KR102420952B1 - Loan expansion hypothesis testing system using artificial intelligence and method using the same - Google Patents

Loan expansion hypothesis testing system using artificial intelligence and method using the same Download PDF

Info

Publication number
KR102420952B1
KR102420952B1 KR1020210164378A KR20210164378A KR102420952B1 KR 102420952 B1 KR102420952 B1 KR 102420952B1 KR 1020210164378 A KR1020210164378 A KR 1020210164378A KR 20210164378 A KR20210164378 A KR 20210164378A KR 102420952 B1 KR102420952 B1 KR 102420952B1
Authority
KR
South Korea
Prior art keywords
test
loan
hypothesis
financial
default
Prior art date
Application number
KR1020210164378A
Other languages
Korean (ko)
Other versions
KR20210148043A (en
Inventor
강정석
백성훈
강순환
Original Assignee
주식회사 에이젠글로벌
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에이젠글로벌 filed Critical 주식회사 에이젠글로벌
Priority to KR1020210164378A priority Critical patent/KR102420952B1/en
Publication of KR20210148043A publication Critical patent/KR20210148043A/en
Application granted granted Critical
Publication of KR102420952B1 publication Critical patent/KR102420952B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G06Q40/025—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

인공지능을 이용한 대출 확대 가설 검정 시스템이 개시된다. 본 발명의 일 실시예에 따른 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템은 복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석부, 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정부, 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정하는 검정군 확정부 및 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행하는 가설 검정부;를 포함한다.A loan expansion hypothesis testing system using artificial intelligence is disclosed. Loan expansion hypothesis testing system using artificial intelligence built on the basis of financial data according to an embodiment of the present invention is an artificial intelligence analysis unit that calculates default probability values for each of a plurality of financial accounts, the plurality of financial accounts based on a predetermined criterion A test segment setting unit that classifies into a plurality of segments, and sets a specific segment as a test segment to be tested based on the default probability values for each of the plurality of financial accounts calculated by the artificial intelligence analysis unit, and a part of the test segment is the loan expansion hypothesis It includes; a test group confirmation unit for determining the experimental group and the control group for the test, and a hypothesis testing unit for performing the loan expansion hypothesis test for the experimental group and the control group.

Description

인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법{LOAN EXPANSION HYPOTHESIS TESTING SYSTEM USING ARTIFICIAL INTELLIGENCE AND METHOD USING THE SAME}LOAN EXPANSION HYPOTHESIS TESTING SYSTEM USING ARTIFICIAL INTELLIGENCE AND METHOD USING THE SAME

본 발명은 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법에 관한 것이다. 더 구체적으로는, 복수의 금융계좌별 부도 확률값을 기초로 분류한 특정 금융계좌 집단에 대해, 상기 특정 집단의 표본을 이용해 대출 확대 시나리오 가설을 검정하는 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법에 관한 것이다. The present invention relates to a loan expansion hypothesis testing system using artificial intelligence and a method using the same. More specifically, for a specific financial account group classified based on the default probability value for each financial account, a loan expansion hypothesis testing system using artificial intelligence that tests the loan expansion scenario hypothesis using a sample of the specific group, and a system using the same it's about how

대출의 부도 위험이 현저히 낮다면, 조달 금리보다 대출 금리가 높은 경우, 대출 상품을 취급하는 금융 기관은 금리 차로 인한 수익이 항상 발생할 수 있다. 따라서, 금융 기관은 부도 위험이 낮은 특정 집단에 대해 대출을 확대하고자 하는 수요가 있다.If the default risk of a loan is significantly lower, if the loan interest rate is higher than the funding rate, financial institutions handling loan products can always generate profits from the interest rate differential. Accordingly, there is a demand for financial institutions to expand loans to specific groups with low default risk.

전통적으로 금융기관에서는 상품 설계, 대출 관리 등의 업무에 있어서, 정책적 의사결정과 설계한 대출 상품의 리스크 예측 관리는 사람에 의해 수행되었다. 그렇지만, 사람의 손으로 수행하는 예측으로는 예측 정확도가 높지 않았으며, 돌발적으로 발생하는 변수에 대한 대응도 기민하지 못한 문제가 있었다. 이 때문에, 전통적 예측을 통한 리스크 관리는 어느 정도 한계성을 보이는 상황이다.Traditionally, in financial institutions such as product design and loan management, policy decisions and risk prediction management of the designed loan products were performed by humans. However, prediction accuracy performed by human hands was not high, and there was a problem in that the response to unexpected variables was not agile. For this reason, risk management through traditional forecasting is somewhat limited.

한편, 금융 기관은 부도 위험이 낮은 고객 집단에는 대출을 확대하고자 하는 수요가 항상 존재한다. 대출에 대한 고객의 부도 위험이 현저히 낮고, 조달 금리보다 대출 금리가 높은 경우, 대출 상품을 취급하는 금융 기관은 금리 차로 인한 수익이 항상 발생하기 때문이다. 그러나 이러한 수요도 사람의 손으로 수행하는 전통적인 예측 시스템으로는 부도 위험이 낮은 고객 집단을 정확히 선별하기 어려웠다. 또한, 금융 기관은 전통적인 방법으로 부도 위험이 낮은 고객 집단을 더 정확히 선별하기 위해서는 그전보다 더 많은 인력을 투입하고 더 많은 재정을 소모해야 하는 문제점이 있다.On the other hand, there is always a demand for financial institutions to expand loans to a group of customers with a low risk of default. This is because, when the customer default risk for a loan is significantly lower and the loan interest rate is higher than the procurement rate, financial institutions handling loan products always generate profits from the interest rate difference. However, even with such demand, it was difficult to accurately select a group of customers with a low risk of bankruptcy with a traditional forecasting system that is performed manually. In addition, financial institutions have a problem in that they need to invest more manpower and consume more finance than before in order to more accurately select a group of customers with a low risk of default by using the traditional method.

KR 10-1799395 B1 (2017. 11. 14.)KR 10-1799395 B1 (2017. 11. 14.)

본 발명은 상술한 문제점을 해결하기 위한 것으로서, 금융 기관의 고객 중 대출 확대 대상 선정에 보다 신뢰성 높은 솔루션을 제공하고자 한다.The present invention is intended to solve the above-described problems, and to provide a more reliable solution for selecting a loan expansion target among customers of financial institutions.

또한, 대출 확대 대상 집단에 대해서, 상기 집단 선정의 적절성을 확인할 수 있는 검정 시스템을 제공하고자 한다.In addition, it is intended to provide a test system that can confirm the appropriateness of the group selection for the group subject to loan expansion.

또한, 대출 확대 대상 집단에 대한 가상 대출 확대 정책 시뮬레이션 결과, 부정적인 결과가 예측될 경우, 해당 결과에 영향을 미치는 요인을 분석하는 검정 시스템을 제공하고자 한다.In addition, when a negative result is predicted as a result of a virtual loan expansion policy simulation for a loan expansion target group, it is intended to provide a test system that analyzes the factors affecting the result.

또한, 금융상품 개발, 금융상품관리, 실행 및 계좌 관리 등의 의사결정과정에 있어서, 인공지능의 예측모델을 이용하여 더욱 정확한 의사결정이 이루어지게 하고자 한다.In addition, in the decision-making process such as financial product development, financial product management, execution and account management, it is intended to make more accurate decision-making by using the predictive model of artificial intelligence.

또한, 복잡한 인공지능 기술을 습득하지 않더라도 금융상품 담당자가 쉽게 인공지능 기술을 통해 분석하고 예측한 결과를 시뮬레이션하여 금융상품전략에 실시간으로 반영하고자 한다.In addition, even without acquiring complex artificial intelligence technology, the financial product manager easily analyzes and simulates the predicted results through artificial intelligence technology and intends to reflect it in the financial product strategy in real time.

본 발명의 해결 과제들은 이상에서 언급한 내용들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The problems to be solved of the present invention are not limited to the above-mentioned contents, and other technical problems not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시예에 따른 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템은 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템으로서, 복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석부; 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정부; 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정하는 검정군 확정부; 및 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행하는 가설 검정부;를 포함한다.The loan expansion hypothesis testing system using artificial intelligence built on the basis of financial data according to an embodiment of the present invention is a loan expansion hypothesis testing system using artificial intelligence built on the basis of financial data, and a default probability value for each financial account. an artificial intelligence analysis unit that calculates ; a test segment setting unit that classifies the plurality of financial accounts into a plurality of segments based on a predetermined criterion, and sets a specific segment as a test segment to be tested based on the default probability value for each of the plurality of financial accounts calculated by the artificial intelligence analysis unit; a test group determining unit for determining a part of the test segment for an experimental group and a control group for the loan enlargement hypothesis test; and a hypothesis test unit that performs the loan expansion hypothesis test for the experimental group and the control group.

또한, 상기 인공지능 분석부는 상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출할 수 있다.In addition, the artificial intelligence analysis unit may calculate a default probability value for each of the plurality of financial accounts using a default prediction model generated using machine learning based on the financial data.

또한, 상기 검정 세그먼트 설정부는 상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정할 수 있다.Also, the test segment setting unit may set a segment having a minimum average default probability value among the plurality of segments as the test segment.

또한, 상기 검정 세그먼트 설정부는 상기 미리 지정된 기준은 상기 복수의 금융계좌별 부도 확률값을 기초로 각 상기 금융계좌별로 부여한 등급일 수 있다.In addition, the test segment setting unit may be a grade given to each of the financial accounts based on the default probability value for each of the plurality of financial accounts as the predetermined criterion.

또한, 상기 검정 세그먼트 설정부는 상기 복수의 세그먼트 중 하나 이상의 세그먼트를 상기 세그먼트의 평균 부도 확률값이 낮은 순으로 상기 검정 세그먼트로 병합하며 설정하되, 상기 검정 세그먼트는 미리 지정된 계좌수에 근접하면 상기 병합을 중단할 수 있다.In addition, the test segment setting unit merges one or more segments of the plurality of segments into the test segment in the order of the lowest average default probability value of the segment and sets the test segment, but when the test segment approaches a predetermined number of accounts, the merging is stopped can do.

또한, 상기 검정군 확정부는 상기 검정 세그먼트를 랜덤 샘플링을 통해 예비 실험군 및 예비 대조군을 설정하고 분포 검정으로 검정하여 상기 분포 검정을 통과한 것으로 판단하면 상기 실험군 및 상기 대조군으로 확정하고, 상기 분포 검정을 통과하지 못한 것으로 판단하면 상기 예비 실험군 및 상기 예비 대조군을 재샘플링하여 상기 분포 검정을 재수행할 수 있다.In addition, when it is determined that the test segment has passed the distribution test by setting a preliminary experimental group and a preliminary control group through random sampling of the test segment and testing it with a distribution test, the test group is determined as the experimental group and the control group, and the distribution test is performed If it is determined that the test did not pass, the distribution test may be re-performed by resampling the preliminary experimental group and the preliminary control group.

또한, 상기 검정군 확정부는 상기 예비 실험군 및 상기 예비 대조군의 평균 부도 확률값 차이가 미리 정해진 값 이하이면 상기 분포 검정을 통과한 것으로 판단하고, 상기 예비 실험군 및 상기 예비 대조군의 평군 부도 확률값 차이가 미리 정해진 값 초과이면 상기 분포 검정을 통과하지 못한 것으로 판단할 수 있다.In addition, the test group determination unit determines that the distribution test has passed when the difference in the average default probability value between the preliminary experimental group and the preliminary control group is less than or equal to a predetermined value, and the difference in the average default probability value between the preliminary experimental group and the preliminary control group is predetermined. If it exceeds the value, it may be determined that the distribution test has not been passed.

또한, 상기 가설 검정부는, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정하고, 상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.In addition, the hypothesis testing unit sets the null hypothesis that the future default rate of the experimental group is less than the future default rate of the control group, and sets the null hypothesis that the future default rate of the experimental group is greater than the future default rate of the control group, and test the null hypothesis To this end, by applying the loan expansion scenario to the experimental group and the existing loan policy maintenance scenario to the control group, the future default probability value for each financial account included in the experimental group and the control group can be predicted using the artificial intelligence analysis unit.

또한, 상기 대출 확대 시나리오는 상기 금융계좌별에 대한 대출 금액 한도 확대, 이자율 축소, 신규 대출 허용 중 하나 이상인 것이며, 상기 대출 정책 유지 시나리오는 상기 금융계좌별에 대해 적용되는 대출 금액 한도, 이자율 및 신규 대출 금지를 계속적으로 유지할 수 있다.In addition, the loan expansion scenario is one or more of a loan amount limit expansion for each financial account, an interest rate reduction, and a new loan allowance, and the loan policy maintenance scenario is a loan amount limit applied for each financial account, an interest rate, and a new loan amount limit. The loan ban can continue.

또한, 상기 가설 검정부는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고, 상기 대조군이 포함된 상기 검정 세그먼트 전체 금융계좌에 대해 상기 대출 확대 시나리오를 동일하게 적용하여 상기 인공지능 분석부를 이용해 대출 품질을 측정할 수 있다.In addition, if the average future default probability value of the experimental group is less than the average future default probability value of the control group, the hypothesis test unit determines to reject the null hypothesis, and expands the loan for the entire financial account of the test segment including the control group By applying the same scenario, the loan quality can be measured using the artificial intelligence analysis unit.

또한, 상기 가설 검정부는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고, 상기 검정군 확정부를 통해 상기 실험군 내에서 제2 실험군과 제2 대조군을 추출하며, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율보다 낮을 것으로 제2 가설로, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하고, 상기 제2 귀무가설을 검정하기 위해, 상기 제2 실험군에는 상기 대출 확대 시나리오보다 대출 확대 범위를 확장한 제2 대출 확대 시나리오를, 상기 제2 대조군에는 기존의 대출 확대 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.In addition, if the average future default probability value of the experimental group is less than the average future default probability value of the control group, the hypothesis test unit determines to reject the null hypothesis, and the second experimental group and the second experimental group in the experimental group through the test group confirmation unit A control group is extracted, a second hypothesis that the future default rate of the second experimental group will be lower than that of the second control group, and a second null hypothesis that the future default rate of the second experimental group is greater than or equal to the future default rate of the second control group and to test the second null hypothesis, a second loan expansion scenario in which the loan expansion range is expanded than the loan expansion scenario is applied to the second experimental group, and an existing loan expansion scenario is applied to the second control group. The future default probability value for each financial account of the second experimental group and the second control group may be predicted using the artificial intelligence analysis unit.

