For the past decades, Corporate bankruptcy prediction has attracted significant research attention from business academics, regulators and financial economists. However, much of this literature has relied on simplistic classifiers such as logistic regression and linear discriminant analysis (LDA).Based on Korea corporate bankruptcies, I examine the predictive performance of 9 classifiers, ranging from the most simplistic classifiers(such as logit, probit and LDA) to advanced techniques such as deep neural networks (DNN), support vector machines (SVMs) and ‘new age’ statistical learning models including gradient boosting. Consistent with the findings of Jones et al. (2015), I show that simple classifiers such as logit and LDA perform reasonably well in bankruptcy prediction. However, I recommend the use of ‘new age’ classifiers in corporate bankruptcy modelling because: (1) they predict significantly better than all other classifiers on both the cross-sectional and longitudinal test samples; (2) the models may have considerable practical appeal because they are relatively easy to estimate and implement (for instance, they require minimal researcher intervention for data pre-processing and variable selection); and (3) while the underlying model structures can be very complex, I demonstrate that ‘new age’ classifiers have a reasonably good level of interpretability through such metrics as relative variable importance (RVI).
기업의 부도를 예측하는 것은 지난 수십년 동안 많은 감독기관들, 경제학자들과 금융 전문가들로 부터 상당한 관심을 끌었다. 그러나 대부분의 연구들은 로지스틱 회귀 분석과 선형판별분석과 같 은 단순한 분류기에 의존해왔다. 본 연구는 한국의 기업 부도 사례를 바탕으로 가장 단순한 분류 기(로지스틱, 프로빗, 선형판별분석 등)부터 심층신경망, 서포트벡터머신, 그라이디언트 부스팅과 같은 최신 분류기까지의 성과를 비교한다. Jones et al(2015)의 연구 결과와 일관되게 로지스틱, 선형판별분석과 같은 꽤 단순한 분류기들도 한국 시장에서 부도 예측을 상당히 잘한다는 것을 확 인할 수 있었다. 그러나 부도 예측에 있어서 최신 분류기를 사용할 것을 권고한다. 그 이유는 다음과 같다. (1) 횡단면 분석과 종단면 분석 모두에서 다른 분류기들보다 우수한 예측력을 보인다. (2) 데이터 가공, 변수 선택 등에 대해 연구자의 최소한의 간섭만 요구하기 때문에 모델 구현이 상대적으로 쉽고 실용적이다. (3) 기초 모델 구조는 복잡할 수 있지만, 최신 분류기들은 상대적 변수 중요도와 같은 측정기준을 통해 상당히 양호한 수준의 해석성을 가진다.
