KR20220027606A - 거시 시나리오별 부도율 예측 방법 - Google Patents

거시 시나리오별 부도율 예측 방법 Download PDF

Info

Publication number
KR20220027606A
KR20220027606A KR1020200108694A KR20200108694A KR20220027606A KR 20220027606 A KR20220027606 A KR 20220027606A KR 1020200108694 A KR1020200108694 A KR 1020200108694A KR 20200108694 A KR20200108694 A KR 20200108694A KR 20220027606 A KR20220027606 A KR 20220027606A
Authority
KR
South Korea
Prior art keywords
adjustment
variable
scenario
variables
default
Prior art date
Application number
KR1020200108694A
Other languages
English (en)
Inventor
윤선미
변동준
Original Assignee
코리아크레딧뷰로 (주)
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 코리아크레딧뷰로 (주) filed Critical 코리아크레딧뷰로 (주)
Priority to KR1020200108694A priority Critical patent/KR20220027606A/ko
Publication of KR20220027606A publication Critical patent/KR20220027606A/ko

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q10/10—Office automation; Time management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

부도율 추정 모형에 기반하여 다양한 경제전망을 가정한 거시 시나리오별 부도율을 예측하는 방법이 제공된다. 이 거시 시나리오별 부도율 예측 방법은, 거시 시나리오별 부도율을 예측하는 모형 도출 장치가: 목표변수로서 부도율 또는 이를 로그 역변환한 거시경제지수를, 복수의 독립변수로서 복수의 거시데이터를 준비하는 단계(목표변수와 독립변수는 시계열 데이터임); 경제성장률 데이터 및 복수의 시나리오에 대한 경제성장률 전망치를 이용하여 시나리오별 표준화 지수를 생성하는 단계; 표준화 지수를 각 독립변수에 적용하여 시나리오별 거시데이터 전망치를 생성하는 단계; 목표변수 및 복수의 독립변수에 대해 이동평균, 차분 또는 이들의 조합의 적용 여부에 따라 각각 생성된 조정목표변수 및 복수의 조정독립변수로 이루어진 조정변수 세트를 복수 개 생성하는 단계; 조정목표변수와 각 조정독립변수 간에 이론적인 부호관계가 사전에 정의되고, 조정목표변수와 각 조정독립변수 간에 단일회귀분석을 통해 이론적인 부호관계에 부합하는 조정독립변수를 선별하는 단계; 조정변수 세트마다 선별된 조정독립변수 중 적어도 일부와 조정목표변수를 포함한 다중회귀분석 모형을 복수 개 생성하고, 복수의 다중회귀분석 모형 중에서 적합도(adjusted R2) 검정과 정확도(RMSE) 검정을 통해 조정변수 세트별 부도율 예측 모형을 선택하는 단계; 조정변수 세트마다 선정된 부도율 예측 모형 중에서 정확도(RMSE) 검정을 통해 최적 부도율 예측 모형을 선택하는 단계; 및 거시데이터 전망치를 최적 부도율 예측 모형에 입력하여 시나리오별 부도율 예측값을 산출하는 단계를 포함한다.