또한, 상기 가설 검증부는, 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고, 상기 인공지능 분석부를 통해 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출하고, 도출된 상기 주요 요인이 포함된 상기 하나 이상의 금융계좌를 제외하고 상기 대출 확대 검정 시스템의 대출 확대 검정을 재수행할 수 있다.In addition, the hypothesis verification unit, if the average future default probability value of the experimental group is greater than or equal to the future average default probability value of the control group, determines to adopt the null hypothesis, and through the artificial intelligence analysis unit A factor may be derived, and the loan expansion test of the loan expansion test system may be re-performed by excluding the one or more financial accounts including the derived major factors.

또한, 상기 인공지능 분석부는, 상기 복수의 금융계좌별 금융데이터를 기초로 기계학습(Machine Learning)을 통하여 부도 예측 모델을 생성하는 금융모델 생성부; 금융상품의 품질을 측정하기 위해, 상기 금융상품에 포함되는 복수의 금융계좌를 관리하는 계좌 관리부; 상기 부도 예측 모델을 이용해 상기 계좌관리부에 포함된 상기 복수의 금융계좌별 부도 확률값을 산출하는 부도확률값 산출부; 상기 부도확률값 산출부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 상기 금융상품의 품질을 산출하는 품질 측정부; 및 산출된 상기 금융상품의 품질에 영향을 미치는 상기 금융계좌의 주요 요인을 분석하는 요인 분석부;를 포함하고, 상기 요인분석부의 결과에 따라, 상기 계좌관리부는 상기 금융상품에 포함되는 계좌를 선별할 수 있다.In addition, the artificial intelligence analysis unit, a financial model generation unit for generating a default prediction model through machine learning (Machine Learning) based on the financial data for each of the plurality of financial accounts; an account management unit for managing a plurality of financial accounts included in the financial products in order to measure the quality of the financial products; a default probability calculation unit for calculating default probability values for each of the plurality of financial accounts included in the account management unit by using the default prediction model; a quality measurement unit for calculating the quality of the financial product based on the default probability values for each of the plurality of financial accounts calculated by the default probability value calculation unit; and a factor analysis unit that analyzes major factors of the financial account that affect the calculated quality of the financial product, wherein, according to the result of the factor analysis unit, the account management unit selects an account included in the financial product can do.

또한, 상기 가설 검정부는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고, 상기 검정군 확정부를 통해 상기 실험군 내에서 제2 실험군과 제2 대조군을 추출하며, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율보다 낮을 것으로 제2 가설로 채택하고, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하며, 상기 제2 귀무가설을 검정하기 위해, 상기 제2 실험군에는 상기 대출 확대 시나리오보다 대출 확대 범위를 축소한 제2 대출 확대 시나리오를, 상기 제2 대조군에는 기존의 대출 확대 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.In addition, if the average future default probability value of the experimental group is greater than or equal to the future average default probability value of the control group, the hypothesis test unit determines that the null hypothesis is adopted, and the second experimental group and the second experimental group in the experimental group through the test group confirmation unit A control group is extracted, and it is adopted as a second hypothesis that the future default rate of the second experimental group will be lower than the future default rate of the second control group, and that the future default rate of the second experimental group is greater than or equal to the future default rate of the second control group set as the null hypothesis, and to test the second null hypothesis, a second loan expansion scenario in which the loan expansion range is reduced compared to the loan expansion scenario in the second experimental group, and an existing loan expansion scenario in the second control group By applying the artificial intelligence analysis unit, the future default probability value for each financial account of the second experimental group and the second control group can be predicted.

본 발명의 일 실시예에 따른 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 방법은, 복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석 단계; 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석 단계에서 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정 단계; 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정하는 검정군 확정 단계; 및 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행하는 가설 검정 단계;를 포함할 수 있다.A loan expansion hypothesis test method using artificial intelligence built on the basis of financial data according to an embodiment of the present invention includes an artificial intelligence analysis step of calculating a default probability value for each financial account; A test segment setting step of classifying the plurality of financial accounts into a plurality of segments based on a predetermined criterion, and setting a specific segment as a test segment to be tested based on the default probability value for each of the plurality of financial accounts calculated in the artificial intelligence analysis step ; a test group confirmation step of determining an experimental group and a control group for a part of the test segment for the loan expansion hypothesis test; and a hypothesis test step of performing the loan expansion hypothesis test for the experimental group and the control group.

또한, 상기 인공지능 분석 단계는 상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출할 수 있다.In addition, the artificial intelligence analysis step may calculate a default probability value for each of the plurality of financial accounts using a default prediction model generated using machine learning based on the financial data.

또한, 상기 검정 세그먼트 설정 단계는 상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정할 수 있다.Also, in the setting of the test segment, a segment having a minimum average default probability value of the segment among the plurality of segments may be set as the test segment.

또한, 상기 가설 검정 단계는 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정하고, 상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석 단계를 재수행하여 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.In addition, in the hypothesis testing step, it is hypothesized that the future default rate of the experimental group will be less than the future default rate of the control group, and the future default rate of the experimental group is greater than the future default rate of the control group. In order to do so, by applying the loan expansion scenario to the experimental group and the existing loan policy maintenance scenario to the control group, the artificial intelligence analysis step is re-performed to predict the future default probability value for each financial account included in the experimental group and the control group.

또한, 상기 가설 검정 단계는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고, 상기 대조군이 포함된 상기 검정 세그먼트 전체 금융계좌에 대해 상기 대출 확대 시나리오를 동일하게 적용하여 상기 인공지능 분석 단계를 재수행하여 대출 품질을 측정할 수 있다.In addition, in the hypothesis testing step, if the average future default probability value of the experimental group is less than the average future default probability value of the control group, it is determined that the null hypothesis is rejected, and the loan for the entire financial account of the test segment including the control group The loan quality can be measured by re-performing the artificial intelligence analysis step by applying the expansion scenario in the same way.

또한, 상기 가설 검증 단계는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고, 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출하고, 도출된 상기 주요 요인이 포함된 상기 하나 이상의 금융계좌를 제외하고 상기 대출 확대 검정 방법의 대출 확대 검정을 재수행할 수 있다.In addition, in the hypothesis verification step, if the average future default probability value of the experimental group is greater than or equal to the future average default probability value of the control group, it is determined that the null hypothesis is adopted, and the main factors of the deterioration of the future average default rate of the experimental group are derived and derived It is possible to re-perform the loan expansion test of the loan expansion test method by excluding the one or more financial accounts including the main factor.

본 발명은 일 실시예에 따른 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법은 금융 기관의 고객 중 대출 확대 대상 선정에 보다 신뢰성 높은 솔루션을 제공할 수 있다.The present invention can provide a more reliable solution for loan expansion hypothesis testing system using artificial intelligence using artificial intelligence and a method using the same according to an embodiment of the present invention for selecting a loan expansion target among customers of a financial institution.

또한, 대출 확대 대상 집단에 대해서, 상기 집단 선정의 적절성을 확인할 수 있다.In addition, with respect to the group subject to loan expansion, the appropriateness of the group selection can be confirmed.

또한, 대출 확대 대상 집단에 대한 가상 대출 확대 정책 시뮬레이션 결과, 부정적인 결과가 예측될 경우, 해당 결과에 영향을 미치는 요인을 분석할 수 있다.In addition, when a negative result is predicted as a result of a virtual loan expansion policy simulation for a group of loan expansion targets, factors affecting the result can be analyzed.

또한, 금융상품 개발, 금융상품관리, 실행 및 계좌 관리 등의 의사결정 과정에 있어서, 인공지능의 예측모델을 이용하여 더욱 정확한 의사결정이 이루어지게 할 수 있다.In addition, in the decision-making process such as financial product development, financial product management, execution and account management, it is possible to make more accurate decisions by using the predictive model of artificial intelligence.

또한, 복잡한 인공지능 기술을 습득하지 않더라도 금융상품 담당자가 쉽게 인공지능 기술을 통해 분석하고 예측한 결과를 시뮬레이션하여 금융상품전략에 실시간으로 반영할 수 있다.In addition, even without acquiring complex artificial intelligence technology, the financial product manager can easily analyze and predict the results through artificial intelligence technology and reflect it in real-time in the financial product strategy.

본 발명의 효과들은 이상에서 언급한 내용들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.Effects of the present invention are not limited to the above-mentioned contents, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.

도 1은 본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템을 개략적으로 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 분석부 구성을 나타낸 도면이다.
도 3 본 발명의 일 실시예에 따른 데이터맵 변환부가 변환한 데이터맵을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 금융상품 관리자동화 시스템이 주요 요인을 판별하고, 재예측을 하는 것을 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템의 인공지능 분석부 및 검정 세그먼트 설정부의 수행 개념을 대략적으로 나타내기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 검정군 확정부가 실험군 및 대조군을 확정하는 흐름을 대략적으로 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 가설 검정부가 가설 검증하는 흐름을 대략적으로 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 가설 검정부가 귀무가설 기각시 수행하는 구조를 대략적으로 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 가설 검정부가 귀무가설 채택시 수행하는 구조를 대략적으로 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 대출 확대 가설 검정 방법의 흐름도이다.1 is a block diagram schematically showing a loan expansion hypothesis testing system according to an embodiment of the present invention.
2 is a diagram showing the configuration of an artificial intelligence analysis unit according to an embodiment of the present invention.
3 is a diagram illustrating a data map converted by a data map conversion unit according to an embodiment of the present invention.
4 is a diagram illustrating that the financial product manager assimilation system according to an embodiment of the present invention identifies major factors and re-predicts.
5 is a block diagram schematically illustrating the concept of performing an artificial intelligence analysis unit and a test segment setting unit of a loan expansion hypothesis test system according to an embodiment of the present invention.
6 is a diagram schematically illustrating a flow in which the test group determiner determines the experimental group and the control group according to an embodiment of the present invention.
7 is a diagram schematically illustrating a flow of hypothesis testing by a hypothesis testing unit according to an embodiment of the present invention.
8 is a diagram schematically illustrating a structure performed by a hypothesis testing unit when a null hypothesis is rejected according to an embodiment of the present invention.
9 is a diagram schematically illustrating a structure performed by a hypothesis testing unit when a null hypothesis is adopted according to an embodiment of the present invention.
10 is a flowchart of a loan expansion hypothesis testing method according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예가 상세하게 설명된다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명의 실시예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략되었다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art can easily carry out the present invention. However, the present invention may be embodied in several different forms and is not limited to the embodiments described herein. And, in order to clearly describe the embodiment of the present invention in the drawings, parts irrelevant to the description are omitted.

본 명세서에서 사용된 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도로 사용된 것이 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.The terms used herein are used only to describe specific embodiments, and are not intended to limit the present invention. The singular expression may include the plural expression unless the context clearly dictates otherwise.

본 명세서에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.In the present specification, terms such as "comprise", "have" or "include" are intended to designate that the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification exist, and one It may be understood that this does not preclude in advance the possibility of the presence or addition of other features or numbers, steps, operations, components, parts, or combinations thereof, or other features or more.

또한, 본 발명의 실시예에 나타나는 구성부들은 서로 다른 특징적인 기능들을 나타내기 위해 독립적으로 도시되는 것으로, 각 구성부들이 분리된 하드웨어나 하나의 소프트웨어 구성단위로 이루어짐을 의미하지 않는다. 즉, 각 구성부는 설명의 편의상 각각의 구성부로 나열하여 기술되고, 각 구성부 중 적어도 두 개의 구성부가 합쳐져 하나의 구성부로 이루어지거나, 하나의 구성부가 복수 개의 구성부로 나뉘어져 기능을 수행할 수 있다. 이러한 각 구성부의 통합된 실시예 및 분리된 실시예도 본 발명의 본질에서 벗어나지 않는 한 본 발명의 권리 범위에 포함된다.In addition, the components shown in the embodiment of the present invention are shown independently to represent different characteristic functions, and it does not mean that each component is made of separate hardware or a single software component. That is, each component is listed as each component for convenience of description, and at least two components of each component are combined to form one component, or one component can be divided into a plurality of components to perform a function. Integrated embodiments and separate embodiments of each of these components are also included in the scope of the present invention without departing from the essence of the present invention.

또한, 이하의 실시예들은 당 업계에서 평균적인 지식을 가진 자에게 보다 명확하게 설명하기 위해서 제공되는 것으로서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.In addition, the following embodiments are provided to more clearly explain to those of ordinary skill in the art, and the shapes and sizes of elements in the drawings may be exaggerated for more clear description.

이하, 첨부된 도면을 참조하여, 본 발명에 따른 바람직한 실시예에 대하여 설명한다.Hereinafter, with reference to the accompanying drawings, a preferred embodiment according to the present invention will be described.

도 1은 본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템을 개략적으로 나타낸 블록도이다.1 is a block diagram schematically showing a loan expansion hypothesis testing system according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에서, 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템(10)은 인공지능 분석부(100), 검정 세그먼트 설정부(200), 검정군 확정부(300) 및 가설 검정부(400)를 포함할 수 있다.Referring to FIG. 1 , in an embodiment of the present invention, a loan expansion hypothesis test system 10 using artificial intelligence built on the basis of financial data includes an artificial intelligence analysis unit 100 , a test segment setting unit 200 , It may include a test group determining unit 300 and a hypothesis testing unit 400 .

여기서, 상기 금융데이터는 금융기관을 이용하는 고객들과 관련된 데이터일 수 있다. 예컨대, 고객들의 개인정보, 신용정보, 연체정보 등일 수 있다.Here, the financial data may be data related to customers using a financial institution. For example, it may be customers' personal information, credit information, overdue information, and the like.

