HOME > 금융연구 > 수록논문

금융연구 (Online) ISSN 2714-0288 / (Print) ISSN 1225-9489
* 이 게시물을 공유하기
제 목 2019년  제33권 제1호 딥러닝 신경망을 이용한 신용카드 부도위험 예측의 효용성 분석
작성자 관리자 작성일 2019.03.31 조회수 1496
첨부파일 33-1-05 윤종문151-183.pdf (922.21 KB)

딥러닝 신경망을 이용한 신용카드 부도위험 예측의 효용성 분석

윤종문

― 국문초록 ―

본 연구는 국내․외 금융시장에서 아직 활성화되지 못한 딥러닝 신경망(deep learning neural network) 알고리즘을 이용해 신용카드 부도위험 예측의 정확도 향상 가능성에 대해서 점검한다. 이를 위해 기존 머신러닝 알고리즘(Logistic, SVM, Random Forest, Lasso 등)을 딥러닝 신경망 분석의 성능 점검을 위한 비교 지표로 활용한다. 우선, 딥러닝 신경망은 두 개의 은닉층(hidden layers)과 다섯 개의 뉴런(neuron)으로 구축하고, 활성함수(activation function)와 초기값(initial value) 설정방법에 따른 예측정확도를 도출한다. 그 결과 딥러닝 신경망 분석이 기존 머신러닝 알고리즘 보다 최소 0.6%p에서 최대 6.6%p 성능이 향상된 것으로 나타났다. 이 중 가장 높은 예측 정확도를 보인 활성함수와 초기값 설정방식은 ReLU(rectified linear units)와 Xavier(2010)이고 이를 기준으로 은닉층과 뉴런의 수를 각각 최대 10개와 25개까지 늘려 분석한 결과에서도 유사한 결과가 나타났다. 다만, 기존 연구에서와 같이 은닉층과 뉴런의 수의 증가에 따른 뚜렷한 성능의 향상은 나타나지 않았다. 또한, 이미지 식별 분야에서 높은 성능을 보였던 Dropout과 CNN(convolution neural network) 모델도 예측 정확도에서 큰 차이를 보이지 않았다. 이는 여기에서 사용된 신용카드 데이터가 다수 픽셀(pixel)로 이루어진 이미지 데이터와 비교해 양적․질적 한계가 있기 때문으로 판단된다. 한편, 본 연구에서 사용된 개인의 신용카드 부도 데이터는 횡단면 자료이기 때문에 시계열 데이터에서 높은 성능을 나타내는 RNN(recurrent neural network) 및 LSTM(Long- Short Term Memory) 등의 딥러닝 신경망 알고리즘을 사용하지는 않았다. 따라서 추후 시계열 자료가 포함된 빅데이터를 통해 이들 딥러닝 신경망 방법론을 적용한다면, 현재의 다양한 금융시장의 식별문제(신용등급, 연체율, 금리산정)에 있어 보다 향상된 결과를 도출할 수 있을 것으로 기대된다.

핵심단어 : 딥러닝, 인공신경망, 신용카드, 부도위험, 머신러닝

JEL 분류기호 : C45, C52, G2

 

제33권 제2호 한국경제에서 필립스 곡선의 안정성 및 비선... 2019.06.30
제33권 제1호 소비관련 거시변수를 통한 자산수익률의 예측... 2019.03.31

04171 서울특별시 마포구 도화4길 82 예당빌딩 4층 TEL: (02)3273-6325, FAX: (02)3273-6366
COPYRIGHT@2007 BY KOREA MONEY AND FINANCE ASSOCIATION. ALL RIGHTS RESERVED