Credit evaluation is a significant area of financial management which is of major interest to practitioners, financial and credit analysts. The credit/financial analysts have to investigate an enormous volume of financial and non-financial data of firms, estimate the corresponding credit evaluation, and finally make crucial decisions regarding the financing of firms. Considerable attention has been devoted in this field from the theoretical and academic points of view during the last three decades. Financial and operational researchers have tried to relate the characteristics of a firm (financial ratios and strategic variables) to its credit evaluation. According to this relationship the components of credit evaluation are identified, and decision models are developed to assess credit evaluation and the corresponding creditworthiness of firms as accurately as possible.
Although many studies demonstrate that one technique outperforms the others for a given data set, there is often no way to tell a priori which of these techniques will be most effective to solve a specific classification problem. Alternatively, it has been suggested that a better approach to classification problem might be to integrate various learning methodology. Intelligent combing of several good learning algorithms and their synergistic use may lead to improving predictive ability.
The aim of this study is to propose intelligent hybrid, multiple strategy methodology. The credit analysis is a complex process involving multiple strategy approach. This study employs four strategies in the credit evaluation; feature weighting, data discretisation, development of hybrid methodology, and selection of variables using financial and non-financial criteria.
The proposed methodologies are as followed:
The first, this thesis adopts the AHP of Saaty to incorporate judgmental and quantitative assessments of credit evaluation factors that are considered important in the classification and measurement of credit evaluation. AHP model is effective and systematic framework to obtain the feature weights from expert credit analysts using structured group decisions.
The second, this study perform the feature transformation using domain knowledge and fuzzy set theory. The discretization of real value attributes is an important task in data mining, particularly for the classification problem.
The third, this study propose hybrid model approach to achieve some convergence of the wide proliferation of credit evaluation variables and models, thereby improving our understanding of credit analysis theory and model development. As a result, this study showed that proposed methodology classify more accurately than any of techniques individually do. It is confirmed that proposed methodology predicts significantly better than individual techniques and the other combining methodologies.
금융기관이나 은행의 신용평가와 관련한 의사결정문제는 잘못된 의사결정이 이루어짐으로써 감수해야 하는 높은 수준의 위험을 평가하고 측정하는 것은 매우 중요하면서도 어려운 과제이다. 전세계적으로 증가하는 기업의 도산과, 금융기관간의 치열한 경쟁과 경쟁우위를 확보하기 위해 여신과 관련한 마진폭의 축소, 신용위험 통제와 감시를 위한 비용이 점차 증가하고 있다. 그러나 오늘날 금융산업에서는 여신포트폴리오가 증가하면서 보다 정확하고 과학적인 신용평가 모델의 개발의 필요성이 요구되고 있다.
더욱이 우리나라는 1997년 외환위기를 경험하면서 신용위험관리가 더욱 중요하게 되었다. 또한 전세계적으로 금융산업 세계화의 가속화와 자기규제를 통한 금융기관의 경쟁우위활동은 금융자산관리와 신용위험관리의 측면들의 중요성이 점점 강조되고 있다.
지금까지 도산예측이나 신용위험을 측정하기 위한 많은 신용평가를 위한 연구에서는 주어진 데이터를 이용하여 모델을 개발하거나 적용하여 그 성과를 보여주는 연구들 에서부터 신용평가와 관련한 연구가 점차 진행되면서 많은 연구에서 도산예측이나 신용위험 평가를 위한 통합된 방법론들을 제안하고 있다. 더욱이 신용평가와 관련하여 제안된 많은 연구에서 전통적인 통계적인 방법론이나 인공지능방법론과 그리고 전문가의 지식이 결합이 되는 판단모델이 통합되는 결합모형을 제안하고 있다. 이러한 통합된 방법론은 성과측면에서 보다 향상된 예측력과 안정성을 보여주는 것으로 많은 연구에서 제시하고 있다.
본 연구에서는 도산예측과 신용평가를 위한 다중전략 접근에 의한 통합된 지능형 모델을 제시하고자 한다. 지금까지의 연구들의 고찰을 통해 통합된 신용평가 모델을 개발하기 위해서 데이터마이닝 관점에서 데이터 분석과 관리 그리고 재무, 비재무정보를 고려한 변수의 선정과 개별 방법론들의 강점과 약점을 고려한 통합방법론의 개발, 그리고 각각의 변수마다 상대적인 중요성을 고려한 가중치의 부여 등이 고려된 다중전략적 접근에 의한 통합 방법론을 제시하고 제시된 모델 별로 연구결과를 보여 주고 있다.
먼저 본 연구에서는 최적의 가중치 부여를 위해 계층적분석처리 방법론을 적용하여 가중치를 도출하였으며, 또 다른 방법론으로 유전자 알고리즘을 활용하여 최적화 하였다. 예측력을 향상시키기 위해 데이터 마이닝 관점에서 전문가의 지식과 퍼지 방법론을 적용하여 데이터를 범주화하였으며, 또한 변수선정에 있어서 재무정보와 비재무정보를 동시에 고려하여 통합모델을 제안하였다.
모델의 검증을 위해 벤치마킹 모델로 통계적인 방법론과 개별 인공지능 방법론을 적용하여 실험을 하였으며, 본 연구에서 제안한 다양한 결합모형의 실험결과와 비교 분석한 결과, 통계적으로 유의한 좋은 성과를 보여주고 있다. 또한 본 연구에서는 기업의 규모에 따라 중기업 모형과 소기업모형을 구분하여 방법론을 제안하고 그 결과를 나타내 보여주고 있다.
본 연구에서 제안된 방법론과 결과를 기반으로 실제 금융기관에서 여신결정과정에서 활용 되어지는 대출금액결정, 이자율결정, 대출위험의 효율적 관리와 같은 재무 위험 통합관리를 위한 의사결정지원 시스템을 위한 계속적인 연구가 이루어 질 것이다.