인공지능 분석부(100)는 상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출할 수 있다. 상기 부도 예측 모델은 대출 상품을 이용하는 고객들이 이용하고 있는 대출 상품에 대한 상환을 연체하거나 부도를 낼 가능성을 결과값으로 출력할 수 있다. 이하, 상기 부도 확률값은 사전적 정의의 ‘부도’를 의미할 뿐 아니라, 대출 상환에 있어서 연체도 포함한다. 또한, 상기 부도 예측 모델은 연체 확률값을 산출할 수 있으므로, ‘연체 예측 모델’일 수 있으나, 편의상 ‘부도 예측 모델’로 통일하여 기술한다. 따라서, 본 발명의 청구 범위 및 명세서에서의 부도 확률 모델은 복수의 금융계좌별 부도 확률값 또는 연체 확률값을 산출할 수 있으므로, ‘부도’에만 한정되는 것은 아니다. 또한, 후술되는 ‘연체율’도 편의상 ‘부도율’로 표기하나 그 의미상 ‘연체율’도 포함할 수 있다.The artificial intelligence analysis unit 100 may calculate a default probability value for each of the plurality of financial accounts using a default prediction model generated using machine learning based on the financial data. The default prediction model may output, as a result value, the possibility that customers who use the loan product will delay repayment or default on the loan product being used. Hereinafter, the default probability value not only means 'default' in the dictionary definition, but also includes arrears in loan repayment. In addition, since the default prediction model can calculate a default probability value, it may be a 'delinquency prediction model', but for convenience, it will be described as a 'default prediction model'. Accordingly, the default probability model in the claims and specifications of the present invention is not limited to 'default' since it can calculate default probability values or delinquency probability values for each of a plurality of financial accounts. In addition, the 'delinquency rate', which will be described later, is also referred to as the 'default rate' for convenience, but may also include the 'delinquency rate' in its meaning.

검정 세그먼트 설정부(200)는 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정할 수 있다. The test segment setting unit 200 classifies the plurality of financial accounts into a plurality of segments based on a predetermined criterion, and a test segment that is a test target for a specific segment based on the default probability value for each of the plurality of financial accounts calculated by the artificial intelligence analysis unit can be set to

검정군 확정부(300)는 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정할 수 있다.The test group determination unit 300 may determine a part of the test segment as an experimental group and a control group for the loan expansion hypothesis test.

가설 검정부(400)는 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행할 수 있다.The hypothesis test unit 400 may perform the loan expansion hypothesis test for the experimental group and the control group.

도 2는 본 발명의 일 실시예에 따른 인공지능 분석부 구성을 나타낸 도면이다.2 is a diagram showing the configuration of an artificial intelligence analysis unit according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시예에 따른 인공지능 분석부(100)는 금융모델 생성부(110), 계좌 관리부(120), 부도확률값 산출부(130), 품질 측정부(140) 및 요인 분석부(150)를 포함할 수 있다. 또한, 인공지능 분석부(100)는 데이터맵 변환부(160)를 포함할 수 있다.Referring to FIG. 2 , the artificial intelligence analysis unit 100 according to an embodiment of the present invention includes a financial model generation unit 110 , an account management unit 120 , a default probability value calculation unit 130 , and a quality measurement unit 140 . and a factor analysis unit 150 . In addition, the artificial intelligence analysis unit 100 may include a data map conversion unit 160 .

인공지능 분석부(100)는 복수의 금융계좌별 금융데이터(121)에 기초한 금융상품을 자동으로 관리할 수 있다. 여기서, 금융데이터(121)는 금융기관 내부에서 수집되는 내부 데이터(121a) 또는 금융기관 외부에서 수집되는 외부 데이터(121b)를 포함할 수 있다. The artificial intelligence analysis unit 100 may automatically manage financial products based on the financial data 121 for each of a plurality of financial accounts. Here, the financial data 121 may include internal data 121a collected inside the financial institution or external data 121b collected outside the financial institution.

내부 데이터(121a)는 금융기관에 등록된 각 계좌에 따른 개인정보, 신용정보, 연체정보, 금리정보, 대출정보, 소득정보, 부채정보, 예금정보, 금융거래정보 중 하나 이상을 포함할 수 있다. 개인정보는 이름, 나이, 연령, 거주지, 가족관계, 성별, 소득, 직장, 직장근무기간, 자산 현황 정보 등이 포함될 수 있고, 신용정보는 신용평가사등급, 내부신용등급, 상환의지에 대한 능력 등이 포함될 수 있다. 또한, 연체정보는 과거 금융기관에 대한 연체정보, 부도정보, 부채정보 등이 포함될 수 있으며, 대출상품, 대출실행금액, 가산금리, 이자납부금액, 잔액 등과 같은 상품정보도 포함될 수 있다.The internal data 121a may include one or more of personal information, credit information, delinquency information, interest rate information, loan information, income information, debt information, deposit information, and financial transaction information for each account registered with a financial institution. . Personal information may include name, age, age, residence, family relationship, gender, income, workplace, working period, asset status information, etc. Credit information includes credit rating agency rating, internal credit rating, ability to repay, etc. this may be included. In addition, delinquency information may include delinquency information, default information, debt information, etc. about past financial institutions, and may also include product information such as loan products, loan execution amount, additional interest rate, interest payment amount, balance, and the like.

외부 데이터(121b)는 은행 내부에서 자체적으로 생성되지 않는 데이터를 말하며, 제휴 또는 스크래핑 같은 방식으로 수집될 수 있다. 예컨대, 통신사, 카드이용내역, 유통사의 소비패턴, 경제지표, SNS, 이자율, 기준금리, 금융상품의 행위가 일어나는 채널에 대한 정보일 수 있다. 또한, 각 증권사별로 관리하는 등급, 주식의 과거 특정 기간의 변동성 같은 정보들이 포함될 수 있다. The external data 121b refers to data that is not generated by itself inside the bank, and may be collected in a way such as partnership or scraping. For example, it may be information about a communication company, card usage history, consumption pattern of a distribution company, economic indicators, SNS, interest rate, base interest rate, and channels in which financial product behavior occurs. In addition, information such as ratings managed by each securities company and volatility of stocks in a specific period in the past may be included.

금융모델 생성부(110)는 복수의 금융계좌별 금융데이터를 기초로 기계학습을 통하여 부도 예측 모델(111)을 생성할 수 있다.The financial model generator 110 may generate the default prediction model 111 through machine learning based on financial data for each financial account.

여기서, 상기 기계학습은, 심층 신경망(DNN; Deep Neural Network), 합성곱 신경망(CNN; Convolution Neural Network), 순환 신경망(RNN; Recurrent Neural Network), 제한 볼츠만 머신(RBM; Restricted Boltzmann Machine) 및 심층 신뢰 신경망(DBN; Deep Brief Network) 중 하나 이상을 사용할 수 있다.Here, the machine learning is a deep neural network (DNN), a convolutional neural network (CNN), a recurrent neural network (RNN), a Restricted Boltzmann Machine (RBM) and deep One or more of a Deep Brief Network (DBN) may be used.

계좌 관리부(120)는 생성된 부도 예측 모델(111)에 입력되는 복수의 금융계좌를 관리할 수 있다. 계좌 관리부(120)는 부도 예측 모델(111)에 입력되는 금융데이터를 계좌 단위로 관리하며, 입력되는 계좌를 조정할 수 있다. 부도 예측 모델(111)에 입력되는 금융데이터(121)는 계좌 관리부(120)에 의해 계좌 단위로 관리되어 품질 측정부(140)에 의해 입력될 수 있다. 또한, 예측이 반복되는 과정에서 계좌 관리부(120)는 부도 예측 모델(111)에 입력되는 계좌를 조정하여 입력 범위를 제한하거나 확대할 수 있다. 계좌 단위는 하나의 명의자에 대응되는 계좌일 수 있으며, 계좌에 포함되는 정보는 범주형 변수로 분류되어 세부정보를 가질 수 있다. 여기서 범주는 예컨대, 명의자, 주소, 성별, 상환방식, 주거형태, 잔액, 대출금리, 신용정보 등을 포함할 수 있다.The account manager 120 may manage a plurality of financial accounts input to the generated default prediction model 111 . The account management unit 120 may manage the financial data input to the default prediction model 111 in units of accounts, and may adjust the input accounts. The financial data 121 input to the default prediction model 111 may be managed in units of accounts by the account management unit 120 and input by the quality measurement unit 140 . In addition, in the process of repeating the prediction, the account manager 120 may limit or expand the input range by adjusting the account input to the default prediction model 111 . The account unit may be an account corresponding to one holder, and information included in the account may be classified as a categorical variable to have detailed information. Here, the category may include, for example, nominee, address, gender, repayment method, housing type, balance, loan interest rate, credit information, and the like.

부도확률값 산출부(130)는 금융모델 생성부(110)가 생성한 부도 예측 모델(111)을 이용해 계좌 관리부(120)에 포함된 복수의 금융계좌별 부도 확률값을 산출할 수 있다. 인공지능 분석부(100)가 산출하는 부도 확률값은 부도확률값 산출부(130)에서 산출한 결과값일 수 있다.The default probability value calculation unit 130 may calculate default probability values for each of the plurality of financial accounts included in the account management unit 120 using the default prediction model 111 generated by the financial model generation unit 110 . The default probability value calculated by the artificial intelligence analysis unit 100 may be a result value calculated by the default probability value calculation unit 130 .

품질 측정부(140)는 금융상품에 속하는 복수의 금융계좌별 금융데이터를 입력하여 부도 예측 모델(111)을 통한 금융상품의 품질을 산출할 수 있다.The quality measuring unit 140 may calculate the quality of the financial product through the default prediction model 111 by inputting financial data for a plurality of financial accounts belonging to the financial product.

요인 분석부(150)는 품질 측정부(140)에서 산출된 금융상품의 품질에 영향을 미치는 금융계좌의 주요 요인을 분석할 수 있다. 일례로 신용대출 상품 금리 5% 상품에 대해 연체-부도율이 2% 이하로 리스크 관리를 한다면, 연체-부도율의 예측모델을 통한 향후 포트폴리오의 연체-부도율 예측결과치가 리스크 관리를 하지 않을 경우 3%까지 상승할 수 있다고 예상될 수 있다. 이때, 요인 분석부(150)는 목표치인 2% 미만으로 도달하려면 어떤 주요 요인을 조정해야 하는지 분석할 수 있다. 여기서 주요 요인은 계좌에 포함되는 범주형 변수일 수 있다. 그리고 요인 분석부(150)의 결과에 따라, 계좌 관리부(120)는 금융상품에 포함되는 계좌를 선별할 수 있다.The factor analysis unit 150 may analyze major factors of the financial account that affect the quality of the financial product calculated by the quality measurement unit 140 . For example, if the delinquency-default rate is less than 2% for a credit loan product with an interest rate of 5%, if risk management is carried out, the delinquency-default rate prediction result of the future portfolio through the delinquency-default rate prediction model can be up to 3% if risk management is not carried out can be expected to rise. In this case, the factor analysis unit 150 may analyze which major factors need to be adjusted in order to reach the target value of less than 2%. Here, the main factor may be a categorical variable included in the account. And according to the result of the factor analysis unit 150 , the account management unit 120 may select an account included in the financial product.

데이터맵 변환부(160)는 금융모델 생성부(110)의 출력값 또는 품질 측정부(140)의 출력값을 빈티지 차트(Vintage Chart) 또는 넷플로우 차트(NetFlow Chart)로 시각화할 수 있다. 여기서 빈티지 차트 또는 넷플로우 차트는 데이터맵이라고 할 수 있다. 데이터맵은 데이터를 인간 또는 기계가 판독할 수 있는 그래프 또는 표와 같은 형태일 수 있다. 데이터맵은 인공지능 분석부(100)에 적용되는 업종에 따라 그 형태가 달라질 수 있다. 예컨대, 데이터맵 변환부(160)는 리테일 뱅킹과 같은 업종은 빈티지 차트, 넷플로우 차트 등으로 데이터맵을 시각화하고, 증권사 및 신용카드과 같은 업종은 또 다른 형태의 데이터맵으로 시각화할 수 있다.The data map conversion unit 160 may visualize the output value of the financial model generating unit 110 or the output value of the quality measuring unit 140 as a vintage chart or a NetFlow chart. Here, the vintage chart or netflow chart can be referred to as a data map. A data map may be in the form of a graph or table, in which data can be read by humans or machines. The data map may have a different shape depending on the industry applied to the artificial intelligence analysis unit 100 . For example, the data map conversion unit 160 may visualize a data map for an industry such as retail banking using a vintage chart or a netflow chart, and a different type of data map for an industry such as a securities company and credit card.

도 3 본 발명의 일 실시예에 따른 데이터맵 변환부가 변환한 데이터맵을 나타낸 도면이다.3 is a diagram illustrating a data map converted by a data map conversion unit according to an embodiment of the present invention.

도 3을 참조하면, 품질 측정부(140)의 출력값은 빈티지 차트 또는 넷플로우 차트로 시각화할 수 있다. 빈티지 차트는 특정 기간(2017년 1월, 2월 등)에 실행된 포트폴리오를 비교하기 위해서 만든 분석지표로서, 와인의 빈티지별 품질을 관리하는 지표와 유사하다. 도 3의 차트는 Ever 5+, 즉 단 한 번이라도 5일 이상 연체할 것으로 예상되는 계좌를 누적적으로 보여주는 차트이다.Referring to FIG. 3 , the output value of the quality measuring unit 140 may be visualized as a vintage chart or a Netflow chart. The vintage chart is an analytical index created to compare portfolios executed in a specific period (January, 2017, etc.), and is similar to an index that manages the quality of each vintage of wine. The chart of FIG. 3 is a chart showing the accumulation of Ever 5+, that is, an account that is expected to be delinquent for more than 5 days at least once.

