Some of prior researches using artificial intelligent techniques for bankruptcy prediction and the prediction of bond rating did not show outstanding performance partly because of the tremendous noise of financial data. Those researches mostly paid little attention to the importance of preprocessing. The other reason of inconsistence of performance of prior researches was due to the multi-collinearity characteristics of input variables of the prediction model. Accordingly selecting adequate input variable according to specific data set is inevitable for designing prediction model. If relevant data and variables are appropriately selected for modeling the system, then the noisy of information are eliminated and the prediction model may show better prediction accuracy.
In part II, this dissertation present a hybrid data mining model for the prediction of corporate bond rating. This model uses a new case-indexing method of case-based reasoning (CBR), which utilizes the cluster information of financial data in order to improve prediction accuracy. This method uses not only case-specific knowledge of past problems like conventional CBR, but also uses additional knowledge derived from the clusters of cases. The cluster-indexing method assumes that there are some distinct subgroups (clusters) in each rated group. Competitive artificial neural networks like self-organizing map (SOM) and learning vector quantization (LVQ) are used to generate the centroid values of clusters because these techniques produce better adaptive clusters than statistical clustering algorithms. The experiments using corporate bond rating cases show that the cluster-indexing CBR is superior to conventional CBR and inductive learning-indexing CBR - a rival case indexing method. In addition, the majority models of cluster-indexing CBR augment the predication accuracy of the cluster-indexing CBR after excluding the minor cases out of each cluster.
In part III, this dissertation presents an application that supports bankruptcy prediction decision using artificial neural networks (ANN) like SOM and LVQ. In addition to clustering ability, SOM has the visualizing capability that explains the clustered data. This dissertation utilizes SOM as the tool of variable selection, the analysis tools for the prediction error among various predicting methods, and the tract analysis tools for bankruptcy prediction methods. LVQ is used to predict bankruptcy along with back-propagation neural network (BPNN). In chapter 5, a new integrated system that supports bankruptcy prediction. This system uses SOM in order to select distinct variables to assist the supervised prediction methods, LVQ and BPNN. The result of experiments shows that the models using SOM as variable selection methods increase the overall rate of prediction accuracy significantly.
In chapter 6, the various visualized tools using SOM are suggested for the financial state analyses. In order to validate that bankrupt data fall under speculation grade that have the possibility to go bankrupt, the data of bankrupt and non-bankrupt firms are projected on the financial states map. The map can be used as preliminary bond rating predictor. Additionally, in other to find the tract that not-bankrupt but financial distressed firms go bankrupt afterwards, the yearly data of the firms are projected to the maps. The tract analysis visualizes the tract that the firms go bankrupt or revive from financial distressed state.
인공지능기법을 이용한 기업도산예측과 회사채등급 예측에 대한 일부 연구들은 부분적으로는 재무데이터가 가진 많은 노이즈 때문에 뛰어난 성과를 보이지 못하였다. 이들 연구가 대부분 전처리 과정의 중요성에 주의를 기울이지 않았기 때문이다. 이전 연구들의 성과의 불일치에 대한 또 다른 이유는 예측모형에 투입될 입력변수의 다중공선형성에 기인한다. 따라서 특정 데이터 셋에 따른 적절한 입력변수의 선택은 모형 설계에 있어 중요하다. 만일 관련성이 높은 데이터와 변수들이 예측모형을 설계하는 과정에서 적절하게 선택된다면, 정보의 노이즈는 감소하고 모형의 정확성도 향상된다.
본 논문의 2부에서 회사채등급예측을 위한 통합형 데이터 마이닝 모형을 제시한다. 이 모형은 예측정확성을 증가시키기 위해 재무데이터의 군집정보를 활용하는 새로운 사례기반추론 사례색인방법을 이용한다. 이 방법은 일반적인 사례기반추론기법처럼 과거의 문제에서 배운 사례 특유의 지식 뿐 만 아니라, 사례의 군집화 과정에서 유도된 추가적인 지식도 활용한다. 이러한 군집-색인방법은 각 평가등급 집단에 뚜렷한 하위 집단인 군집 사례들의 존재를 가정한다. 자기조직화지도와 학습벡터 양자화 모형과 같은 경쟁학습방법의 인공신경망은 통계학의 군집알고리즘보다 학습을 통해 보다 사례에 적응된 군집을 만들 수 있으므로 본 연구에서 색인방법의 도구가 되는 군집들의 중심 값을 도출하는 데 이용하였다. 회사채등급 사례를 이용한 실험에서 군집색인-사례기반추론 모형이 일반 사례기반추론모형 뿐만 아니라 경쟁관계에 있는 색인 방법인 추론학습색인-사례기반추론모형보다도 성과가 뛰어남을 보여주고 있다. 또한, 각 군집으로부터 소수사례를 제거한 군집색인-사례기반추론/다수집단 모형은 본 논문에서 제시하는 군집색인-사례기반추론모형의 정확성을 보다 증가시킨다.
논문의 3부에서는 자기조직화지도, 학습벡터 양자화와 같은 경쟁적 인공신경망을 이용하여 기업 도산 예측의사결정을 지원하는 여러 응용시스템 들을 제시한다. 자기조직화지도 신경망은 군집화 능력뿐만 아니라 군집 데이터를 설명할 수 있는 시각적인 능력도 가지고 있다. 본 논문에서는 자기조직화지도 신경망을 예측모형을 위한 입력변수 선택, 예측모형들의 예측오류 분석 및 도산과정 추적도구 등으로 다양하게 활용하였다. 또한 학습벡터양자 화 신경망은 많이 사용되고 있는 후방전파 신경망과 함께 도산예측 방법론으로 이용된다. 구체적으로, 5장에서는 도산예측을 지원하기 위한 새로운 통합 지능형 시스템이 제시하였다. 이 시스템에서는 자기조직화지도 신경망을 감독학습방법 신경망들의 예측을 지원하기 위해 식별력이 있는 변수를 선택하는 도구로 활용한다. 실험 결과, 자기조직화지도방법을 변수선택도구로 이용하는 모형들이 통계적으로 의미 있도록 예측정확성을 증가시켰다. 6장에서는 자기조직화 지도를 이용한 다양한 시각화 도구가 재무상태 분석을 위해 제안되었다. 도산기업과 정상기업의 과거 회사채 등급과 재무데이터를 분석하여, 이중 도산기업 들의 데이터가 향후 도산 가능성을 예견된다는 회사채 투기등급에 해당되는가를 검증하였다. 이를 위해 도산 및 정상기업의 데이터와 자기조직화지도 신경망을 이용하여 재무상태 지도를 만들었다. 이 지도는 일차적인 회사채등급 식별/예측도구로도 사용할 수 있다. 한편, 비도산 기업이지만 재무적으로 곤란한 기업들이 향후 도산에 이르는 재무 상태 경로를 추적하기 위해 기업들의 5년간의 재무자료를 재무상태 지도에 투영해보았다. 이러한 추적분석은 기업의 도산과정 뿐만 아니라 재무적으로 곤란상태로부터 회생하는 과정도 시각화 하여 보여줄 수 있다.