Description

거시 시나리오별 부도율 예측 방법{Method for predicting default rates for each macro-scenario}
본 발명은 부도율 예측 방법에 관한 것으로서, 더욱 상세하게는 부도율 추정 모형에 기반하여 다양한 경제전망을 가정한 거시 시나리오별 부도율을 예측하는 방법에 것이다.
'스트레스 테스트'란 금융시스템 스트레스 테스트'의 준말로서 예외적이긴 하지만 실현 가능성이 있는 사건에 대하여 금융시스템의 잠재적 취약성을 측정함으로써 금융시스템의 안정성을 평가하는 것으로 생산, 환율 등과 같은 특정 거시경제변수의 급격한 변동을 가정하고 이러한 상황에 대하여 금융시스템이 얼마나 안정적일 수 있는지를 측정해보는 것이다.
이러한 스트레스 테스트를 위해서는 정확한 부도율 예측 모형이 필요한데, 종래에는 개발자의 자의적 판단에 의해 거시경제변수 지정부터 모형 생성까지 이루어졌다. 이 경우 부도율 예측 모형에 지나치게 주관적 판단이 많이 개입되고, 많은 시행착오로 인해 모형 개발에 상당한 인적 및 시간이 소요되었다. 또한 개발된 모형이 최신 데이터에 대해서 예측력이 떨어질 경우 모형을 처음부터 재개발해야 하는 어려움이 있었다.
본 발명이 해결하고자 하는 과제는, 최적의 부도율 추정 모형을 자동으로 생성하고 이를 기반으로 거시 시나리오별 부도율을 예측할 수 있는 방법을 제공하고자 하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 달성하기 위한 본 발명의 일 실시예에 따른 거시 시나리오별 부도율 예측 방법은, 거시 시나리오별 부도율을 예측하는 모형 도출 장치가: 목표변수로서 부도율 또는 이를 로그 역변환한 거시경제지수를, 복수의 독립변수로서 복수의 거시데이터를 준비하는 단계(상기 목표변수와 상기 독립변수는 시계열 데이터임); 경제성장률 데이터 및 복수의 시나리오에 대한 경제성장률 전망치를 이용하여 시나리오별 표준화 지수를 생성하는 단계; 상기 표준화 지수를 각 독립변수에 적용하여 시나리오별 거시데이터 전망치를 생성하는 단계; 상기 목표변수 및 상기 복수의 독립변수에 대해 이동평균, 차분 또는 이들의 조합의 적용 여부에 따라 각각 생성된 조정목표변수 및 복수의 조정독립변수로 이루어진 조정변수 세트를 복수 개 생성하는 단계; 상기 조정목표변수와 각 조정독립변수 간에 이론적인 부호관계가 사전에 정의되고, 상기 조정목표변수와 상기 각 조정독립변수 간에 단일회귀분석을 통해 상기 이론적인 부호관계에 부합하는 조정독립변수를 선별하는 단계; 조정변수 세트마다 상기 선별된 조정독립변수 중 적어도 일부와 상기 조정목표변수를 포함한 다중회귀분석 모형을 복수 개 생성하고, 상기 복수의 다중회귀분석 모형 중에서 적합도(adjusted R2) 검정과 정확도(RMSE) 검정을 통해 조정변수 세트별 부도율 예측 모형을 선택하는 단계; 조정변수 세트마다 선정된 부도율 예측 모형 중에서 정확도(RMSE) 검정을 통해 최적 부도율 예측 모형을 선택하는 단계; 및 상기 거시데이터 전망치를 상기 최적 부도율 예측 모형에 입력하여 시나리오별 부도율 예측값을 산출하는 단계를 포함할 수 있다.
상기 표준화 지수는 아래 수식 1을 통해 산출될 수 있고, 상기 거시데이터 전망치는 상기 표준화 지수를 이용해 아래 수식 2를 통해 산출될 수 있다.
[수식 1]
표준화 지수 = [(경제성장률 전망치) - (경제성장률 평균)] / (경제성장률 표준편차)
[수식 2]
거시데이터 전망치 = (거시데이터 평균값) + [(표준화 지수) × (거시데이터 표준편차)]
상기 조정변수 세트를 생성하기 전에, 상기 목표변수 및 상기 독립변수의 기준시점을 일치시키도록 상기 목표변수의 시점을 소정의 기간만큼 조정하는 단계; 및 상기 목표변수 및 상기 독립변수에서 비경기적 요인을 제거하는 단계를 더 포함할 수 있다.
상기 조정변수 세트를 생성한 후에, 상기 조정목표변수 및 상기 복수의 조정독립변수에 대해 시계열 안정성(stationarity) 검정을 시행하여 불안정 시계열로 판명된 변수에 대해 차분 안정화를 시행하는 단계; 및 상기 조정목표변수와 상기 조정독립변수의 상관분석(correlation analysis)을 통해 각 조정독립변수마다 과거 소정 회수의 시차 중 상관성이 가장 큰 시차(이를 '적정시차'라 함)를 매칭시키는 단계를 더 포함할 수 있다.
상기 조정변수 세트별 부도율 예측 모형을 선택하는 단계는, 각 다중회귀분석 모형에 대하여 다중공선성(multicollinearity) 검정과 이론적 부호관계 검정을 통과한 모형들을 선별하고, 선별된 모형들 중 적합도(adjusted R2)가 상위 소정의 범위에 속하고 정확도 검정에 관한 RMSE가 최소인 모형을 상기 부도율 예측 모형으로 선택할 수 있다.
상기 최적 부도율 예측 모형을 선택한 후에, 상기 최적 부도율 예측 모형의 RMSE가 소정의 임계값 이하인지를 판단하여 검증하는 단계를 더 포함할 수 있다.