도 3을 참조하여 예를 들면 2017년 1월에 실행된 12,423건의 계좌 중, 대출 실행 이후 25개월 동안, 한 번이라도 5일 이상 연체를 할 것으로 예측되는 계좌의 비율(L1)은 약 25%인 3,106건의 계좌이다. 이러한 예측 데이터를 시간의 흐름에 따라 누적하여 표시하며, 각 실행된 월별 포트폴리오의 그래프를 그릴 수 있다. 이러한 월별 포트폴리오의 그래프를 품질이라고 한다면, 데이터맵 변환부(160)가 변환한 차트에는 목표 품질(L0)을 포함할 수 있다. 동일한 시점에서 예측된 품질(L1)이 목표 품질(L0)의 값이 유사하다면 예측되는 대출 포트폴리오의 품질은 좋다고 평가할 수 있다. 이러한 품질은 수익률, 부도율 또는 조기상환율 중 하나 이상을 포함할 수 있다.Referring to FIG. 3, for example, out of 12,423 accounts executed in January 2017, the proportion (L1) of accounts that are expected to be delinquent for at least 5 days during 25 months after loan execution is about 25%. 3,106 accounts. These forecast data are accumulated over time and displayed, and a graph of each executed monthly portfolio can be drawn. If the graph of the monthly portfolio is referred to as quality, the chart converted by the data map conversion unit 160 may include the target quality L0. If the predicted quality (L1) at the same time point is similar to the target quality (L0), the quality of the predicted loan portfolio can be evaluated as good. Such quality may include one or more of yield, default rate, or prepayment rate.

본 발명에 따른 데이터맵 변환부(160)가 생성할 수 데이터맵의 유형과 이를 예측모델과 결합하여 시각화한 그래프의 유형은 다양한 범주로 생성될 수 있고, 2차원 그래프만이 아닌 다수의 변수 축을 가지는 다차원의 그래프도 포함될 수 있다.The types of data maps that can be generated by the data map conversion unit 160 according to the present invention and the types of graphs visualized by combining them with a predictive model can be generated in various categories, and can be generated in a number of variable axes, not just a two-dimensional graph. Branches can also include multidimensional graphs.

예를 들어 1000개의 계좌 중 50개의 계좌가 연체중이다. 그리고 다음달에 추가로 2000개의 계좌가 신규 대출 실행을 한다면, 신규로 대출이 실행된 계좌는 연체가 없으므로 연체율은 50/3000으로 낮아질 수 있다. 이처럼 연체율은 하나의 지표로만 판단할 수 있는 문제가 아니므로 다차원의 축을 이용하여 나타낼 수 있다.For example, 50 out of 1000 accounts are delinquent. And if an additional 2,000 accounts are issued new loans in the next month, the delinquency rate may be lowered to 50/3000 because the newly issued accounts do not have delinquency. As such, the delinquency rate is not a problem that can be determined with only one indicator, so it can be expressed using a multidimensional axis.

요인 분석부(150)는 예측되는 품질(L1)이 목표 품질(L0)에 비해 좋은지 나쁜지 판단한다. 품질이 좋은 기준은 동일한 시점에서 예측되는 품질(L1)과 목표 품질(L0)의 값의 차이(d1)을 산출하고, 그 차이(d1)가 일정 기준 이하면 품질이 좋다고 판단할 수 있다. 또한, 요인 분석부(150)는 예측되는 품질(L1)이 좋지 않다고 판단되면, 목표 품질(L0)과의 차이(d1)를 줄일 수 있는 주요 요인을 판단하고, 주요 요인의 영향도를 분석할 수 있다.The factor analysis unit 150 determines whether the predicted quality L1 is good or bad compared to the target quality L0. The standard of good quality calculates the difference d1 between the values of the quality L1 and the target quality L0 predicted at the same point in time, and when the difference d1 is less than a certain standard, it can be determined that the quality is good. In addition, when it is determined that the predicted quality L1 is not good, the factor analysis unit 150 determines a major factor capable of reducing the difference d1 from the target quality L0, and analyzes the influence of the major factor. can

여기서, 주요 요인은 금융모델 생성부(110)가 생성한 부도 예측 모델(111)의 입력 데이터인 계좌에 포함된 범주의 세부 정보 중 수치가 한정되거나 어느 범주 세부 정보를 포함하는 계좌를 대출 실행에 포함하거나 제한하면 차이(d1)의 변화를 가장 많이 가져올 수 있는 것일 수 있다.Here, the main factor is that the numerical value of the detailed information of the category included in the account, which is the input data of the default prediction model 111 generated by the financial model generation unit 110, is limited or the account including the specific category information is used for loan execution. Inclusion or limiting may be the one that can bring about the greatest change in the difference d1.

예를 들어, 부도 예측 모델(111)에 입력되는 계좌가 제1 계좌, 제2 계좌 및 제3 계좌가 입력될 수 있다. 제1 계좌, 제2 계좌 및 제3 계좌는 ‘A’시점에 대출이 실행된 계좌이다. 각 계좌에 따른 범주는 ‘연체이력’ 포함할 수 있다. 여기서 ‘연체이력’ 해당 시점 이전에 5일 이상 연체하는 것이며, ‘연체이력’의 범위의 세부 정보는 각 계좌가 과거에 상기 기준에 따라 연체된 이력을 카운팅 하는 것일 수 있다. 그리고 실제로 제2 계좌의 ‘연체이력’의 범주의 세부 정보가 ‘3’ 이상이라고 하면, 요인 분석부(150)가 ‘연체이력’의 범주에서 ‘1’이상의 값을 가진 계좌를 제외한 계좌를 다시 부도 예측 모델(111)에 입력하여 차이(d1)가 줄어들면, ‘연체이력’을 주요 요인으로 판단할 수 있다.For example, a first account, a second account, and a third account may be input as accounts input to the default prediction model 111 . The first account, the second account, and the third account are accounts in which the loan was executed at the time 'A'. The category for each account may include 'delinquency history'. Here, 'delinquency history' means being overdue for more than 5 days before the relevant time point, and detailed information of the scope of 'delinquency history' may be counting the history of delinquency of each account in the past according to the above criteria. And if the detailed information of the category of the 'delinquency history' of the second account is '3' or more, the factor analysis unit 150 re-reviews the account except for the account having a value of '1' or more in the category of the 'delinquency history' When the difference d1 is reduced by input to the default prediction model 111, it is possible to determine the 'delinquency history' as a major factor.

도 4는 본 발명의 일 실시예에 따른 금융상품 관리자동화 시스템이 주요 요인을 판별하고, 재예측을 하는 것을 나타내는 도면이다.4 is a diagram illustrating that the financial product manager assimilation system according to an embodiment of the present invention identifies major factors and re-predicts.

도 4를 참조하면, 요인 분석부(150)는 방금 설명한 ‘연체이력’만이 아니라 매우 다양하며 중복적으로 주요 요인을 판별할 수 있다. 부도 예측 모델(111)은 하나의 모델이 생성되는 것이 아니라 각각의 목적에 따른 출력값을 가지는 다양한 모델이 생성될 수 있다. 또한, 요인 분석부(150)는 하나의 부도 예측 모델(111)에서 예측한 값을 이용해 다양한 예측 그래프를 산출할 수도 있다. 도 4는 부도 예측 모델(111)이 입력된 각 계좌에 따른 월별연체율을 예측하고, 품질 측정부(140)는 예측된 월별연체율에 따라 누적부도율을 산출하고 3개월 이내에 부도나는 계좌의 비율을 산출하여 1등급에서 10등급으로 분류하는 모습이 나타나 있다.Referring to FIG. 4 , the factor analysis unit 150 can determine not only the just-described 'delinquency history' but also a very diverse and redundant main factor. In the default prediction model 111, not one model is generated, but various models having output values according to respective purposes may be generated. In addition, the factor analysis unit 150 may calculate various prediction graphs using values predicted by one default prediction model 111 . 4 shows the default prediction model 111 predicts the monthly delinquency rate according to the inputted accounts, and the quality measurement unit 140 calculates the cumulative default rate according to the predicted monthly delinquency rate and calculates the ratio of accounts that go bankrupt within 3 months Therefore, it is shown that they are classified on a scale of 1 to 10.

도 3 및 도 4를 참조하면, 요인 분석부(150)가 예측 품질(L1)과 목표 품질(L0)의 차이(d1)를 줄이는 주요 요인을 ‘연체이력’이라고 판단하면, 계좌 관리부(120)는 입력되는 계좌 데이터에서 ‘연체이력’을 가진 계좌를 제외할 수 있다. 품질 측정부(140)는 ‘연체이력’이 제외된 계좌로 재입력된 부도 예측 모델(111)을 이용하여 부도율을 산출할 수 있고, 데이터맵 변환부(160)는 요인 분석부(150)의 산출값을 기초로 다시 누적부도율을 출력할 수 있다. 이때, 예측된 품질(L2)과 목표 품질(L0)과의 차이(d2)를 재분석할 수 있다. 품질이 좋은 것으로 판단되지 않으면 요인 분석부(150)는 다시 주요 요인을 분석할 수 있다. 이때, 요인 분석부(150)가 3개월 이내 부도 계좌의 비율에서 10등급을 받은 계좌를 주요 요인으로 판단하면, 계좌 관리부(120)는 부도 예측 모델(111)로 입력되는 계좌 중 10등급으로 분류된 계좌를 다시 제외하고 부도 예측 모델(111)에 입력할 수 있다. 인공지능 분석부(100)는 이 과정을 반복하며 품질이 좋은 것으로 판단하는 예측 품질(L3)을 산출할 수 있다.3 and 4, when the factor analysis unit 150 determines that the main factor for reducing the difference d1 between the predicted quality L1 and the target quality L0 is 'delinquency history', the account management unit 120 can exclude accounts with 'delinquency history' from the input account data. The quality measurement unit 140 may calculate the default rate by using the default prediction model 111 re-entered into the account excluding the 'delinquency history', and the data map conversion unit 160 is Based on the calculated value, the cumulative default rate can be output again. In this case, the difference d2 between the predicted quality L2 and the target quality L0 may be reanalyzed. If it is not determined that the quality is good, the factor analysis unit 150 may analyze the main factors again. At this time, if the factor analysis unit 150 determines that an account that has received a grade of 10 in the ratio of defaulted accounts within 3 months is a major factor, the account management unit 120 classifies it into 10 grades among the accounts input to the default prediction model 111 . It can be input to the default prediction model 111 except for the account again. The artificial intelligence analysis unit 100 may repeat this process and calculate the predicted quality L3 determined to be of good quality.

계좌 관리부(120)는 복수의 계좌정보 중 주요 요인에 대한 기준을 만족하는 하나 이상의 계좌를 추출하고, 상기 계좌 명의자에게 취할 행동을 추천하는 사후액션부 및 주요 요인에 대한 기준을 만족하는 또 다른 계좌에 대해 대출을 금지하는 사전액션부를 포함할 수 있다.The account management unit 120 extracts one or more accounts that satisfy the criteria for the main factor from among the plurality of account information, and a post action unit that recommends an action to be taken to the account holder and another account that satisfies the criteria for the main factor It may include a pre-action unit that prohibits a loan for

여기서 행동은 사용자가 취하는 행동으로 예를 들어 주요 요인이 10등급이라고 판단될 경우, 10등급으로 분류되는 계좌의 명의자에 대해 전화 독촉, 메일 발송 또는 자산 압류 등의 행동이며, 사후액션부는 이러한 행동을 추천할 수 있다. 사전액션부는 주요 요인이 미래에 대출을 실행할 대출 후보 계좌 중에서 10등급으로 분류되는 계좌와 유사한 계좌를 제외할 수 있다.Here, the action is an action taken by the user. For example, if the main factor is determined to be level 10, it is an action such as calling, sending an e-mail, or confiscation of assets to the holder of an account classified as level 10. can recommend The pre-action unit may exclude accounts similar to those classified in the tenth grade among loan candidate accounts whose main factor is to issue loans in the future.

도 5는 본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템의 인공지능 분석부 및 검정 세그먼트 설정부의 수행 개념을 대략적으로 나타내기 위한 블록도이다.5 is a block diagram schematically illustrating the concept of performing an artificial intelligence analysis unit and a test segment setting unit of a loan expansion hypothesis test system according to an embodiment of the present invention.

도 5를 참조하면, 본 발명의 일 실시예에 있어서, 인공지능 분석부(100)는 금융계좌 데이터(122)에 대해 부도 확률값을 산출할 수 있다. 금융계좌 데이터(122)는 복수의 금융계좌 데이터가 포함된 집단 데이터일 수 있다. 인공지능 분석부(100)는 도 2에서 설명한 바와 같이, 금융데이터(121)를 기계학습하여 생성한 부도 예측 모델(111)을 이용하여 금융계좌 데이터(122)에 포함된 각각의 금융계좌 데이터별로 각각의 부도 확률값을 산출할 수 있다.Referring to FIG. 5 , in an embodiment of the present invention, the artificial intelligence analysis unit 100 may calculate a default probability value for the financial account data 122 . The financial account data 122 may be group data including a plurality of financial account data. As described in FIG. 2 , the artificial intelligence analysis unit 100 uses the default prediction model 111 generated by machine learning the financial data 121 for each financial account data included in the financial account data 122 . Each default probability value can be calculated.

검정 세그먼트 설정부(200)는 미리 지정된 기준으로 금융계좌 데이터(122)를 복수의 세그먼트(123)로 분류하고, 인공지능 분석부(100)가 산출한 금융계좌 데이터별 부도 확률값을 기초로 하여 특정 세그먼트를 검정대상인 검정 세그먼트(124) 설정할 수 있다. 복수의 세그먼트(123)에 대해 각각의 세그먼트(123) 평균 부도 확률값을 산출하고, 산출된 세그먼트(123) 평균 부도 확률값 중 최소 평균 부도 확률값을 가지는 세그먼트를 검정 세그먼트(124)로 설정할 수 있다.The test segment setting unit 200 classifies the financial account data 122 into a plurality of segments 123 based on a predetermined criterion, and is specified based on the default probability value for each financial account data calculated by the artificial intelligence analysis unit 100 . The segment may be set as the test segment 124 to be tested. An average default probability value of each segment 123 may be calculated for the plurality of segments 123 , and a segment having a minimum average default probability value among the calculated average default probability values of the segments 123 may be set as the test segment 124 .

