Search
Search

연구성과물 검색 타이틀 이미지

HOME ICON HOME > Search by Achievements Type > Reports View

Reports Detailed Information

https://www.krm.or.kr/krmts/link.html?dbGubun=SD&m201_id=10007286&local_id=10011994
IT 벤처기업의 신용평가시스템의 개발
Reports NRF is supported by Research Projects( IT 벤처기업의 신용평가시스템의 개발 | 2004 Year | 홍태호(부산대학교) ) data is submitted to the NRF Project Results
Researcher who has been awarded a research grant by Humanities and Social Studies Support Program of NRF has to submit an end product within 6 months(* depend on the form of business)
사업별 신청요강보기
  • Researchers have entered the information directly to the NRF of Korea research support system
Project Number B00089
Year(selected) 2004 Year
the present condition of Project 종료
State of proposition 재단승인
Completion Date 2006년 05월 29일
Year type 결과보고
Year(final report) 2006년
Research Summary
  • Korean
  • 최근에, Support vector machine(SCM)은 분류 또는 패턴인식문제에서 탁월한 성과를 내는 것으로 보고되고 있다. 뿐만 아니라,SVM이 기존의 인공신경망보다 특정분야에서 더 탁월한 성과를 보이는 것으로 보고 되고 있다(Amendolia et al., 2003; Huang et al., 2004, Huang et al., 2005; Tay and Cao, 2001; Min and Lee, 2005; Shin et al., 2005; Kim, 2003).
    부도예측과 같은 이진분류 문제 또는 신용등급결정과 같은 다분류 문제의 경우에 어떤 데이터마이닝 기법을 사용하더라고 오분류에 대한 비용발생을 수반한다. 따라서, 분류결과를 정교한 사용확률로 전환할 수 있는 것이 필요하다. 하지만, SVM은 기본적으로 이러한 확률을 제공하지 않으며, 분류 결과를 확률로 나타내는 방법이 필요하다 (Platt, 1999; Drish, 2001).
    본 연구에서는 SVM의 부도예측에 대한 확률을 추정하는 방법을 적용했으며, 특히 제안된 기법을 IT 벤처기업에 적용하였다. 본 연구를 통해서 IT 벤처기업의 특성에 따른 기업신용평가 기법을 제안했으며 금융기관의 여신담당자의 의사결정을 지원할 수 있다.
  • English
  • Recently, support vector machines (SVMs) are being recognized as competitive tools as compared with other data mining techniques for solving pattern recognition or classification decision problems. Furthermore, many researches, in particular, have proved it more powerful than traditional artificial neural networks (ANNs) (Amendolia et al., 2003; Huang et al., 2004, Huang et al., 2005; Tay and Cao, 2001; Min and Lee, 2005; Shin et al., 2005; Kim, 2003).
    The classification decision, such as a binary or multi-class decision problem, used by any classifier, i.e. data mining techniques is cost-sensitive. Therefore, it is necessary to convert the outputs of the classifier into well-calibrated posterior probabilities. However, SVMs basically do not provide such probabilities. So it required to use any method to create probabilities (Platt, 1999; Drish, 2001).