기타 실시예들의 구체적인 사항들은 구체적인 내용 및 도면들에 포함되어 있다.
상술한 바와 같이 본 발명에 따른 거시 시나리오별 부도율 예측 방법에 의하면, 부도율(또는 거시경제지수) 및 복수의 거시데이터에 일정한 변수 조정을 통해 복수의 조정변수 세트를 생성하고, 조정변수 세트마다 모형 설명력(adjusted R2) 및 정확도(RMSE)가 높은 부도율 예측 모형을 생성한 후 이들 중에서 최적 부도율 예측 모형을 선택함으로써 개발자의 자의적 판 판단을 배제할 수 있고 매년 데이터가 갱신되더라도 자동으로 최적의 모형을 산출할 수 있다.
또한 모형을 생성하는 과정에서, 시점 조정, 비경기적 요인 제거, 변수 조정, 시계열 안정성 검정, 적정시차 선택, 부호 검정, 적합도 검정, 정확도 검정 등을 진행함으로써, 설명력 및 예측력이 가장 우수한 모형을 얻을 수 있다.
또한 신뢰할 수 있는 외부 기관으로부터 입수된 다양한 거시 시나리오에 대한 경제전망을 근거로 시나리오별 거시데이터 전망치를 생성하고 이를 최적 부도율 예측 모형에 입력함으로써 각 시나리오별 부도율 예측값을 산출할 수 있다.
도 1은 본 발명의 일 실시예에 따른 모형 도출 장치의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 목표변수의 시점을 조정한 것을 예시적으로 나타낸 것이다.
도 3은 본 발명의 일 실시예에 따라 부도율과 거시경제지수의 관계를 나타낸 그래프이다.
도 4는 본 발명의 일 실시예에 따라 목표변수(거시경제지수)와 독립변수(경상수지)에서 계절성을 제거한 결과는 나타낸 표이다.
도 5는 본 발명의 일 실시예에 따라 조정변수 세트별 조정목표변수 및 조정독립변수의 시계열 추이를 나타낸 그래프이다.
도 6은 본 발명의 일 실시예에 따라 개인카드와 거시경제변수들(또는 조정독립변수) 간의 시차별 상관계수와 통계적으로 유의한 시차를 예시적으로 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따라 복수의 다중회귀분석 모형에 대해 다중공선성 검정, 부호 검정, 적합도(adjusted R2) 검정 및 정확도(RMSE) 검정을 수행한 결과를 예시적으로 나타낸 것이다.
도 8은 본 발명의 일 실시에 따라 개인카드 최적 부도율 예측 모형을 예시적으로 나타낸 그래프이다.
도 9는 본 발명의 일 실시예에 따른 거시 시나리오별 부도율 예측 방법을 순차적으로 나타낸 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도 1은 본 발명의 일 실시예에 따른 모형 도출 장치의 구성을 개략적으로 나타낸 도면이다. 본 발명의 모형 도출 장치(100)는 거시 시나리오별 부도율을 예측하는 장치로서, 거시 시나리오 생성부(10), 데이터 변환부(20), 비경기적 요인 제거부(30), 변수 조정부(40), 안정시계열 변환부(50), 시차 선택부(60), 모형 생성부(70), 모형 검증부(80), 부도율 예측부(90) 및 데이터 베이스(95)를 포함한다.
먼저 데이터 베이스(95)는 부도율 예측 모형을 개발하기 위한 다양한 데이터를 저장한다. 예를 들어, 데이터 베이스(95)는 부도율 및 복수의 거시데이터를 저장한다.
여기서 부도율 데이터는 예를 들어, 2007년부터 2019년까지 분기 자료 등과 같은 시계열 데이터로 이루어질 수 있다. 또한 부도율 데이터는 다양한 자산별 부도율 데이터를 포함할 수 있다. 예를 들어, 부도율 데이터는 개인카드, 카드론, 개인사업자 카드, 법인사업자 카드, 신차할부, 중고차할부, 비회원 신용대출 등에 관한 부도율 데이터를 포함할 수 있다.
복수의 거시데이터는 GDP, 부동산시장, 금융시장, 가계신용시장 등 거시 경제와 관련된 다양한 부문에서 다양한 항목의 시계열 데이터를 포함할 수 있다. 예를 들어, 거시데이터는 GDP 성장률, 민간소비 성장률, 건설투자 성장률, 설비투자 성장률, 총수출 성장률, 총수입 성장률, 경상수지, 실업률, 소비자물가지수 상승률, 주택매매가격지수 상승률, 종합주가지수, 원/달러 환율, 기준금리, CD유통수익률, 국고채 금리, 회사채 금리, 가계대출 증감률, 또는 이들의 조합을 포함할 수 있다.
또한 데이터 베이스(95)는 부도율을 로그 역변환한 거시경제지수를 저장할 수 있다. 데이터 베이스(95)는 신뢰할 수 있는 외부 기관 또는 외부 서버로부터 입수된 경제성장률 데이터 및 경제성장률 전망치를 저장할 수 있다.
본 발명의 부도율 예측 모형에서 부도율 또는 거시경제지수는 목표변수(또는 종속변수)로 사용될 수 있고, 복수의 거시데이터는 복수의 독립변수로 사용될 수 있다. 본 발명의 부도율 예측 모형을 위해 필요한 시계열 데이터(즉, 목표변수 및 독립변수)는 개발기간과 검증기간으로 구분되어 정의될 수 있다. 개발기간에 대응하는 시계열 데이터를 이용하여 부도율 예측 모형이 개발되면, 검증기간에 대응하는 시계열 데이터를 이용하여 부도율 예측 모형의 검증이 수행된다. 검증기간은 개발기간 이후 최신 데이터 기간인 것이 바람직하다.