보다 구체적으로는, 검정 세그먼트 설정부(200)는 상기 금융계좌 데이터별 부도 확률값을 기초로 금융계좌 데이터별로 등급을 부여할 수 있다. 등급은 일례로 부도 확률값을 크기 순서대로 정렬하여 균등 분포 또는 정규 분포를 따르도록 낮은 등급을 부여할 수 있다. 예컨대, 0%~10%이면 1등급, 11%~20%이면 2등급, 21%~30%이면 3등급과 같이 부여할 수 있다. 이 경우 1등급부터 10등급까지 등급이 부여될 수 있다. 이 등급별로 복수의 세그먼트(123)를 분류하고, 최저 등급인 세그먼트, 즉 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 검정 세그먼트(124)로 설정할 수 있다. 여기서 상기 미리 지정된 기준은 금융계좌 데이터별로 부여한 등급일 수 있다.More specifically, the test segment setting unit 200 may assign a grade to each financial account data based on the default probability value for each financial account data. As an example, a lower grade may be assigned to follow a uniform distribution or a normal distribution by arranging default probability values in order of magnitude. For example, 0% to 10% may be given as 1st grade, 11% to 20% as 2nd grade, and 21% to 30% as 3rd grade. In this case, a grade from grade 1 to grade 10 may be assigned. A plurality of segments 123 may be classified for each grade, and a segment having the lowest grade, that is, a segment having the smallest average default probability value of the segment, may be set as the test segment 124 . Here, the predetermined criterion may be a grade assigned to each financial account data.

또한, 실시예에 따라 상기 미리 지정된 기준은 [대출 상품의 종류(A/B/C)], [연령대(20대/30대/40대/50대/60대)], [성별(남/여)] 등일 수 있다, 미리 지정된 기준은 어느 하나로 특정되지 않으며, 사용자의 지정에 따라 언제든지 변경될 수 있다. 또한, 상기 미리 설정된 기준은 하나만 적용되는 것이 아니라 하나 이상으로 적용될 수 있다. 예컨대, 상기 미리 지정된 기준이 [대출 상품의 종류 & 연령대(A&30대)] 또는 [대출 상품의 종류 & 연령대 & 성별(B&40대&여)]로 지정될 수도 있다. 검정 세그먼트 설정부(200)는 해당 미리 지정된 기준으로 분류된 복수의 세그먼트(123)에 대해 세그먼트(123) 평균 부도 확률값은 상기 금융계좌 데이터별 부도 확률값을 기초로 산출하고, 가장 낮은 평균 부도 확률값을 가지는 세그먼트(123)를 검정 세그먼트(124)로 설정할 수 있다.In addition, according to the embodiment, the preset criteria are [Type of loan product (A/B/C)], [Age (20s/30s/40s/50s/60s)], [Gender (male/ female)], etc., the pre-specified criteria are not specified by any one, and may be changed at any time according to the user's designation. In addition, the preset criterion may be applied to one or more rather than one. For example, the predetermined criteria may be specified as [type of loan product & age group (A&30s)] or [type of loan product & age group & gender (B&40s & female)]. The test segment setting unit 200 calculates the segment 123 average default probability value based on the default probability value for each financial account data for a plurality of segments 123 classified according to the predetermined criteria, and calculates the lowest average default probability value. The branch 123 may be set as the black segment 124 .

또한, 검정 세그먼트 설정부(200)는 지정가능한 모든 상기 미리 지정된 기준으로 복수의 세그먼트(123)를 분류할 수 있다. 즉, 금융계좌 데이터에 포함된 모든 레이블별로 세그먼트(123)를 분류할 수 있다. 예컨대, 검정 세그먼트 설정부(200)는 분할 가능한 모든 기준인 성별, 연령별, 대출상품별, 지역별 등으로 세그먼트(123)를 분류할 수 있다.In addition, the black segment setting unit 200 may classify the plurality of segments 123 according to all of the pre-specified criteria that can be designated. That is, the segment 123 may be classified according to all labels included in the financial account data. For example, the test segment setting unit 200 may classify the segment 123 into all divisible criteria such as gender, age, loan product, region, and the like.

이 경우, 검정 세그먼트 설정부(200)는 분류된 세그먼트(123) 중에서 가장 낮은 평균 부도 확률값을 가지는 세그먼트(123)를 검정 세그먼트(124)로 설정할 수 있거나, 하나 이상의 세그먼트(123)를 세그먼트(123)의 평균 부도 확률값이 낮은 순으로 병합하되, 상기 병합한 세그먼트(123)에 포함된 금융계좌 수가 미리 설정한 계좌수에 도달 또는 근접하면 상기 병합을 중단하고, 이때까지 병합된 세그먼트(123)를 검정 세그먼트(124)로 설정할 수 있다. 예컨대, 하나의 세그먼트(123)에 평균적으로 100계좌가 존재하고, 상기 미리 설정한 계좌수가 1,000계좌 이면, 1000계좌에 근사하도록 평균 부도 확률이 낮은 순서대로 복수의 세그먼트(123)를 검정 세그먼트(124)로 설정할 수 있다.In this case, the test segment setting unit 200 may set the segment 123 having the lowest average default probability value among the classified segments 123 as the test segment 124 , or set one or more segments 123 to the segment 123 . ) in the order of the lowest average default probability value, but when the number of financial accounts included in the merged segment 123 reaches or approaches a preset number of accounts, the merging is stopped, and the merged segments 123 up to this point are merged. Black segment 124 can be set. For example, if there are 100 accounts on average in one segment 123 and the preset number of accounts is 1,000 accounts, the plurality of segments 123 in the order of the lowest average default probability to approximate 1000 accounts are evaluated as the test segment 124 . ) can be set.

도 6은 본 발명의 일 실시예에 따른 검정군 확정부가 실험군 및 대조군을 확정하는 흐름을 대략적으로 나타낸 도면이다.6 is a diagram schematically illustrating a flow in which the test group determiner determines the experimental group and the control group according to an embodiment of the present invention.

도 6을 참조하면, 검정군 확정부(300)는 검정 세그먼트(124)에 대하여 가설을 검정하기 위한 실험군 및 대조군을 추출할 수 있다. 검정군 확정부(300)는 설정된 검정 세그먼트(124)에서 랜덤 샘플링(Random Sampling)을 통해 예비 실험군(125) 및 예비 대조군(126)을 추출할 수 있다. 검정군 확정부(300)는 설정된 예비 실험군(125) 및 예비 대조군(126)에 대해 분포 검정을 수행할 수 있다. 여기서, 분포 검정은 맨 휘트니 테스트(Mann-Whitney Test)일 수 있다. 검정군 확정부(300)는 설정된 예비 실험군(125) 및 예비 대조군(126)이 상기 분포 검정을 통과한 것으로 판단하면 예비 실험군(125) 및 예비 대조군(126)을 확정 실험군(127) 및 확정 대조군(128)으로 확정할 수 있다. 검정군 확정부(300)는 설정된 예비 실험군(125) 및 예비 대조군(126)이 상기 분포 검정을 통과하지 못한 것으로 판단하면, 랜덤 샘플링을 재수행하여 예비 실험군(125) 및 예비 대조군(126)을 재설정하여, 상기 분포 검정을 재수행할 수 있다. 상기 분포 검정을 통과하는 기준은 상기 예비 실험군 및 상기 예비 대조군의 평균 부도 확률값 차이가 미리 정해진 값 이하이면 상기 분포 검정을 통과한 것으로 판단하고, 상기 예비 실험군 및 상기 예비 대조군의 평균 부도 확률값 차이가 미리 정해진 값 초과이면 상기 분포 검정을 통과하지 못한 것으로 판단하는 것일 수 있다.Referring to FIG. 6 , the test group determiner 300 may extract an experimental group and a control group for testing a hypothesis with respect to the test segment 124 . The test group determiner 300 may extract the preliminary experimental group 125 and the preliminary control group 126 from the set test segment 124 through random sampling. The test group determiner 300 may perform a distribution test on the set preliminary experimental group 125 and the preliminary control group 126 . Here, the distribution test may be a Mann-Whitney test. When it is determined that the set preliminary experimental group 125 and the preliminary control group 126 have passed the distribution test, the test group confirmation unit 300 sets the preliminary experimental group 125 and the preliminary control group 126 to the confirmed experimental group 127 and the definitive control group. (128) can be confirmed. When it is determined that the set preliminary experimental group 125 and the preliminary control group 126 have not passed the distribution test, the test group determination unit 300 re-performs random sampling to reset the preliminary experimental group 125 and the preliminary control group 126 . Thus, the distribution test can be re-performed. The criterion for passing the distribution test is that if the difference in the average probability of default between the preliminary experimental group and the preliminary control is less than or equal to a predetermined value, it is determined that the distribution test has passed, and the difference in the average probability of default between the preliminary experimental group and the preliminary control is in advance. If it exceeds a predetermined value, it may be determined that the distribution test has not been passed.

도 7은 본 발명의 일 실시예에 따른 가설 검정부가 가설 검증하는 흐름을 대략적으로 나타낸 도면이다.7 is a diagram schematically illustrating a flow of hypothesis testing by a hypothesis testing unit according to an embodiment of the present invention.

도 7을 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)는 실험군의 미래 부도율이 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정할 수 있다. 여기서, 상기 실험군 또는 상기 대조군은 도 6의 검정군 확정부(300)가 확정한 확정 실험군(127) 또는 확정 대조군(128)과 같다. 이하, 가설 검정을 하는 상기 실험군 또는 상기 대조군은 확정 실험군(127) 또는 확정 대조군(128)이라 기술한다. 가설 검정부(400)가 검정하는 가설은 전술한 확정 실험군(127)의 미래 부도율이 확정 대조군(128)의 미래 부도율 이상인 귀무가설을 검증하는 것일 수 있다. 가설 검정부(400)의 검정으로 인한 ‘가설 기각’ 또는 ‘가설 채택’은 귀무가설을 ‘기각’ 또는 ‘채택’한다는 의미이다.7, in one embodiment of the present invention, the hypothesis testing unit 400 hypothesizes that the future default rate of the experimental group will be less than the future default rate of the control group, and that the future default rate of the experimental group is greater than or equal to the future default rate of the control group It can be set to the null hypothesis. Here, the experimental group or the control group is the same as the confirmed experimental group 127 or the definitive control group 128 confirmed by the test group determining unit 300 of FIG. 6 . Hereinafter, the experimental group or the control group for which the hypothesis test is performed will be described as a definitive experimental group 127 or a definitive control group 128 . The hypothesis tested by the hypothesis testing unit 400 may be to verify the null hypothesis in which the future default rate of the aforementioned confirmed experimental group 127 is greater than or equal to the future default rate of the definitive control group 128 . 'Hypothesis rejection' or 'hypothesis acceptance' due to the test of the hypothesis testing unit 400 means 'rejection' or 'acceptance' of the null hypothesis.

가설 검정부(400)는 상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석부를 이용해 확정 실험군(127) 및 확정 대조군(128)에 포함된 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.The hypothesis testing unit 400 applies the loan expansion scenario to the experimental group and the existing loan policy maintenance scenario to the control group to test the null hypothesis, and uses the artificial intelligence analysis unit to determine the experimental group 127 and the definitive control group 128 ), it is possible to predict a future default probability value for each financial account included in the .

여기서, 상기 대출 확대 시나리오는 상기 금융계좌별에 대한 대출 금액 한도 확대, 이자율 축소, 신규 대출 허용 중 하나 이상일 수 있으며, 상기 대출 정책 유지 시나리오는 상기 금융계좌별에 대해 적용되는 대출 금액 한도, 이자율 및 신규 대출 금지를 계속적으로 유지하는 것일 수 있다.Here, the loan expansion scenario may be one or more of an expansion of a loan amount limit for each financial account, a reduction in an interest rate, and a new loan allowance, and the loan policy maintenance scenario includes a loan amount limit applied for each financial account, an interest rate, and It could be that the ban on new lending continues.

가설 검정부(400)는 확정 실험군(127)의 미래 평균 부도 확률값이 확정 대조군(128)의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고, 확정 실험군(127)의 미래 평균 부도 확률값이 확정 대조군(128)의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단할 수 있다. 이때, 가설 검정부(400)은 Z-Test를 통해 검정할 수 있다.The hypothesis testing unit 400 determines that the null hypothesis is rejected if the average future default probability value of the definitive experimental group 127 is less than the future average default probability value of the definitive control group 128, and the future average default of the definitive experimental group 127 If the probability value is equal to or greater than the average future default probability value of the definitive control group 128 , it may be determined that the null hypothesis is accepted. In this case, the hypothesis test unit 400 may test through the Z-Test.

더 구체적으로 설명하면, 모비율(모 연체율)이

Figure 112021136367070-pat00001
인 이항모집단으로부터 크기가
Figure 112021136367070-pat00002
인 확률표본에 의해 정의되는 표본비율을
Figure 112021136367070-pat00003
이라 하고, 이와 독립적으로 모비율이
Figure 112021136367070-pat00004
인 이항모집단으로부터 크기가
Figure 112021136367070-pat00005
인 확률표본에 의해 정의되는 표본비율을
Figure 112021136367070-pat00006
라고 하면, 표본크기
Figure 112021136367070-pat00007
과
Figure 112021136367070-pat00008
가 충분히 큰 경우, 가설에 대한 검정 통계량
Figure 112021136367070-pat00009
는 수학식 1과 같을 수 있다.More specifically, the parent ratio (parent delinquency ratio) is
Figure 112021136367070-pat00001
From a binomial population of
Figure 112021136367070-pat00002
The sample proportion defined by the probability sample of
Figure 112021136367070-pat00003
, and independently of this, the mother ratio is
Figure 112021136367070-pat00004
From a binomial population of
Figure 112021136367070-pat00005
The sample proportion defined by the probability sample of
Figure 112021136367070-pat00006
, the sample size
Figure 112021136367070-pat00007
class
Figure 112021136367070-pat00008
is large enough, the test statistic for the hypothesis
Figure 112021136367070-pat00009
may be equal to Equation 1.

Figure 112021136367070-pat00010
Figure 112021136367070-pat00010

여기서, 수학식 1의

Figure 112021136367070-pat00011
는 수학식 2와 같다.Here, in Equation 1
Figure 112021136367070-pat00011
is the same as in Equation 2.

