Search

KR-102961145-B1 - Method and system for evaluating corporate credit rating and predicting signs of insolvency using artificial intelligence model

KR102961145B1KR 102961145 B1KR102961145 B1KR 102961145B1KR-102961145-B1

Abstract

머신러닝과 딥러닝 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법은, 시스템이, 기업의 재무 정보를 수집하는 제1 단계; 시스템이, 수집된 재무 정보를 이용하여 적용 알고리즘이 서로 다른 복수의 AI(인공지능) 모델을 학습시키는 제2 단계; 시스템이, 학습된 각 AI 모델의 성능을 기준으로 학습된 복수의 AI 모델 중 배포될 AI 모델을 선택하는 제3 단계; 및 시스템이 선택된 AI 모델을 배포하는 제4 단계;를 포함하고, 여기서 AI 모델은, 기업의 신용등급 평가 예측, 기업의 부실 징후 예측 또는 기업의 부도 가능성 예측을 수행하는 AI 모델을 의미한다. 이에 의해, 인공지능 기술을 활용하여 기업의 건전성을 평가하고, 기업의 부실 징후를 예측하는 서비스를 제공할 수 있으며, 기업의 신용등급 평가 및 부실 징후 예측 서비스 제공 시, 기업의 신용등급 평가 및 부실 징후 예측을 위한 복수의 AI 모델을 머신러닝과 딥러닝을 통해 학습시키고, 그 중 성능이 가능 우수한 AI 모델을 선택하는 방식으로 예측의 정확도를 향상시킬 수 있다.

Inventors

  • 이주혁
  • 김상협

Assignees

  • 주식회사 라인월드

Dates

Publication Date
20260506
Application Date
20221216

Claims (10)