거시 시나리오 생성부(10)는 급격한 경기변동에 대비하기 위해 예상되는 위험의 크기를 산정해 다양한 변수들에 대한 시나리오별 전망치를 생성한다. 즉, 거시 시나리오 생성부(10)는 과거 경제성장률을 바탕으로 시나리오별 경제성장률 전망치가 과거 대비 어느 수준의 충격인지를 나타내는 표준화 지수를 계산하고 그 충격만큼 표준화 지수를 거시데이터에 반영한다.
거시 시나리오 생성부(10)는 경제성장률 데이터 및 복수의 시나리오에 대한 경제성장률 전망치를 이용하여 시나리오별 표준화 지수를 생성한다. 바람직하게는 거시 시나리오 생성부(10)는 과거 경제성장률 데이터의 평균 및 표준편차, 그리고 복수의 시나리오에 대한 경제성장률 전망치를 이용해, 시나리오별 표준화 지수를 생성한다. 여기서 표준화 지수는 아래 수식 1을 통해 산출될 수 있다.
[수식 1]
표준화 지수 = [(경제성장률 전망치) - (경제성장률 평균)] / (경제성장률 표준편차)
아래 표 1은 한국개발연구원(KDI) 등과 같은 신뢰할 수 있는 외부 기관 또는 외부 서버로부터 입수된 세가지 시나리오(상위, 기준 및 하위)에 따른 2020년 연간 경제성장률 전망치를 예시적으로 나타낸 것이다.
상위 시나리오 기준 시나리오 하위 시나리오
2020 연간 1.1 0.2 -1.6
표준화 지수 -1.12 -1.15 -2.52
과거 소정 기간의 경제성장률 평균이 3.2이고 그 표준편차가 1.9인 경우, 이를 위 수식 1에 대입하면 각 시나리오별 표준화 지수는 -1.12, -1.15 및 -2.52가 된다.거시 시나리오 생성부(10)는 표준화 지수를 각 독립변수, 즉 거시데이터에 적용하여 시나리오별 거시데이터 전망치를 생성한다. 거시데이터 전망치는 아래 수식 2를 통해 산출될 수 있다.
[수식 2]
거시데이터 전망치 = (거시데이터 평균값) + [(표준화 지수) × (거시데이터 표준편차)]
데이터 변환부(20)는 목표변수 및 독립변수의 기준시점을 일치시키기 위해 목표변수의 시점을 전체적으로 소정의 기간만큼 조정한다. 목표변수, 즉 부도율은 기준시점에서 정상고객의 "향후 1년내" 부도고객비율을 나타내고, 독립변수, 즉 거시데이터는 기준시점에서 "실현된 결과"인 거시경제 값을 나타낸다. 따라서 목표변수와 독립변수 간에는 시점의 차이가 존재하며, 이러한 시점 차이를 없애기 위해 목표변수의 시점을 소정의 기간, 예를 들어 1년 후로 조정한다. 따라서 목표변수와 독립변수는 모두 "실현된 결과"를 의미하게 되어 전체적으로 부도율 예측 모형의 정확성을 높일 수 있다. 도 2는 본 발명의 일 실시예에 따라 목표변수의 시점을 조정한 것을 예시적으로 나타낸 것이다.
데이터 변환부(20)는 아래 수식 3에 의해 부도율(P)을 로그 역변환하여 거시경제지수(Y)를 생성한다.
[수식 3]
거시경제지수(Y) = ln [(1-P)/P]
부도율 및/또는 거시경제지수는 목표변수로 사용될 수 있다. 도 3은 본 발명의 일 실시예에 따라 부도율과 거시경제지수의 관계를 나타낸 그래프이다.
비경기적 요인 제거부(30)는 목표변수 및 독립변수에서 비경기적 요인을 제거한다. 시계열 데이터의 변동 요인은 경기 상황에 영향을 받는 "경기적 요인"과 경기 상황과 무관한 "비경기적 요인"으로 구분될 수 있으며, 본 발명의 부도율 예측 모형은 경기적 요인에 의한 변동을 예측하기 위하여 전체 변수에서 비경기적 요인을 제거한다. 예를 들어, X-11 계절조정 기법을 통해 목표변수 및 독립변수에서 비경기적 요인인 계절성(seasonality)을 제거한다. 계절성은 1년을 주기로 반복되는 변동을 의미한다. 도 4는 본 발명의 일 실시예에 따라 목표변수(거시경제지수)와 독립변수(경상수지)에서 계절성을 제거한 결과는 나타낸 표이다.
변수 조정부(40)는 부도율 예측 모형의 정확도를 개선하기 위해 다양한 방법으로 목표변수와 독립변수를 조정한다. 구체적으로, 변수 조정부(40)는 목표변수 및 복수의 독립변수에 대해 이동평균(moving average), 차분(difference) 또는 이들의 조합의 적용 여부에 따라 각각 생성된 조정목표변수 및 복수의 조정독립변수로 이루어진 조정변수 세트를 복수 개 생성한다. 다시 말해, 변수 조정부(40)는 목표변수에 대해 이동평균, 차분 또는 이들의 조합의 적용 여부에 따라 복수의 조정목표변수를 생성하고, 마찬가지로 독립변수에 대해 이동평균, 차분 또는 이들의 조합의 적용 여부에 따라 복수의 조정독립변수를 생성하고, 복수의 조정목표변수 중 어느 하나와 상기 복수의 조정독립변수 중 어느 하나로 이루어진 조정변수 세트를 복수 개 생성한다.