    This study applies a method to estimate the probability of outputs of SVM to bankruptcy prediction and then suggests credit scoring methods using the estimated probability for bank’s loan decision making.
Research result report
  • Abstract
  • 최근들어 국내 은행들이 국제결제은행의 신용위험 규제, 금융시장 내에서의 대출경재의 격화 등에 기인하여 신용위험의 계량화를 통한 여신의 효율적 관리에 주력하고 있다. 은행, 보험회사 등 금융기관들이 신용대출을 행하게 될 경우 주된 관심사는 대출고객의 신용위험을 측정하여 그 고객의 채무불이행 여부를 사전에 얼마나 정확하게 추정할 수 있느냐에 집중되어 있다고 할 수 있다. 그러나 기존의 신용평가관련 연구들은 자본금 70억 이상의 외감대상 기업 또는 자본금 10억 이상의 중소기업들을 주로 대상으로 한정하였다. 벤처기업은 단순히 자본금으로 한정지을 수 없어, 기존의 연구모형을 적용하는 데에는 한계가 있다. 특히, IT 벤처기업은 정확한 신용평가에 의해 금융기관이 지원을 통해 산업을 육성할 책임이 정부, 금융기관 모두에게 있다. 따라서, 본 연구에서는 IT 벤처기업에 적합한 신용평가기법을 개발하고 이를 적용하여 그 효과성을 검증하고자 한다.
    최근에, Support vector machine(SCM)은 분류 또는 패턴인식문제에서 탁월한 성과를 내는 것으로 보고되고 있다. 뿐만 아니라,SVM이 기존의 인공신경망보다 특정분야에서 더 탁월한 성과를 보이는 것으로 보고 되고 있다(Amendolia et al., 2003; Huang et al., 2004, Huang et al., 2005; Tay and Cao, 2001; Min and Lee, 2005; Shin et al., 2005; Kim, 2003).
    부도예측과 같은 이진분류 문제 또는 신용등급결정과 같은 다분류 문제의 경우에 어떤 데이터마이닝 기법을 사용하더라고 오분류에 대한 비용발생을 수반한다. 따라서, 분류결과를 정교한 사용확률로 전환할 수 있는 것이 필요하다. 하지만, SVM은 기본적으로 이러한 확률을 제공하지 않으며, 분류 결과를 확률로 나타내는 방법이 필요하다 (Platt, 1999; Drish, 2001).
    본 연구에서는 SVM의 부도예측에 대한 확률을 추정하는 방법을 적용했으며, 특히 제안된 기법을 IT 벤처기업에 적용하였다. 본 연구를 통해서 IT 벤처기업의 특성에 따른 기업신용평가 기법을 제안했으며 금융기관의 여신담당자의 의사결정을 지원할 수 있다.
  • Research result and Utilization method
  • 본 연구결과는 1) 기업의 신용등급결정을 위해 SVM의 부도추정확률을 적용하는 방법을 제시하였고, 2) 제안된 방법을 국내 IT 벤처기업에 209개 업체에 적용하여 결과를 분석하였다. 본 연구결과에 의하면, IT 벤처기업은 False Positive Error(건전기업을 부실기업으로 분류할 오류)보다는 False Negative Error(부실기업을 건전기업으로 분류할 오류)가 더 크다. 이는 IT 벤처기업의 속성상 갑자기 부도가 나는 경향을 갖고 있음을 알 수 있다.
    본 연구결과를 활용하여, IT 벤처기업의 신용등급은 불안정도가 매우 높고, 따라서 금융기관에서는 IT 벤처기업의 신용등급에 따른 위험관리에 이를 반영하여야 한다. 또한, 기존의 SVM의 분류등급에 따른 오류비용을 최소화하기 위해 사후확률을 추정하는 방안은 다른 데이터마이닝 분야에 사용될 수 있을 것이다.
  • Index terms
  • 신용평가, IT 기업, Support Vector Machine
  • List of digital content of this reports
데이터를 로딩중 입니다.
  • This document, it is necessary to display the original author and you do not have permission
    to use copyrighted material for-profit
  • In addition , it does not allow the change or secondary writings of work
데이터 이용 만족도
자료이용후 의견
입력
트위터 페이스북
NRF Daejeon
(34113) 201, Gajeong-ro, Yuseong-gu, Daejeon, Korea
Tel: 82-42-869-6114 / Fax: 82-42-869-6777
NRF Seoul
(06792) 25, Heonreung-ro, Seocho-gu, Seoul, Korea
Tel: 82-2-3460-5500 / Fax: 82-2-3460-5759
KRM Help Center
Tel : 042-869-6086 Fax : 042-869-6580
E-mail : krmcenter@nrf.re.kr