Application of Advanced XAI for Corporate Bankruptcy Prediction :

Gun-doo Moon

자료유형: 학위논문

저자정보: Gun-doo Moon (동국대학교, 동국대학교 경영대학원)

지도교수: 김경재

발행연도: 2023

저작권: 동국대학교 논문은 저작권에 의해 보호받습니다.

이용수5

초록· 키워드

기업 파산 예측 모델은 회사의 재무 상태를 객관적으로 모니터링하는 것에 도움이 되며, 적기에 경고 및 대응 조치를 할 수 있으며 파산 위험을 해결하는 효과적인 경영 전략의 개발을 가능하게 한다. 기업의 부도를 예측하는 일은 투자자와 금융 기관에게도 중요한 작업이며, 이는 금융적 손실을 최소화하는 데 도움이 된다. 인공지능(AI) 기술을 기업 부도 예측에 활용하는 데 대한 관심이 증가함에 따라, 이 주제에 대한 많은 연구가 수행되었다. 이전 연구는 주로 머신러닝과 딥러닝 기법을 활용하는 모델을 개발 밀 발전하는 데 초점을 맞추고 있었다. 그러나 AI의 해석성, 신뢰성 및 투명성에 대한 중요성이 더욱 부각됨에 따라, 해석 가능한 AI 모델의 응용에 대한 수요가 증가하고 있다. 기존 XAI 연구에서 널리 사용되는 Shapley Additive Explanations (SHAP) 기법은 탁월한 성능을 보였지만, 변수의 증가에 따른 기하급수적 계산 시간 및 비용 상승 등의 한계를 가지고 있다. 이에 본 연구는 데이터 샘플링을 통해 생성된 데이터셋의 SHAP 값을 평균내는 방식으로 변수의 수를 줄이면서도 SHAP이 간소화된 새로운 기법을 소개한다. 이러한 변수선정 방법을 바탕으로 높은 예측 기여도를 가진 변수를 채택하고, 해석력이 높은 변수로 구성된 모델에 통합하여 효과적이고 정교한 예측 모델을 설계한다. 본 연구는 한국의 경량 산업 기업에서 1,698개의 데이터를 이용하여 단변량, 다변량 분석을 진행한 후, 부트스트래핑하여 데이터를 샘플링하고 데이터 그룹을 구성한다. 로지스틱 회귀가 각 데이터 그룹의 SHAP 값을 계산하는 데 사용되며, 이 값들은 최종 SHAP 값들을 얻기 위해 평균화된다. 해석력이 높은 변수들을 활용하여, 랜덤 포레스트, XGBoost, 그리고 C5.0 같은 모델들이 분류 결과를 생성하도록 훈련된다. 분류 결과들은 Soft Voting을 사용하여 구축된 앙상블 모델의 분류 정확도와 비교하여 가장 우수한 성능의 모델을 결정한다. 결과적으로, 앙상블 모델의 분류 정확도가 가장 우수한 것으로 나타났다.

Corporate insolvency prediction models aid in the objective monitoring of a company''s financial health, allowing for the issuance of timely warnings, initiation of appropriate responses, and the development of effective management strategies to bolster performance and alleviate bankruptcy risks. The task of predicting corporate insolvency is of paramount importance to investors and financial institutions as it assists in minimizing financial losses. With the burgeoning interest in utilizing artificial intelligence (AI) technology for corporate insolvency prediction, a plethora of studies have been conducted on this topic. Previous research primarily centered on developing and advancing models that employ machine learning and deep learning techniques. However, as the importance of interpretability, reliability, and transparency of AI comes to the fore, there is an increasing demand for the application of explainable AI models. The Shapley Additive Explanations (SHAP) technique, extensively used in prior explainable AI (XAI) research, has exhibited commendable performance but grapples with limitations such as an exponential increase in computation time and costs as the number of variables increases. In response to this, the present research introduces a streamlined technique that reduces the number of variables while still maintaining the benefits of SHAP, by averaging the SHAP values of datasets created through sampling. Utilizing this variable selection technique, variables with high predictive contribution are selected and incorporated into a model composed of highly interpretable variables to design an effective and sophisticated prediction model. The study uses 1,698 data points from Korean light industrial companies, carrying out univariate and multivariate analyses, followed by bootstrapping to sample the data and assemble data groups. Logistic regression is employed to calculate the SHAP values for each data group, which are then averaged to derive the final SHAP values. High-interpretability variables are then harnessed to train classification models such as Random Forest, XGBoost, and C5.0. The classification results are compared with the classification accuracy of an ensemble model built using Soft Voting to determine the model with the most superior performance. Consequently, the ensemble model exhibits the best classification accuracy.

#Explainable AI #Corporate Bankruptcy Prediction #SHAP

1 Introduction 1
1.1 Research Background 1
1.2 Research Objectives 3
1.3 Research Methodology 5
1.4 Organization of Dissertation 6
2 Prior Research 8
2.1 Trend Analysis of Previous Studies on XAI 8
2.1.1 Dataset of Previous Studies on XAI 8
2.1.2 Social Network Analysis of Previous Studies on XAI 10
2.1.3 Topic Analysis of Previous Studies on XAI 14
2.2 XAI 31
2.2.1 Explainable AI 31
2.2.2 LIME 34
2.2.3 SHAP 35
2.3 Feature Selection for Corporate Bankruptcy Prediction 38
2.4 Feature Selection for Corporate Bankruptcy Prediction 40
2.5 Data Mining Techniques 43
2.5.1 Logistic Regression 43
2.5.2 Random Forest 45
2.5.3 XGBoost 47
2.5.4 C 5.0 48
2.6 Literature Review of XAI Applications 49
2.6.1 Prior Research on XAI for Finance 50
2.6.2 Prior Research on XAI for Recommendation System 54
2.6.3 Prior Research on XAI for IT Security 57
2.7 Prior Research on Corporate Bankruptcy Prediction 60
3 Experimental Design 69
3.1 Overview 69
3.2 Research Data 72
3.2.1 Data Separation 72
3.2.2 Univariate Analysis 75
3.2.3 Multivariate Analysis 77
3.2.4 Data Bootstrapping for XAI 79
4 Experimental Results 81
4.1 SHAP 81
4.2 Soft voting 84
4.3 Classification Performance 85
5 Conclusions 86
5.1 Research Outcomes and discussions 86
5.2 Limitations and Future Works 89
References 91
Summary in Korean 105

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)