예를 들어, 변수 조정부(40)는 다음과 같은 세가지 조정변수 세트를 생성할 수 있다. A 조정변수 세트는 목표변수에 대해 이동평균 및 차분을 수행한 제1 조정목표변수와, 복수의 독립변수에 대해 이동평균을 수행한 제1 조정독립변수로 구성될 수 있다. B 조정변수 세트는 목표변수에 대해 데이터 조정이 없는 제2 조정목표변수와, 복수의 독립변수에 대해 데이터 조정이 없는 제2 조정독립변수로 구성될 수 있다. C 조정변수 세트는 목표변수에 대해 이동평균을 수행한 제3 조정목표변수와, 복수의 독립변수에 대해 이동평균을 수행한 제3 조정독립변수로 구성될 수 있다. 도 5는 본 발명의 일 실시예에 따라 조정변수 세트별 조정목표변수 및 조정독립변수의 시계열 추이를 나타낸 그래프이다.
안정시계열 변환부(50)는 조정목표변수 및 복수의 조정독립변수에 대해 시계열 안정성(stationarity) 검정을 시행하여 불안정 시계열로 판명된 변수에 대해 차분 안정화를 시행한다. 예를 들어, 안정시계열 변환부(50)는 거시경제지수의 안정성 판별을 위해 단위근 검정(Augmented Dickey-Fuller Test)을 시행하고 불안정 시계열로 판명된 변수에 대해 차분 안정화를 수행한다. 여기서 안정 시계열은 평균, 분산, 공분산 등이 일정한 시계열을 의미하며, 불안정 시계열에 대한 회귀분석 시에 "허구적 회귀"로 인해 잘못된 모형이 추정될 수 있으므로 안정 시계열로 변환할 필요가 있다. Dickey-Fuller 단위근 검정(unit root test)의 경우, 예를 들어 90% 또는 95% 유의수준 하에서 안정성 여부를 확인한다. 불안정 시계열을 안정 시계열로 변환하기 위해 차분 안정화 방법이 사용되는데, 예를 들어 수준변수에 대해서는 로그차분이 적용될 수 있고 비율변수에 대해서는 차분이 적용될 수 있다.
과거의 특정 시점의 거시 상황이 현재 부도율에 영향을 줄 수 있으므로, 시차 선택부(60)는 조정목표변수와 조정독립변수의 상관분석(correlation analysis)을 통해 각 조정독립변수마다 과거 소정 회수의 시차 중 상관성이 가장 큰 시차(이를 '적정시차'라 함)를 선택하여 매칭시킨다. 예를 들어, 시차 선택부(60)는 과거 1 내지 4차 시차 중 조정목표변수와의 상관성(또는 상관계수의 절대값)이 가장 높은 시차를 선택하여 해당 조정독립변수에 매칭시킨다. 95% 유의수준 하에 유의한 시차가 없는 경우 동차 또는 기준시점을 사용할 수 있다. 도 6은 본 발명의 일 실시예에 따라 개인카드와 거시경제변수들(또는 조정독립변수) 간의 시차별 상관계수와 통계적으로 유의한 시차를 예시적으로 나타낸 것이다.
조정목표변수와 각 조정독립변수 간에는 단일회귀분석에 있어 이론적인 부호관계가 사전에 정의될 수 있다. 예를 들어 GDP 성장률에 대해 부도율은 음(-)의 이론적 부호관계가, 거시경제지수는 양(+)의 부호관계가 정의될 수 있다. 실업률에 대해 부도율은 양(+)의 이론적 부호관계가, 거시경제지수는 음(-)의 부호관계가 정의될 수 있다. 이와 같이 조정목표변수와 각 조정독립변수 간에 이론적 부호관계가 사전에 정의된 상태에서, 모형 생성부(70)는 조정목표변수와 각 조정독립변수 간에 단일회귀분석을 통해 이론적인 부호관계에 부합하는 조정독립변수를 선별한다. 바람직하게는, 모형 생성부(70)는 조정목표변수와, 적정시차에 해당하는 조정독립변수 간에 단일회귀분석을 시행하여 이론적 부호관계의 부합여부를 판별할 수 있다.
모형 생성부(70)는 조정변수 세트마다 앞서 선별된 조정독립변수 중 적어도 일부와 조정목표변수를 포함한 다중회귀분석 모형을 복수 개 생성한다. 예를 들어, 모형 생성부(70)는 선별된 조정독립변수를 소정의 개수로 조합하고 이러한 조합에 따라 다양한 다중회귀분석 모형을 생성할 수 있다.
모형 생성부(70)는 복수의 다중회귀분석 모형 중에서 적합도(adjusted R2) 검정과 정확도(RMSE, root mean square error) 검정을 통해 조정변수 세트별 부도율 예측 모형을 선택한다.
모형 생성부(70)는 적합도(adjusted R2) 검정과 정확도(RMSE) 검정과 함께, 또는 이들보다 전에 다중공선성(multicollinearity) 검정과 이론적 부호관계 검정을 수행할 수 있다. 일반적으로 거시변수들간의 상관관계가 높은 경우 모형의 오차가 커지는 문제가 있는데, 모형 생성부(70)는 다중공선성 검정을 통해 각 조정독립변수의 분산팽창지수(VIF)가 10미만인 모형을 선택하여 이러한 문제를 해결할 수 있다. 또한 모형 생성부(70)는 이론적 부호관계 검정을 통해 다중회귀분석 모형의 각 조정독립변수에 대해 단일회귀분석에 따른 이론적인 부호에 부합여부를 재확인할 수 있다. 바람직하게는, 모형 생성부(70)는 각 다중회귀분석 모형에 대하여 다중공선성 검정과 이론적 부호관계 검정을 통과한 모형들을 선별하고, 선별된 모형들 중 적합도(adjusted R2)가 상위 소정의 범위에 속하고 정확도 검정에 관해 RMSE(root mean square error)가 최소인 모형을 부도율 예측 모형으로 선택할 수 있다. 이러한 부도율 예측 모형은 조정변수 세트마다 생성된다. 도 7은 본 발명의 일 실시예에 따라 복수의 다중회귀분석 모형에 대해 다중공선성 검정, 부호 검정, 적합도(adjusted R2) 검정 및 정확도(RMSE) 검정을 수행한 결과를 예시적으로 나타낸 것이다.