Figure 112021136367070-pat00012
Figure 112021136367070-pat00012

본 발명의 일 실시예에서,

Figure 112021136367070-pat00013
은 확정 실험군(127)의 표본 수,
Figure 112021136367070-pat00014
는 확정 대조군(128)의 표본 수,
Figure 112021136367070-pat00015
는 확정 실험군(127)의 모비율(모 부도율),
Figure 112021136367070-pat00016
는 확정 대조군(128)의 모비율(모 부도율),
Figure 112021136367070-pat00017
는 확정 실험군(127)의 표본비율(표본 부도율),
Figure 112021136367070-pat00018
는 확정 대조군(128)의 표본비율(표본 부도율)일 수 있다.In one embodiment of the present invention,
Figure 112021136367070-pat00013
is the number of samples in the definitive experimental group (127),
Figure 112021136367070-pat00014
is the number of samples in the definitive control (128),
Figure 112021136367070-pat00015
is the ratio of mothers (parents default rate) of the confirmed experimental group (127),
Figure 112021136367070-pat00016
is the proportion of mothers (parental failure rate) of the definitive control group (128),
Figure 112021136367070-pat00017
is the sample rate (sample default rate) of the confirmed experimental group (127),
Figure 112021136367070-pat00018
may be the sample rate (sample default rate) of the definitive control group 128 .

또한, 귀무가설은 수학식 3일 수 있다.Also, the null hypothesis may be Equation (3).

Figure 112021136367070-pat00019
Figure 112021136367070-pat00019

여기서,

Figure 112021136367070-pat00020
은 귀무가설일 수 있으며, 그 내용은 확정 실험군(127)의 미래 부도율이 확정 대조군(128)의 미래 부도율 이상일 수 있다. 즉, 확정 실험군(127)은 상기 대출 확대 시나리오에서 부도율이 더 악화된다는 것일 수 있다.here,
Figure 112021136367070-pat00020
may be a null hypothesis, and the content may indicate that the future default rate of the definitive experimental group 127 may be greater than or equal to the future default rate of the definitive control group 128 . That is, in the confirmed experimental group 127, the default rate may be worse in the loan expansion scenario.

귀무가설의 근사기각역은 수학식 4일 수 있다.The approximate rejection range of the null hypothesis may be Equation (4).

Figure 112021136367070-pat00021
Figure 112021136367070-pat00021

여기서,

Figure 112021136367070-pat00022
은 근사기각역일 수 있으며, 주어진 유의수준
Figure 112021136367070-pat00023
값에 대하여
Figure 112021136367070-pat00024
는 검정통계량
Figure 112021136367070-pat00025
의 분포가
Figure 112021136367070-pat00026
을 따를 때,
Figure 112021136367070-pat00027
를 만족시키는 값일 수 있다. 수학식 4를 만족하는 경우, 가설 검정부(400)는 귀무가설을 기각한다는 판단을 할 수 있다.here,
Figure 112021136367070-pat00022
can be in the approximate rejection range, given the significance level
Figure 112021136367070-pat00023
about the value
Figure 112021136367070-pat00024
is the test statistic
Figure 112021136367070-pat00025
the distribution of
Figure 112021136367070-pat00026
When following
Figure 112021136367070-pat00027
may be a value that satisfies When Equation 4 is satisfied, the hypothesis testing unit 400 may determine to reject the null hypothesis.

사용자는 인공지능 분석부(100)의 데이터맵 변환부(160)가 제공하는 시각 자료(161)를 통해 확정 실험군(127) 및 확정 대조군(128)의 시뮬레이션 결과를 확인할 수 있다. 이를 통해 단순히 결과값만 확인하는 것이 아니라 시계열적인 부도율 추이를 확인하여 리스크의 변화를 확인할 수 있다.The user can check the simulation results of the definitive experimental group 127 and the definitive control group 128 through the visual data 161 provided by the data map conversion unit 160 of the artificial intelligence analysis unit 100 . Through this, it is possible to check the change in risk by not only checking the result, but also by checking the time-series trend of default rates.

도 8은 본 발명의 일 실시예에 따른 가설 검정부가 귀무가설 기각시 수행하는 구조를 대략적으로 나타낸 도면이다.8 is a diagram schematically illustrating a structure performed by a hypothesis testing unit when a null hypothesis is rejected according to an embodiment of the present invention.

도 8(a)을 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)가 귀무가설을 기각하는 판단을 하면, 가설 검정부(400)는 확정 실험군(127)에 적용하던 상기 대출 확대 시나리오를 확정 대조군(128)을 포함한 검정 세그먼트에 대해 동일하게 적용할 수 있다. 가설 검정부(400)가 귀무가설을 기각했다는 것은 확정 대조군(128)에 비해 확정 실험군(127)의 대출 품질이 좋았다는 의미이므로, 상기 대출 확대 시나리오의 적용 범위를 넓혀 그 추이를 살펴보는 것일 수 있다.Referring to Figure 8 (a), in an embodiment of the present invention, when the hypothesis test unit 400 determines to reject the null hypothesis, the hypothesis test unit 400 is applied to the confirmation experimental group 127 the loan The amplification scenario is equally applicable for the test segment including the definitive control 128 . The fact that the hypothesis testing unit 400 rejected the null hypothesis means that the loan quality of the confirmed experimental group 127 was better than that of the confirmed control group 128. have.

도 8(b)를 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)가 귀무가설을 기각하는 판단을 하면, 가설 검정부(400)는 검정군 확정부(300)를 통해 확정 실험군(127) 내에서 제2 확정 실험군(127a)과 제2 확정 대조군(128a)을 추출할 수 있다. 가설 검정부(400)는 제2 확정 실험군(127a)에 상기 대출 확대 시나리오보다 대출 확대 범위를 확장한 제2 대출 확대 시나리오를, 제2 확정 대조군(128a)에는 기존의 상기 대출 확대 시나리오를 적용할 수 있다. 이때, 가설 검정부(400)는 제2 확정 실험군(128a)의 미래 부도율이 제2 확정 대조군(128a)의 미래 부도율보다 낮을 것으로 제2 가설로, 제2 확정 실험군(127a)의 미래 부도율이 제2 확정 대조군(128a)의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하고, 제2 귀무가설을 검증하는 가설 검증을 다시 수행할 수 있다. 제2 귀무가설을 검증하는 가설 검증을 다시 수행할 때 인공지능 분석부를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측하여 이를 활용할 수 있다. 한정된 실험군에서 다시 실험군 및 대조군을 분류하여 보다 확대된 대출 확대 시나리오를 적용하여 검증하는 것은 대출 확대가 가능한 최대 지점을 판단하기 위해서이며, 이 지점을 판단할 수 있을 때까지 가설 검증을 재수행할 수 있다. 예컨대, 가설 검증 반복 중 가설이 채택되는 단계가 있으면, 그 단계를 대출 확대가 가능한 최대 지점으로 판단할 수 있다.Referring to FIG. 8( b ), in an embodiment of the present invention, when the hypothesis testing unit 400 determines to reject the null hypothesis, the hypothesis testing unit 400 is confirmed through the test group determination unit 300 . A second confirmed experimental group 127a and a second confirmed control group 128a may be extracted from the experimental group 127 . The hypothesis test unit 400 applies the second loan expansion scenario in which the loan expansion range is expanded than the loan expansion scenario to the second confirmed experimental group 127a, and the existing loan expansion scenario is applied to the second confirmed control group 128a. can At this time, the hypothesis testing unit 400 sets the second hypothesis that the future default rate of the second confirmed experimental group 128a will be lower than the future default rate of the second confirmed control group 128a. 2 The second null hypothesis may be set to be greater than or equal to the future default rate of the definitive control group 128a, and hypothesis testing for verifying the second null hypothesis may be performed again. When the hypothesis verification for verifying the second null hypothesis is performed again, an artificial intelligence analysis unit may be used to predict the future default probability value for each financial account of the second experimental group and the second control group, and utilize it. In the limited experimental group, the experimental group and control group are again classified and tested by applying a more expanded loan expansion scenario to determine the maximum point at which loan expansion is possible, and hypothesis testing can be performed again until this point can be determined. . For example, if there is a stage in which a hypothesis is adopted during the iteration of hypothesis testing, it may be determined that the stage is the maximum point at which loan expansion is possible.

도 9는 본 발명의 일 실시예에 따른 가설 검정부가 귀무가설 채택시 수행하는 구조를 대략적으로 나타낸 도면이다.9 is a diagram schematically illustrating a structure performed by a hypothesis testing unit when a null hypothesis is adopted according to an embodiment of the present invention.

도 9(a)를 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)가 귀무가설을 채택하는 판단을 하면, 가설 검정부(400)는 인공지능 분석부(100)를 통해 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출할 수 있다. 또한, 가설 검정부(400)는 도출된 상기 주요 요인이 포함된 상기 하나 이상의 금융계좌를 제외하고 상기 대출 확대 검정 시스템의 대출 확대 검정을 재수행할 수 있다. 즉, 인공지능 분석부(100)는 학습시킨 부도 예측 모델이 잘못되었다고 판단할 수 있다. 그리고 인공지능 분석부(100)는 하이퍼 파라미터를 변경하거나 학습 데이터에서 상기 주요 요인이 포함된 하나 이상의 금융계좌를 제외하여 부도 예측 모델을 재생성시킬 수 있다. 이후, 대출 확대 가설 검정 시스템은 새로운 부도 예측 모델을 이용하여 처음부터 분석을 다시 수행할 수 있다.Referring to FIG. 9( a ), in an embodiment of the present invention, when the hypothesis testing unit 400 determines to accept the null hypothesis, the hypothesis testing unit 400 performs the artificial intelligence analysis unit 100 through the The main factors for the deterioration of the future average default rate of the experimental group can be derived. In addition, the hypothesis test unit 400 may re-perform the loan expansion test of the loan expansion test system except for the one or more financial accounts including the derived main factors. That is, the artificial intelligence analysis unit 100 may determine that the learned default prediction model is wrong. And the artificial intelligence analysis unit 100 may regenerate the default prediction model by changing the hyper parameter or excluding one or more financial accounts including the main factor from the training data. Then, the loan expansion hypothesis testing system can perform the analysis again from the beginning using the new default prediction model.

도 9(b)를 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)가 귀무가설을 채택하는 판단을 하면, 가설 검정부(400)는 검정군 확정부(300) 통해 확정 실험군(127) 내에서 제2 확정 실험군(127b)과 제2 확정 대조군(128b)을 추출할 수 있다. 가설 검정부(400)는 제2 확정 실험군(127b)에 상기 대출 확대 시나리오보다 대출 확대 범위를 축소한 제2 대출 확대 시나리오를, 제2 확정 대조군(128a)에는 기존 대출 정책 유지 시나리오를 적용할 수 있다. 이때, 가설 검정부(400)는 제2 확정 실험군(128b)의 미래 부도율이 제2 확정 대조군(128b)의 미래 부도율보다 낮을 것으로 제2 가설로, 제2 확정 실험군(127b)의 미래 부도율이 제2 확정 대조군(128b)의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하고, 제2 귀무가설을 검증하는 가설 검증을 다시 수행할 수 있다. 제2 귀무가설을 검증하는 가설 검증을 다시 수행할 때 인공지능 분석부(100)를 이용해 제2 확정 실험군(127a) 및 제2 확정 실험군(127a)의 상기 금융계좌별 미래 부도 확률값을 예측하여 이를 활용할 수 있다. 한정된 실험군에서 다시 실험군 및 대조군을 분류하여 축소된 대출 확대 시나리오를 적용하여 검정하는 것은 인공지능 분석부(100)가 학습시켜 생성한 부도 예측 모델은 적절한 것으로 보이나, 상기 대출 확대 시나리오의 대출 확대 범위가 컸다는 것으로 판단하여 대출 확대가 가능한 최대 지점을 판단하기 위해서일 수 있다. 따라서, 이 지점을 판단할 수 있을 때까지 가설 검증을 재수행할 수 있다. 예컨대, 가설 검증 반복 중 가설이 채택되는 단계가 있으면, 그 단계를 대출 확대가 가능한 최대 지점으로 판단할 수 있다.Referring to FIG. 9( b ), in one embodiment of the present invention, when the hypothesis testing unit 400 determines to accept the null hypothesis, the hypothesis testing unit 400 determines the experimental group through the test group determination unit 300 . A second definitive experimental group 127b and a second definitive control group 128b may be extracted from within (127). The hypothesis testing unit 400 may apply a second loan expansion scenario in which the loan expansion range is reduced compared to the loan expansion scenario to the second confirmed experimental group 127b, and the existing loan policy maintenance scenario to the second confirmed control group 128a. have. At this time, the hypothesis testing unit 400 assumes that the future default rate of the second confirmed experimental group 128b will be lower than the future default rate of the second confirmed control group 128b. 2 The second null hypothesis may be set to be equal to or greater than the future default rate of the definitive control group 128b, and hypothesis testing for verifying the second null hypothesis may be performed again. When performing the hypothesis verification to verify the second null hypothesis again, the artificial intelligence analysis unit 100 is used to predict the future default probability value for each financial account of the second confirmed experimental group 127a and the second confirmed experimental group 127a. can be utilized In the limited experimental group, it seems that the default prediction model generated by learning the artificial intelligence analysis unit 100 is appropriate to classify the experimental group and the control group and apply the reduced loan expansion scenario, but the loan expansion range of the loan expansion scenario is This may be to determine the maximum point at which loan expansion is possible by determining that the loan was large. Therefore, the hypothesis test can be re-performed until this point can be determined. For example, if there is a stage in which a hypothesis is adopted during the iteration of hypothesis testing, it may be determined that the stage is the maximum point at which loan expansion is possible.

본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템은 대출 상품을 실제 시장에 적용함에 앞서, 대출 상품을 취급할 적절한 고객 기준 집단과 주요 요인에 대해 파악할 수 있다. 또한, 가상 시뮬레이션을 통해 사전에 리스크를 파악할 수 있고, 시계열적인 리스크 변화 추이를 확인할 수 있어, 리스크 제어가 용이하게 할 수 있다. 또한, 사람이 수행할 때 발생할 수 있는 실수 및 에러를 예방할 수 있으며, 그 수행 비용을 상당히 절감할 수 있다. 이를 통해 금융기관은 대출 상품을 핸들링하는 의사 결정에 보다 정확하고 빠른 결정이 가능할 수 있다.The loan expansion hypothesis testing system according to an embodiment of the present invention may identify an appropriate customer reference group and major factors to handle the loan product prior to applying the loan product to the actual market. In addition, risks can be identified in advance through virtual simulation and time-series risk change trends can be checked, thereby facilitating risk control. In addition, it is possible to prevent mistakes and errors that may occur when a human performs, and it is possible to significantly reduce the execution cost. This will enable financial institutions to make more accurate and faster decisions on handling loan products.

