The study of corporate bankruptcy prediction is important in that it enables preemptive preparation for the impact of corporate default on society. Recently, research into introducing text data into corporate bankruptcy prediction is underway. Bankruptcy prediction research using sentiment analysis that categorizes emotions in texts is also being conducted, and mainly applied lexicon-based sentiment analysis to build a sentiment dictionary. In this study, machine learning-based sentiment analysis is introduced to predict corporate bankruptcy. By collecting company news article titles, we develop lexicon-based and machine learning-based sentiment analysis models, respectively, and calculate sentiment scores. By combining the calculated emotional score and financial data, the final corporate bankruptcy prediction model is developed and predictive power is compared. As a result, the machine learning-based model was more accurate among the sentiment analysis models, and the GRU was the most accurate among the algorithms used. In the final corporate default prediction model, combining machine learning-based sentiment score and financial data and using Random Forest as an algorithm showed the highest accuracy, and using Gradient Boost was shown to be excellent in predicting bankruptcy.
기업부도예측 연구는 기업의 부도가 사회에 미치는 충격을 선제적으로 대비할 수 있게 한다는 점에서 중요하다. 최근 자연어 처리 기술이 발전하면서 텍스트를 기업 부도 예측에 도입하는 연구가 진행되고 있다. 텍스트에 담긴 감성을 범주화하는 감성 분석을 이용한 부도 예측 연구도 진행되고 있으며 주로 감성 사전을 구축하는 어휘 기반 감성 분석을 적용했다. 본 연구에서는 RNN을 이용한 머신러닝 기반 감성 분석을 기업 부도 예측에 도입한다. 기업의 뉴스기사 제목을 수집하여 어휘 기반과 머신러닝 기반 감성 분석 모형을 각각 개발하고 감성 점수를 산출한다. 산출된 감성 점수와 재무데이터를 결합하여 최종 기업부도예측 모형을 개발하고 예측력을 비교한다. 그 결과 감성 분석 모형 중 머신러닝 기반이 더 정확도가 높았고, 사용된 알고리즘 중에는 GRU가 가장 정확도가 높았다. 최종 기업부도예측 모형에서는 머신러닝 기반 감성 점수와 재무데이터를 결합하고 알고리즘으로 Random Forest를 이용하는 것이 가장 정확도에서 높게 나타나고 Gradient Boost를 사용하는 것이 재현율과 AUROC에서 우수하게 나타났다.