모형 생성부(70)는 조정변수 세트마다 선정된 부도율 예측 모형 중에서 정확도(RMSE) 검정을 통해 최적 부도율 예측 모형을 선택한다. 예를 들어, A 조정변수 세트에 대해 적합도(adjusted R2)가 79.9%, 검증기간 RMSE가 7.4%로 산출되고, B 조정변수 세트에 대해 적합도(adjusted R2)가 40.1%, 검증기간 RMSE가 30.6%로 산출되고, C 조정변수 세트에 대해 적합도(adjusted R2)가 70.7%, 검증기간 RMSE가 17.9%로 산출된 경우, 검증기간 RMSE가 가장 낮은 A 조정변수 세트에 대해 선정된 부도율 예측 모형이 최적 부도율 예측 모형으로 선택된다. 도 8은 본 발명의 일 실시에 따라 개인카드 최적 부도율 예측 모형을 예시적으로 나타낸 그래프이다.
모형 검증부(80)는 상기 최적 부도율 예측 모형의 정확도(RMSE)가 소정의 임계값 이하인지를 판단하는 검증을 수행한다. RSME는 실제값과 예측값의 오차 크기를 의미하며, RSME가 작을수록 실제값과 오차가 작아서 우수한 모형을 의미한다.
부도율 예측부(90)는 거시 시나리오 생성부(10)에 의해 생성된 시나리오별 거시데이터 전망치를 최적 부도율 예측 모형에 입력하여 시나리오별 부도율 예측값을 산출한다. 구체적으로 부도율 예측부(90)는 세가지 시나리오(상위, 기준 및 하위)에 따른 거시데이터 전망치 및 최적 부도율 예측 모형을 이용하여 각 시나리오별 부도율 예측값을 산출할 수 있다.
이하 도 9를 참조하여 본 발명의 일 실시예에 따른 거시 시나리오별 부도율 예측 방법에 대해 설명한다. 도 9는 본 발명의 일 실시예에 따른 거시 시나리오별 부도율 예측 방법을 순차적으로 나타낸 순서도이다.
부도율, 복수의 거시데이터 등을 수집되어 데이터 베이스(95)에 저장된다(S10).
데이터 변환부(20)는 부도율을 로그 역변환하여 거시경제지수를 생성하여, 데이터 베이스(95)에 저장한다. 부도율 또는 이를 로그 역변환한 거시경제지수는 목표변수로서, 복수의 거시데이터는 복수의 독립변수로서 모형 생성을 위해 준비된다. 여기서 목표변수와 독립변수는 시계열 데이터이다.
거시 시나리오 생성부(10)는 경제성장률 데이터 그리고 복수의 시나리오에 대한 경제성장률 전망치를 이용하여, 시나리오별 표준화 지수를 생성하고, 표준화 지수를 각 독립변수에 적용하여 시나리오별 거시데이터 전망치를 생성한다(S12).
데이터 변환부(20)는 부도율 예측 모형을 위해 목표변수 및 독립변수의 데이터를 변환한다(S14). 구체적으로 데이터 변환부(20)는 목표변수 및 독립변수의 기준시점을 일치시키도록 목표변수의 시점을 조정한다.
비경기적 요인 제거부(30)는 목표변수 및 독립변수에서 비경기적 요인, 예를 들어 계정성을 제거한다(S16).
변수 조정부(40)는 목표변수 및 복수의 독립변수에 대해 이동평균, 차분 또는 이들의 조합의 적용 여부에 따라 각각 생성된 조정목표변수 및 복수의 조정독립변수로 이루어진 조정변수 세트를 복수 개 생성한다(S18).
안정시계열 변환부(50)는 조정목표변수 및 복수의 조정독립변수에 대해 시계열 안정성(stationarity) 검정을 시행하여 불안정 시계열로 판명된 변수에 대해 차분 안정화를 시행한다(S20).
시차 선택부(60)는 조정목표변수와 조정독립변수의 상관분석(correlation analysis)을 통해 각 조정독립변수마다 과거 소정 회수의 시차 중 상관성이 가장 큰 시차(이를 '적정시차'라 함)를 매칭시킨다(S22).
조정목표변수와 각 조정독립변수 간에 이론적인 부호관계가 사전에 정의되고, 모형 생성부(70)는 조정목표변수와 각 조정독립변수 간에 단일회귀분석을 통해 이론적인 부호관계에 부합하는 조정독립변수를 선별한다(S24).
모형 생성부(70)는 조정변수 세트마다 상기 선별된 조정독립변수 중 적어도 일부와 조정목표변수를 포함한 다중회귀분석 모형을 복수 개 생성하고, 복수의 다중회귀분석 모형 중에서 적합도(adjusted R2) 검정과 정확도(RMSE) 검정을 통해 조정변수 세트별 부도율 예측 모형을 생성한다(S26). 모형 생성부(70)는 조정변수 세트마다 선정된 부도율 예측 모형 중에서 정확도(RMSE) 검정을 통해 최적 부도율 예측 모형을 선택한다.
모형 검증부(80)는 최적 부도율 예측 모형의 정확도(RMSE)가 소정의 임계값 이하인지를 판단하여 최적 부도율 예측 모형을 검증한다(S28).
부도율 예측부(90)는 거시데이터 전망치를 최적 부도율 예측 모형에 입력하여 시나리오별 부도율 예측값을 산출한다.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
10: 거리 시나리오 생성부
20: 데이터 변환부
30: 비경기적 요인 제거부
40: 변수 조정부
50: 안정시계열 변환부
60: 시차 선택부
70: 모형 생성부
80: 모형 검증부
90: 부도율 예측부
95: 데이터 베이스
100: 모형 도출 장치