도 10은 본 발명의 일 실시예에 따른 대출 확대 가설 검정 방법의 흐름도이다.10 is a flowchart of a loan expansion hypothesis testing method according to an embodiment of the present invention.

*도 10을 참조하면, 본 발명의 일 실시에에 있어서, 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 방법은 인공지능 분석 단계(S100), 검정 세그먼트 설정 단계(S200), 검정군 확정 단계(S300) 및 가설 검정 단계(S400)를 포함할 수 있다.* Referring to Figure 10, in one embodiment of the present invention, the loan expansion hypothesis test method using artificial intelligence built on the basis of financial data is an artificial intelligence analysis step (S100), a test segment setting step (S200), a test It may include a group determination step (S300) and a hypothesis testing step (S400).

인공지능 분석 단계(S100)는 복수의 금융계좌별 부도 확률값을 산출할 수 있다.The artificial intelligence analysis step ( S100 ) may calculate a default probability value for each of a plurality of financial accounts.

검정 세그먼트 설정 단계(S200)는 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석 단계에서 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정할 수 있다.The test segment setting step (S200) classifies the plurality of financial accounts into a plurality of segments based on a predetermined criterion, and tests a specific segment as a test target based on the default probability value for each of the plurality of financial accounts calculated in the artificial intelligence analysis step It can be set as a segment.

검정군 확정 단계(S300)는 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정할 수 있다.The test group confirmation step (S300) may determine a part of the test segment to determine an experimental group and a control group for the loan expansion hypothesis test.

가설 검정 단계(S400)는 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행할 수 있다. 인공지능 분석 단계(S100)는 상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출할 수 있다.The hypothesis test step (S400) may perform the loan expansion hypothesis test for the experimental group and the control group. The artificial intelligence analysis step ( S100 ) may calculate a default probability value for each of the plurality of financial accounts using a default prediction model generated using machine learning based on the financial data.

검정 세그먼트 설정 단계(S200)는 상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정할 수 있다.In the test segment setting step S200 , a segment having a minimum average default probability value among the plurality of segments may be set as the test segment.

가설 검정 단계(S400)는 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정할 수 있다. 상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석 단계를 재수행하여 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.The hypothesis testing step (S400) may set the hypothesis that the future default rate of the experimental group is less than the future default rate of the control group, and the null hypothesis that the future default rate of the experimental group is greater than or equal to the future default rate of the control group. In order to test the null hypothesis, the artificial intelligence analysis step is re-performed by applying the loan expansion scenario to the experimental group and the existing loan policy maintenance scenario to the control group, and the future default probability value for each financial account included in the experimental group and the control group can be predicted.

또한, 가설 검정 단계(S400)는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단할 수 있다. 상기 대조군이 포함된 상기 검정 세그먼트 전체 금융계좌에 대해 상기 대출 확대 시나리오를 동일하게 적용하여 상기 인공지능 분석 단계를 재수행하여 대출 품질을 측정할 수 있다.In addition, in the hypothesis testing step ( S400 ), if the average future default probability value of the experimental group is less than the average future default probability value of the control group, it may be determined that the null hypothesis is rejected. Loan quality may be measured by re-performing the AI analysis step by applying the loan expansion scenario to the entire financial account in the test segment including the control group.

또한, 가설 검정 단계(S400)는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단할 수 있다. 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출하고, 도출된 상기 주요 요인이 포함된 상기 하나 이상의 금융계좌를 제외하고 상기 대출 확대 검정 방법의 대출 확대 검정을 재수행할 수 있다.In addition, in the hypothesis testing step ( S400 ), if the average future default probability value of the experimental group is equal to or greater than the average future default probability value of the control group, it may be determined that the null hypothesis is adopted. It is possible to derive a major factor of the deterioration of the future average default rate of the experimental group, and re-perform the loan expansion test of the loan expansion test method by excluding the one or more financial accounts including the derived major factor.

명세서에 기재된 다양한 실시예들은 하드웨어, 미들웨어, 마이크로코드, 소프트웨어 및/또는 이들의 조합에 의해 구현될 수 있다. 예를 들어, 다양한 실시예들은 하나 이상의 주문형 반도체(ASIC)들, 디지털 신호 프로세서(DSP)들, 디지털 신호 프로세싱 디바이스(DSPD)들, 프로그램어블 논리 디바이스(PLD)들, 필드 프로그램어블 게이트 어레이(FPGA)들, 프로세서들, 컨트롤러들, 마이크로컨트롤러들, 마이크로프로세서들, 여기서 제시되는 기능들을 수행하도록 설계되는 다른 전자 유닛들 또는 이들의 조합 내에서 구현될 수 있다.The various embodiments described in the specification may be implemented by hardware, middleware, microcode, software, and/or combinations thereof. For example, various embodiments may include one or more application specific semiconductors (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs). ), processors, controllers, microcontrollers, microprocessors, other electronic units designed to perform the functions presented herein, or a combination thereof.

또한, 예를 들어, 다양한 실시예들은 명령들을 포함하는 컴퓨터-판독가능한 매체에 수록되거나 인코딩될 수 있다. 컴퓨터-판독가능한 매체에 수록 또는 인코딩된 명령들은 프로그램 가능한 프로세서 또는 다른 프로세서로 하여금 예컨대, 명령들이 실행될 때 방법을 수행하게끔 할 수 있다. 컴퓨터-판독가능한 매체는 컴퓨터 저장 매체 및 하나의 장소로부터 다른 장소로 컴퓨터 프로그램의 이송을 용이하게 하는 임의의 매체를 포함하는 통신 매체 모두를 포함한다. 저장 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수도 있다. 예를 들어, 이러한 컴퓨터-판독가능한 매체는 RAM, ROM, EEPROM, CD-ROM 또는 기타 광학디스크 저장 매체, 자기 디스크 저장 매체 또는 기타 자기 저장 디바이스 또는 원하는 프로그램 코드를 컴퓨터에 의해 액세스가능한 명령들 또는 데이터 구조들의 형태로 반송하거나 저장하는데 이용될 수 있는 임의의 다른 매체를 포함할 수 있다.Also, for example, the various embodiments may be embodied in or encoded on a computer-readable medium comprising instructions. The instructions embodied in or encoded on a computer-readable medium may cause a programmable processor or other processor to perform a method, eg, when the instructions are executed. Computer-readable media includes both computer storage media and communication media including any medium that facilitates transfer of a computer program from one place to another. A storage medium may be any available medium that can be accessed by a computer. For example, such computer-readable medium may include RAM, ROM, EEPROM, CD-ROM or other optical disk storage medium, magnetic disk storage medium or other magnetic storage device or desired program code, instructions or data accessible by a computer. may include any other medium that can be used for transporting or storing in the form of structures.

이러한 하드웨어, 소프트웨어, 펌웨어 등은 본 명세서에 기술된 다양한 동작들 및 기능들을 지원하도록 동일한 디바이스 내에서 또는 개별 디바이스들 내에서 구현될 수 있다. 추가적으로, 본 발명에서 "~부"로 기재된 구성요소들, 유닛들, 모듈들, 컴포넌트들 등은 함께 또는 개별적이지만 상호 운용가능한 로직 디바이스들로서 개별적으로 구현될 수 있다. 모듈들, 유닛들 등에 대한 서로 다른 특징들의 묘사는 서로 다른 기능적 실시예들을 강조하기 위해 의도된 것이며, 이들이 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 실현되어야만 함을 필수적으로 의미하지 않는다. 오히려, 하나 이상의 모듈들 또는 유닛들과 관련된 기능은 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 수행되거나 또는 공통의 또는 개별의 하드웨어 또는 소프트웨어 컴포넌트들 내에 통합될 수 있다.Such hardware, software, firmware, etc. may be implemented in the same device or in separate devices to support the various operations and functions described herein. Additionally, components, units, modules, components, etc. described as “parts” in the present invention may be implemented together or individually as separate but interoperable logic devices. Depictions of different features of modules, units, etc. are intended to emphasize different functional embodiments, and do not necessarily imply that they must be realized by separate hardware or software components. Rather, functionality associated with one or more modules or units may be performed by separate hardware or software components or integrated within common or separate hardware or software components.

특정한 순서로 동작들이 도면에 도시되어 있지만, 이러한 동작들이 원하는 결과를 달성하기 위해 도시된 특정한 순서, 또는 순차적인 순서로 수행되거나, 또는 모든 도시된 동작이 수행되어야 할 필요가 있는 것으로 이해되지 말아야 한다. 임의의 환경에서는, 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 더욱이, 상술한 실시예에서 다양한 구성요소들의 구분은 모든 실시예에서 이러한 구분을 필요로 하는 것으로 이해되어서는 안되며, 기술된 구성요소들이 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키징될 수 있다는 것이 이해되어야 한다.Although acts are shown in the figures in a particular order, it should not be understood that these acts need to be performed in the particular order shown, or sequential order, or all shown acts need to be performed to achieve a desired result. . In certain circumstances, multitasking and parallel processing may be advantageous. Moreover, the division of various components in the above-described embodiments should not be construed as requiring such division in all embodiments, and that the described components will generally be integrated together into a single software product or packaged into multiple software products. It should be understood that there can be

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.Although the present invention has been described with reference to the embodiment shown in the drawings, which is merely exemplary, those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be defined by the technical spirit of the appended claims.

10: 대출 확대 가설 검정 시스템 100: 인공지능 분석부
110: 금융모델 생성부 120: 계좌 관리부
130: 부도확률값 산출부 140: 품질 측정부
150: 요인 분석부 160: 데이터맵 변환부
200: 검정 세그먼트 설정부 300: 검정군 확정부
400: 가설 검정부10: Loan expansion hypothesis testing system 100: Artificial intelligence analysis unit
110: financial model generation unit 120: account management unit
130: default probability value calculation unit 140: quality measurement unit
150: factor analysis unit 160: data map conversion unit
200: test segment setting unit 300: test group confirmation unit
400: hypothesis test unit

Claims (18)

