs from credit spreads using bond market information as dependent variables, and select candidate predictor variables from CAEL financial ratios. At the second stage, we estimate the logistic regression model combining these financial variables as predictors and EDFs and PDs from credit spreads as dependent variables. The combined model settles down the problems such as the data restriction and default concentration in the case of the model based on the historical default cases, and the data limit to the listed enterprises or market inefficiency in the case of the model based on the market information. We estimate two combined models with respect to EDFs and credit spreads, and compare the performance with the traditional model based on the historical default cases. We validate the respective models with respect to the discriminatory power. We find that in the case of savings banks 1) the CAEL variables related with asset soundness and capital adequacy are selected for both logistic and combined models, 2) although the combined model uses 10% out-of-sample for the model estimation, its performance is not less discriminatory than the logistic model using all in-samples, 3) its sensitivity for forecast errors are better than the logistic one. In the case of banks, due to the small size of default cases, the combined model is only used for the analysis and variables related with asset soundness and earnings are selected for the dependent variable based on EDFs, but capital adequacy represented by BIS ratio is added for the dependent one based on credit spreads. Every selected variable is very significant and persistent through every estimation period. In the validation of model, the model is tested with likelihood ratio test. Partial model is significant through every estimation period. We find high discriminatory power of both the combined models compared with the traditional models in validation.