Claims (6)

  1. 거시 시나리오별 부도율을 예측하는 모형 도출 장치가:
    목표변수로서 부도율 또는 이를 로그 역변환한 거시경제지수를, 복수의 독립변수로서 복수의 거시데이터를 준비하는 단계(상기 목표변수와 상기 독립변수는 시계열 데이터임);
    경제성장률 데이터 및 복수의 시나리오에 대한 경제성장률 전망치를 이용하여 시나리오별 표준화 지수를 생성하는 단계;
    상기 표준화 지수를 각 독립변수에 적용하여 시나리오별 거시데이터 전망치를 생성하는 단계;
    상기 목표변수 및 상기 복수의 독립변수에 대해 이동평균, 차분 또는 이들의 조합의 적용 여부에 따라 각각 생성된 조정목표변수 및 복수의 조정독립변수로 이루어진 조정변수 세트를 복수 개 생성하는 단계;
    상기 조정목표변수와 각 조정독립변수 간에 이론적인 부호관계가 사전에 정의되고, 상기 조정목표변수와 상기 각 조정독립변수 간에 단일회귀분석을 통해 상기 이론적인 부호관계에 부합하는 조정독립변수를 선별하는 단계;
    조정변수 세트마다 상기 선별된 조정독립변수 중 적어도 일부와 상기 조정목표변수를 포함한 다중회귀분석 모형을 복수 개 생성하고, 상기 복수의 다중회귀분석 모형 중에서 적합도(adjusted R2) 검정과 정확도(RMSE) 검정을 통해 조정변수 세트별 부도율 예측 모형을 선택하는 단계;
    조정변수 세트마다 선정된 부도율 예측 모형 중에서 정확도(RMSE) 검정을 통해 최적 부도율 예측 모형을 선택하는 단계; 및
    상기 거시데이터 전망치를 상기 최적 부도율 예측 모형에 입력하여 시나리오별 부도율 예측값을 산출하는 단계를 포함하는, 거시 시나리오별 부도율 예측 방법.
  2. 제1항에 있어서,
    상기 표준화 지수는 아래 수식 1을 통해 산출되고, 상기 거시데이터 전망치는 상기 표준화 지수를 이용해 아래 수식 2를 통해 산출되는 것을 특징으로 하는 거시 시나리오별 부도율 예측 방법.
    [수식 1]
    표준화 지수 = [(경제성장률 전망치) - (경제성장률 평균)] / (경제성장률 표준편차)
    [수식 2]
    거시데이터 전망치 = (거시데이터 평균값) + [(표준화 지수) × (거시데이터 표준편차)]
  3. 제1항에 있어서, 상기 조정변수 세트를 생성하기 전에,
    상기 목표변수 및 상기 독립변수의 기준시점을 일치시키도록 상기 목표변수의 시점을 소정의 기간만큼 조정하는 단계; 및
    상기 목표변수 및 상기 독립변수에서 비경기적 요인을 제거하는 단계를 더 포함하는 거시 시나리오별 부도율 예측 방법.
  4. 제1항에 있어서, 상기 조정변수 세트를 생성한 후에,
    상기 조정목표변수 및 상기 복수의 조정독립변수에 대해 시계열 안정성(stationarity) 검정을 시행하여 불안정 시계열로 판명된 변수에 대해 차분 안정화를 시행하는 단계; 및
    상기 조정목표변수와 상기 조정독립변수의 상관분석(correlation analysis)을 통해 각 조정독립변수마다 과거 소정 회수의 시차 중 상관성이 가장 큰 시차(이를 '적정시차'라 함)를 매칭시키는 단계를 더 포함하는 거시 시나리오별 부도율 예측 방법.
  5. 제1항에 있어서,
    상기 조정변수 세트별 부도율 예측 모형을 선택하는 단계는,
    각 다중회귀분석 모형에 대하여 다중공선성(multicollinearity) 검정과 이론적 부호관계 검정을 통과한 모형들을 선별하고, 선별된 모형들 중 적합도(adjusted R2)가 상위 소정의 범위에 속하고 정확도 검정에 관한 RMSE(root mean square error)가 최소인 모형을 상기 부도율 예측 모형으로 선택하는 것을 특징으로 하는 거시 시나리오별 부도율 예측 방법.
  6. 제1항에 있어서,
    상기 최적 부도율 예측 모형을 선택한 후에, 상기 최적 부도율 예측 모형의 RMSE가 소정의 임계값 이하인지를 판단하여 검증하는 단계를 더 포함하는 거시 시나리오별 부도율 예측 방법.
KR1020200108694A 2020-08-27 2020-08-27 거시 시나리오별 부도율 예측 방법 KR20220027606A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200108694A KR20220027606A (ko) 2020-08-27 2020-08-27 거시 시나리오별 부도율 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200108694A KR20220027606A (ko) 2020-08-27 2020-08-27 거시 시나리오별 부도율 예측 방법