금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템에 있어서,
복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석부;
미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정부;
대출 확대 가설 검정을 위하여, 상기 검정 세그먼트의 일부를, 대출 확대를 수행하는 실험군과 대출 확대를 수행하지 않는 대조군으로 확정하는 검정군 확정부; 및
상기 실험군과 상기 대조군에 대해, 상기 대출 확대 가설 검정을 수행하는 가설 검정부;를 포함하는 것인 대출 확대 가설 검정 시스템.
In the loan expansion hypothesis testing system using artificial intelligence built on the basis of financial data,
an artificial intelligence analysis unit that calculates default probability values for each of a plurality of financial accounts;
a test segment setting unit that classifies the plurality of financial accounts into a plurality of segments based on a predetermined criterion, and sets a specific segment as a test segment to be tested based on the default probability value for each of the plurality of financial accounts calculated by the artificial intelligence analysis unit;
For the loan expansion hypothesis test, a test group determining unit for determining a part of the test segment as an experimental group that performs loan expansion and a control group that does not perform loan expansion; and
For the experimental group and the control group, a hypothesis test unit for performing the loan expansion hypothesis test; Loan expansion hypothesis testing system comprising a.
 제1항에 있어서,
상기 인공지능 분석부는,
상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출하는 것인 대출 확대 가설 검정 시스템.
According to claim 1,
The artificial intelligence analysis unit,
Loan expansion hypothesis testing system that calculates default probability values for each of the plurality of financial accounts using a default prediction model generated using machine learning based on the financial data.
 제1항에 있어서,
상기 검정 세그먼트 설정부는,
상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정하는 것인 대출 확대 가설 검정 시스템.
According to claim 1,
The black segment setting unit,
Loan expansion hypothesis testing system that sets a segment having the smallest average default probability value among the plurality of segments as the test segment.
 제3항에 있어서,
상기 검정 세그먼트 설정부는,
상기 미리 지정된 기준은 상기 복수의 금융계좌별 부도 확률값을 기초로 각 상기 금융계좌별로 부여한 등급인 것인 대출 확대 가설 검정 시스템.
4. The method of claim 3,
The black segment setting unit,
The predetermined criterion is a loan expansion hypothesis testing system that is a rating given to each financial account based on the default probability value for each of the plurality of financial accounts.
 제1항에 있어서,
상기 검정 세그먼트 설정부는,
상기 복수의 세그먼트 중 하나 이상의 세그먼트를 상기 세그먼트의 평균 부도 확률값이 낮은 순으로 상기 검정 세그먼트로 병합하며 설정하되,
상기 검정 세그먼트는 미리 지정된 계좌수에 근접하면 상기 병합을 중단하는 것인 대출 확대 가설 검정 시스템.
According to claim 1,
The black segment setting unit,
One or more segments among the plurality of segments are merged into the test segment in the order of the lowest average default probability value of the segment and set,
The test segment is close to a predetermined number of accounts, the loan expansion hypothesis test system to stop the merging.
 제1항에 있어서,
상기 검정군 확정부는,
상기 검정 세그먼트를 랜덤 샘플링을 통해 예비 실험군 및 예비 대조군을 설정하고 분포 검정으로 검정하여 상기 분포 검정을 통과한 것으로 판단하면 상기 실험군 및 상기 대조군으로 확정하고,
상기 분포 검정을 통과하지 못한 것으로 판단하면 상기 예비 실험군 및 상기 예비 대조군을 재샘플링하여 상기 분포 검정을 재수행하는 것인 대출 확대 가설 검정 시스템.
According to claim 1,
The test group confirmation unit,
When it is determined that the test segment has passed the distribution test by setting a preliminary experimental group and a preliminary control group through random sampling and testing it with a distribution test, it is confirmed as the experimental group and the control group,
If it is determined that the distribution test did not pass, the loan expansion hypothesis test system that re-sampling the preliminary experimental group and the preliminary control group to re-perform the distribution test.
 제6항에 있어서,
상기 검정군 확정부는,
상기 예비 실험군 및 상기 예비 대조군의 평균 부도 확률값 차이가 미리 정해진 값 이하이면 상기 분포 검정을 통과한 것으로 판단하고,
상기 예비 실험군 및 상기 예비 대조군의 평군 부도 확률값 차이가 미리 정해진 값 초과이면 상기 분포 검정을 통과하지 못한 것으로 판단하는 것인 대출 확대 가설 검정 시스템.
7. The method of claim 6,
The test group confirmation unit,
It is determined that the distribution test has been passed if the difference between the average default probability values of the preliminary experimental group and the preliminary control group is less than or equal to a predetermined value,
If the difference between the average default probability value of the preliminary experimental group and the preliminary control group exceeds a predetermined value, it is determined that the distribution test has not been passed.
 제1항에 있어서,
상기 가설 검정부는,
상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정하고,
상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측하는 것인 대출 확대 가설 검정 시스템.
According to claim 1,
The hypothesis test unit,
It is hypothesized that the future default rate of the experimental group is less than the future default rate of the control group, and the null hypothesis is set that the future default rate of the experimental group is greater than or equal to the future default rate of the control group,
To test the null hypothesis, a loan expansion scenario is applied to the experimental group and an existing loan policy maintenance scenario is applied to the control group, and the future default probability value for each financial account included in the experimental group and the control group is predicted using the artificial intelligence analysis unit. Loan expansion hypothesis testing system.
 제8항에 있어서,
상기 대출 확대 시나리오는 상기 금융계좌별에 대한 대출 금액 한도 확대, 이자율 축소, 신규 대출 허용 중 하나 이상인 것이며,
상기 대출 정책 유지 시나리오는 상기 금융계좌별에 대해 적용되는 대출 금액 한도, 이자율 및 신규 대출 금지를 계속적으로 유지하는 것인 대출 확대 가설 검정 시스템.
9. The method of claim 8,
The loan expansion scenario is one or more of the expansion of the loan amount limit for each financial account, the reduction of the interest rate, and the permitting of new loans;
The loan policy maintenance scenario is a loan expansion hypothesis testing system that continuously maintains the loan amount limit, interest rate and new loan ban applied for each financial account.
 제8항에 있어서,
상기 가설 검정부는,
상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고,
상기 대조군이 포함된 상기 검정 세그먼트 전체 금융계좌에 대해 상기 대출 확대 시나리오를 동일하게 적용하여 상기 인공지능 분석부를 이용해 대출 품질을 측정하는 것인 대출 확대 가설 검정 시스템.
9. The method of claim 8,
The hypothesis test unit,
If the average future default probability value of the experimental group is less than the average future default probability value of the control group, it is determined that the null hypothesis is rejected,
Loan expansion hypothesis testing system to measure loan quality using the artificial intelligence analysis unit by applying the loan expansion scenario to the entire financial account of the test segment including the control group.
 삭제delete 제8항에 있어서,
상기 가설 검정부는,
상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고,
상기 인공지능 분석부를 통해 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출하고, 도출된 상기 주요 요인이 포함된 하나 이상의 상기 금융계좌를 제외하고 상기 대출 확대 검정 시스템의 대출 확대 검정을 재수행하는 것인 대출 확대 가설 검정 시스템.
9. The method of claim 8,
The hypothesis test unit,
If the average future default probability value of the experimental group is greater than or equal to the future average default probability value of the control group, it is determined that the null hypothesis is adopted,
Deriving the main factors of the deterioration of the future average default rate of the experimental group through the artificial intelligence analysis unit, excluding one or more of the financial accounts containing the derived main factors, and re-performing the loan expansion test of the loan expansion test system Loan expansion hypothesis testing system.
 제12항에 있어서,
상기 인공지능 분석부는,
상기 복수의 금융계좌별 금융데이터를 기초로 기계학습(Machine Learning)을 통하여 부도 예측 모델을 생성하는 금융모델 생성부;
금융상품의 품질을 측정하기 위해, 상기 금융상품에 포함되는 복수의 금융계좌를 관리하는 계좌 관리부;
상기 부도 예측 모델을 이용해 상기 계좌 관리부에 포함된 상기 복수의 금융계좌별 부도 확률값을 산출하는 부도확률값 산출부;
상기 부도확률값 산출부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 상기 금융상품의 품질을 산출하는 품질 측정부; 및
산출된 상기 금융상품의 품질에 영향을 미치는 상기 금융계좌의 주요 요인을 분석하는 요인 분석부;를 포함하고,
상기 요인 분석부의 결과에 따라, 상기 계좌 관리부는 상기 금융상품에 포함되는 계좌를 선별하는 것인 대출 확대 가설 검정 시스템.
13. The method of claim 12,
The artificial intelligence analysis unit,
a financial model generator for generating a default prediction model through machine learning based on the financial data for each of the plurality of financial accounts;
an account management unit for managing a plurality of financial accounts included in the financial products in order to measure the quality of the financial products;
a default probability calculation unit for calculating default probability values for each of the plurality of financial accounts included in the account management unit by using the default prediction model;
a quality measurement unit for calculating the quality of the financial product based on the default probability values for each of the plurality of financial accounts calculated by the default probability value calculation unit; and
Including; a factor analysis unit for analyzing major factors of the financial account that affect the calculated quality of the financial product;
According to the result of the factor analysis unit, the account management unit to select the account included in the financial product loan expansion hypothesis testing system.
 제8항에 있어서,
상기 가설 검정부는,
상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고,
상기 검정군 확정부를 통해 상기 실험군 내에서 제2 실험군과 제2 대조군을 추출하며, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율보다 낮을 것으로 제2 가설로 채택하고, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하며,
상기 제2 귀무가설을 검정하기 위해, 상기 제2 실험군에는 상기 대출 확대 시나리오보다 대출 확대 범위를 축소한 제2 대출 확대 시나리오를, 상기 제2 대조군에는 기존의 대출 확대 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측하는 것인 대출 확대 가설 검정 시스템.
9. The method of claim 8,
The hypothesis test unit,
If the average future default probability value of the experimental group is greater than or equal to the future average default probability value of the control group, it is determined that the null hypothesis is adopted,
A second experimental group and a second control group are extracted from the experimental group through the test group confirmation unit, and the second experimental group is adopted as a second hypothesis that the future default rate of the second experimental group will be lower than that of the second control group, and the second experimental group Set as the second null hypothesis that the future default rate of is greater than or equal to the future default rate of the second control group,
In order to test the second null hypothesis, a second loan expansion scenario in which the loan expansion range is reduced compared to the loan expansion scenario is applied to the second experimental group, and the existing loan expansion scenario is applied to the second control group to analyze the AI Loan expansion hypothesis test system to predict the future default probability value for each financial account of the second experimental group and the second control group using wealth.
 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 방법에 있어서,
복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석 단계;
미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석 단계에서 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정 단계;
대출 확대 가설 검정을 위하여, 상기 검정 세그먼트의 일부를, 대출 확대를 수행하는 실험군과 대출 확대를 수행하지 않는 대조군으로 확정하는 검정군 확정 단계; 및
상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행하는 가설 검정 단계;를 포함하는 것인 대출 확대 가설 검정 방법.
In the loan expansion hypothesis test method using artificial intelligence built on the basis of financial data,
An artificial intelligence analysis step of calculating a default probability value for each financial account;
A test segment setting step of classifying the plurality of financial accounts into a plurality of segments based on a predetermined criterion, and setting a specific segment as a test segment to be tested based on the default probability value for each of the plurality of financial accounts calculated in the artificial intelligence analysis step ;
For the loan expansion hypothesis test, a test group confirmation step of determining a part of the test segment as an experimental group that performs loan expansion and a control group that does not perform loan expansion; and
Hypothesis testing step of performing the loan expansion hypothesis test for the experimental group and the control group; loan expansion hypothesis testing method comprising a.
 제15항에 있어서,
상기 인공지능 분석 단계는,
상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출하는 것인 대출 확대 가설 검정 방법.
16. The method of claim 15,
The AI analysis step is,
Loan expansion hypothesis testing method for calculating the default probability value for each of the plurality of financial accounts using a default prediction model generated using machine learning based on the financial data.
 제15항에 있어서,
상기 검정 세그먼트 설정 단계는,
상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정하는 것인 대출 확대 가설 검정 방법.
16. The method of claim 15,
The black segment setting step is
Loan expansion hypothesis testing method of setting a segment having the minimum average default probability value of the segment among the plurality of segments as the test segment.
 제15항에 있어서,
상기 가설 검정 단계는,
상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정하고,
상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석 단계를 재수행하여 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측하는 것인 대출 확대 가설 검정 방법.
16. The method of claim 15,
The hypothesis testing step is,
It is hypothesized that the future default rate of the experimental group is less than the future default rate of the control group, and the null hypothesis is set that the future default rate of the experimental group is greater than or equal to the future default rate of the control group,
In order to test the null hypothesis, the artificial intelligence analysis step is re-performed by applying the loan expansion scenario to the experimental group and the existing loan policy maintenance scenario to the control group, and the future default probability value for each financial account included in the experimental group and the control group A loan expansion hypothesis test method that predicts
KR1020210164378A 2019-11-06 2021-11-25 Loan expansion hypothesis testing system using artificial intelligence and method using the same KR102420952B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210164378A KR102420952B1 (en) 2019-11-06 2021-11-25 Loan expansion hypothesis testing system using artificial intelligence and method using the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190140865A KR102334923B1 (en) 2019-11-06 2019-11-06 Loan expansion hypothesis testing system using artificial intelligence and method using the same
KR1020210164378A KR102420952B1 (en) 2019-11-06 2021-11-25 Loan expansion hypothesis testing system using artificial intelligence and method using the same

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190140865A Division KR102334923B1 (en) 2019-11-06 2019-11-06 Loan expansion hypothesis testing system using artificial intelligence and method using the same

Publications (2)

Publication Number Publication Date
KR20210148043A KR20210148043A (en) 2021-12-07
KR102420952B1 true KR102420952B1 (en) 2022-07-14

Family

ID=75915566

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190140865A KR102334923B1 (en) 2019-11-06 2019-11-06 Loan expansion hypothesis testing system using artificial intelligence and method using the same
KR1020210164378A KR102420952B1 (en) 2019-11-06 2021-11-25 Loan expansion hypothesis testing system using artificial intelligence and method using the same

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020190140865A KR102334923B1 (en) 2019-11-06 2019-11-06 Loan expansion hypothesis testing system using artificial intelligence and method using the same

Country Status (2)

Country Link
KR (2) KR102334923B1 (en)
SG (1) SG10202007360SA (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100279743B1 (en) * 1998-05-02 2001-02-01 정선종 Detection method of pixel value using black statistic
KR101471020B1 (en) * 2012-12-21 2014-12-10 삼성화재해상보험 주식회사 Insurance product quality assurance system
KR102009309B1 (en) * 2018-02-28 2019-08-09 주식회사 에이젠글로벌 Management automation system for financial products and management automation method using the same

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101073816B1 (en) * 2008-12-18 2011-10-14 주식회사 코아로직 Method and system for automatically testing database system based on scenario
KR101799395B1 (en) 2017-03-21 2017-11-20 주식회사 소딧 Server, method and terminal for loan judgment
KR101864412B1 (en) * 2017-12-28 2018-06-04 (주)휴톰 Data managing method, apparatus and program for machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100279743B1 (en) * 1998-05-02 2001-02-01 정선종 Detection method of pixel value using black statistic
KR101471020B1 (en) * 2012-12-21 2014-12-10 삼성화재해상보험 주식회사 Insurance product quality assurance system
KR102009309B1 (en) * 2018-02-28 2019-08-09 주식회사 에이젠글로벌 Management automation system for financial products and management automation method using the same

Also Published As

Publication number Publication date
KR102334923B1 (en) 2021-12-03
SG10202007360SA (en) 2021-06-29
KR20210054785A (en) 2021-05-14
KR20210148043A (en) 2021-12-07

Similar Documents

Publication Publication Date Title
US11599939B2 (en) System, method and computer program for underwriting and processing of loans using machine learning
Bellini IFRS 9 and CECL Credit Risk Modelling and Validation: A Practical Guide with Examples Worked in R and SAS
Engelmann et al. The Basel II risk parameters: estimation, validation, and stress testing
KR102009309B1 (en) Management automation system for financial products and management automation method using the same
CN107025596A (en) A kind of methods of risk assessment and system
CA2485263A1 (en) Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value
CN112598500A (en) Credit processing method and system for non-limit client
Kolodiziev et al. Use of causal analysis to improve the monitoring of the banking system stability
CN110503551A (en) A kind of network funds transaction channel maintaining method, device and equipment
Boguslauskas et al. The selection of financial ratios as independent variables for credit risk assessment
CN112232377A (en) Method and device for constructing ESG (electronic service guide) three-excellence credit model of enterprise
Коsova et al. Credit risk management: Marketing segmentation, modeling, accounting, analysis and audit
CN112037013A (en) Pedestrian credit variable derivation method and device
CN116630020A (en) Risk assessment method and device, storage medium and electronic equipment
KR102420952B1 (en) Loan expansion hypothesis testing system using artificial intelligence and method using the same
Al-Halabi et al. The impact of designing accounting information systems on the level of accounting conservatism-a field study
CN115860924A (en) Supply chain financial credit risk early warning method and related equipment
CN117252677A (en) Credit line determination method and device, electronic equipment and storage medium
CN114297052A (en) Test data generation method and device
CN112116197A (en) Adverse behavior early warning method and system based on supplier evaluation system
Smit et al. Evaluating The Effect of Fair Value Adjustments to Investment Property Based on Profitability Ratios
Wanniarachchi et al. Macroeconomic event base expert advisor for forex trades: through algo trading
Pourgadimi et al. Presenting the Development of the Beneish Model with Emphasis on Economic Features using Neural Network, Vector Machine, and Random Forest
Dauna et al. Measurement Models Tax Compliance, Tax Attitude, Tax Knowledge, Tax System Fairness and Tax Morale
Kauhanen Value-at-Risk: market risk estimation in stressed market conditions

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant