The financial statements purpose providing useful information to decision-making process of business managers. The value-relevant information, however, embedded in the financial statement has been often overlooked in Korea. In fact, the financial statements in Korea have been utilized for nothing but account reports to Security Supervision Boards (SSB).
Thus, the objective of this research is to develop earnings prediction models through financial statement analysis. The artificial intelligence (AI) methods are employed in predicting earnings: artificial neural networks (ANN) for manufacturing industry and case-based reasoning (CBR) for banking industry. The change in experimental method is mainly due to lack of number of cases in banking industry.
The case selection criteria leave 102 firms and 15 banks to manufacturing and banking industry, respectively. The one year-ahead change of earnings per share (EPS) is chosen as a dependent variable. Unlike manufacturing industry, the 'equity approach' of valuation theory is employed to select the explanatory variables for banking industry. The experimental results using such AI methods are compared with a traditional statistical method, logistic regression.
Using ANN for manufacturing industry records 63.2% of hit ratio for out-of-sample, which outperforms the logistic regression by around 4%. The experiment through CBR for banking industry shows 65.0% of hit ratio that beats the statistical method by 13.2% in holdout sample.
Finally, the prediction results for manufacturing industry are validated through monitoring the shift in cumulative returns of portfolios based on the earnings prediction. The portfolio with the firms whose earnings are predicted to increase is designated as best portfolio and the portfolio with the earnings-decreasing firms as worst portfolio. The difference between two portfolios is about 3% of cumulative abnormal return on average. Consequently, this research proves that the financial statements in Korea contain the value-relevant information that is not reflected in stock prices.
재무제표는 기업 경영자가 경제적 의사결정을 하는데 유용한 정보를 제공하는 것을 목적으로 하고 있다. 그럼에도 불구하고 재무제표에 내재되어 있는 그러한 정보적 가치가 한국에서는 자주 간과되어 왔다. 사실 한국의 재무제표는 증권감독원이나 기타 관련 기관들에 제출하는 단순한 회계보고 이상의 역할을 하지 못해온 것이 현실이었다.
따라서 본 연구에서는 재무제표의 분석을 통해 기업의 회계이익을 예측함으로써 재무제표의 상의 정보들이 주식가격에 미처 반영되지 못한 정보가치를 가지고 있는가를 입증하려고 한다. 회계이익은 기업경영뿐만 아니라 주식시장에서의 적극적인 투자를 위해서 매우 유용한 정보임에도 불구하고, 이 또한 한국에서는 그 예측을 위한 연구가 미비한 실정이었다. 본 연구는 재무제표에서 추출된 다양한 회계 항목들을 바탕으로 제조업과, 그 동안 상이한 회계기준과 항목으로 제외되어 왔던 금융업을 중심으로 회계이익을 예측하는 모형을 만들고자 한다.
본 연구는 기존의 통계학적 모형들을 검토하고 새로운 인공지능 기법을 도입하여 예측모형을 구축하였다. 제조업의 경우 인공 신경망(artificial neural networks: ANN), 은행업의 경우는 사례기반추론(case-based reasoning: CBR)을 도입하였다. 제조업과 은행업 사이에 실험 방법의 변화는 은행업에서의 작은 샘플(sample)에 기인하고 있다.
케이스(case)의 선택과정을 통해 제조회사 102개, 은행 15개 만이 실험에 이용될 수 있는 것으로 추출되었다. 실험에 있어 종속변수는 1년 후의 주당순이익의 변화가 선정되었다. 독립변수 선정과정에 있어서는 통계적 방법에 의존하였는데, 특히 은행업의 경우 '자기자본접근법' 이라는 가치평가방법에 근거하여 독립변수를 선정하였다.
실험의 결과는 기존의 통계학적 모형들과 비교,분석 되었다. 그 결과 제조업의 경우 모형외 샘플(out-of-sample)에서 63.2%정도의 정확도(hit-ratio)를 보여 기존의 통계학적 방법론을 4% 정도 앞섰다. 금융업의 경우역시 모형외 샘플을 기준으로 65.0% 정도의 정확도를 나타내서, 통계학적 방법론보다 13.2% 정도 정확한 모형을 구축할 수 있었다. 또한 제조업의 경우는 예측된 결과치를 가지고 포트폴리오(portfolio)를 구성하여 실제로 예측치가 주식시장에 반영될 수 있는지를 검증하였다. 재무제표 정보가 공시된 시점으로부터 향후 9개월 동안의 누적수익률을 관찰한 결과 약 3% 정도의 일정한(steady) 누적초과 수익률이 관찰됨으로써 한국에서의 재무제표정보가 주식가격에 미처 반영되지 못한 정보의 가치를 내재하고 있음을 입증할 수 있었다.