Publications (1)

Publication Number Publication Date
KR20220027606A true KR20220027606A (ko) 2022-03-08

Family

ID=80812519

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200108694A KR20220027606A (ko) 2020-08-27 2020-08-27 거시 시나리오별 부도율 예측 방법

Country Status (1)

Country Link
KR (1) KR20220027606A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115760365A (zh) * 2022-11-23 2023-03-07 中电金信软件有限公司 一种构建违约损失率预测模型的方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115760365A (zh) * 2022-11-23 2023-03-07 中电金信软件有限公司 一种构建违约损失率预测模型的方法及装置
CN115760365B (zh) * 2022-11-23 2024-05-07 中电金信软件有限公司 一种构建违约损失率预测模型的方法及装置

Similar Documents

Publication Publication Date Title
Dritsakis et al. Financial development and economic growth in Greece: An empirical investigation with Granger causality analysis
Ripatti Declining labour share-Evidence of a change in underlying production technology?
Jiang et al. Construction price prediction using vector error correction models
Ibhagui Does the long-run monetary model hold for Sub-Saharan Africa? A time series and panel-cointegration study
Manchester How money affects real output
Mousavian et al. Equilibria in investment and spot electricity markets: A conjectural-variations approach
KR20220027606A (ko) 거시 시나리오별 부도율 예측 방법
Shaik et al. Exchange rate and the economic growth in India: An empirical analysis
Omoshoro‐Jones et al. The emergence of regional business cycle in Africa—a reality or myth? A Bayesian dynamic factor model analysis
Coronas et al. MONTE-CARLO probabilistic valuation of concentrated solar power systems in Spain under the 2014 retroactive regulatory framework
Bekiros et al. Policy‐Oriented Macroeconomic Forecasting with Hybrid DGSE and Time‐Varying Parameter VAR Models
KR101478935B1 (ko) 리스크-프로파일 생성 장치
Alege et al. International competitiveness and growth of the Nigerian economy: a structural VAR-based perspective
Chichi et al. Exchange rate and the economic growth in Nigeria
Ozsoz et al. Real exchange rate assessment for Nigeria: An evaluation of determinants, strategies for identification and correction of misalignments
Caporale et al. Are the Baltic Countries ready to adopt the Euro? A generalized purchasing power parity approach
Mohaddes et al. Inflation differentials in the GCC: Does the oil cycle matter?
Tetteh-Bator et al. Vector Autoregressive Models for Multivariate Time Series Analysis; Macroeconomic Indicators in Ghana
AKHTAR HOSSAIN The agricultural terms of trade in Bangladesh: An econometric analysis of trends and movements, 1952–2006
Buzaushina Trade elasticities in transition countries
Lee et al. OPTIMAL COST ESTIMATION FOR IMPROVEMENT OF PRODUCT DESIGN.
Ghazo et al. Causalities between Components of Public Revenues, and Public Expenditures in Jordan
Zhang Can trade openness affect the monetary transmission mechanism?
Khadka Impact of Trade Liberalization on Economic Growth of Nepal
CN111080046A (zh) 一种输电技术成熟度评估方法和装置

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X601 Decision of rejection after re-examination