  1. 시스템이, 기업의 재무 정보를 수집하는 제1 단계; 시스템이, 수집된 재무 정보를 이용하여 적용 알고리즘이 서로 다른 복수의 AI(인공지능) 모델을 학습시키는 제2 단계; 시스템이, 학습된 각 AI 모델의 성능을 기준으로 학습된 복수의 AI 모델 중 배포될 AI 모델을 선택하는 제3 단계; 및 시스템이 선택된 AI 모델을 배포하는 제4 단계;를 포함하고, AI 모델은, 기업의 신용등급 평가 예측, 기업의 부실 징후 예측 또는 기업의 부도 가능성 예측을 수행하는 AI 모델이며, 제2 단계는, 랜덤 포레스트(Random Forest Classifier) 알고리즘과 DNN(Deep neural network) 알고리즘이 적용된 복수의 AI 모델을 각각 학습시키고, 제2 단계는, 랜덤 포레스트 알고리즘이 적용되어 기업의 신용등급을 복수의 단계로 평가하는 제1 신용등급 예측 모델, DNN 알고리즘이 적용되어 기업의 신용등급을 복수의 단계로 평가하는 제2 신용등급 예측 모델, 랜덤 포레스트 알고리즘이 적용되어 기업의 부실 징후 등급을 복수의 단계로 예측하는 제1 부실 징후 예측 모델, DNN 알고리즘이 적용되어 기업의 부실 징후 등급을 복수의 단계로 예측하는 제2 부실 징후 예측 모델, 랜덤 포레스트 알고리즘이 적용되어 로지스틱 회귀 분석 방식으로 기업의 부도 가능성을 예측하는 제1 부도 확률 예측 모델 및 DNN 알고리즘이 적용되어 로지스틱 회귀 분석 방식으로 기업의 부도 가능성을 예측하는 제2 부도 확률 예측 모델을 각각 학습시키며, 제3 단계는, 학습된 복수의 AI 모델 중 각 예측 항목(신용등급 예측, 부실 징후 예측 및 부도 확률 예측)별로 최적의 성능(예측 정확도)를 보장하는 AI 모델을 각각 선택하고, 시스템은, 각 예측 항목별로 최적의 성능을 보장하는 AI 모델을 각각 선택하되, 특정 예측 항목에서 선택된 AI 모델의 예측 정확도가 기설정된 임계치 미만인 경우, 해당 예측 항목을 예측하는 모든 AI 모델을 대상으로 기존 학습 데이터에 재무비율 정보를 추가하여 재학습시키고, 재무비율 정보는, 이자보상배율 지표, 부채비율 지표, 유동비율 지표, 매출총이익률 지표, 매출채권회전율 지표, 총부채회전율 지표, 자산규모의 변화 지표, 차입금 의존도 지표, 제1 재무비율 지표(=EBITDA / 금융비용), 제2 재무비율 지표(=EBITDA / 매출액) 및 제3 재무 비율 지표(=순차입금 / EBITDA) 중 적어도 하나가 포함되는 것을 특징으로 하는 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법. EBITDA = 당기순이익 + 감가상각비(판관비) + 법인세비용 + 금융비용
  2. 청구항 1에 있어서, 제1 단계는, 기업의 재무 정보 및 신용평가기관에 의해 평가된 기업의 신용평가등급을 수집하고, 제2 단계는, 수집된 재무 정보를 기반으로 서로 다른 예측 항목의 모형 점수를 산출하여 학습 데이터로 활용하며, 서로 다른 예측 항목의 모형 점수는, Piotroski 모형 점수인 F-Score, 알트만 Z모형 점수인 Z-Score 및 한국기업의 기업부실 측정 모형 점수인 K-Score를 포함하는 것을 특징으로 하는 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법.
  3. 청구항 2에 있어서, 제2 단계는, F-Score 산출 시, 변수로 1)총자산경상이익률(ROA) 지표, 2)ROA 변화량 지표(△ROA), 3)총자산 대비 영업현금흐름 비율 지표(CFO), 4)경상이익과 영업현금흐름의 차이 지표(ACCRUAL), 5)레버리지의 변화 지표(△LEVER), 6)유동비율 변화 지표(△LIQUID), 7)매출총이익률 변화 지표(△MARGIN) 및 8)자산회전율 변화 지표(△TURN)를 반영하는 것을 특징으로 하는 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법.
  4. 청구항 2에 있어서, 제2 단계는, Z-Score 산출 시, 변수로 Z1 내지 Z5 지표를 반영하며, Z1 내지 Z5 지표는, 산출 시 하기 수식 1 내지 수식 5를 참조하는 것을 특징으로 하는 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법. 수식 1) Z1 = (유동자산 - 유동부채) / 자산총계 수식 2) Z2 = 이익잉여금 / 자산총계 수식 3) Z3 = 영업이익/ [(전기 자산총계 + 당기 자산총계) × 0.5] 수식 4) Z4 = 시가총액 / 부채총계 수식 5) Z5 = 매출액 / [(전기 자산총계 + 당기 자산총계) × 0.5]
  5. 청구항 2에 있어서, 제2 단계는, K-Score 산출 시, 변수로 K1 내지 K4 지표를 반영하며, K1 내지 K4 지표는, 산출 시 하기 수식 6 내지 수식 9를 참조하는 것을 특징으로 하는 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법. 수식 6) K1 = ln(총자산) 수식 7) K2 = ln(총자산회전율) 수식 8) K3 = 이익잉여금 / 총자산 수식 9) K4 = 자기자본 / 총부채
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 기업의 재무 정보를 수집하고, 프로세서에 의해 선택된 AI 모델을 배포하는 통신부; 및 수집된 재무 정보를 이용하여 적용 알고리즘이 서로 다른 복수의 AI(인공지능) 모델을 학습시키고, 학습된 각 AI 모델의 성능을 기준으로 학습된 복수의 AI 모델 중 배포될 AI 모델을 선택하고, 선택된 AI 모델이 통신부를 통해 배포되도록 하는 프로세서;를 포함하며, AI 모델은, 기업의 신용등급 평가 예측, 기업의 부실 징후 예측 또는 기업의 부도 가능성 예측을 수행하는 AI 모델이며, 프로세서는, 랜덤 포레스트(Random Forest Classifier) 알고리즘과 DNN(Deep neural network) 알고리즘이 적용된 복수의 AI 모델을 각각 학습시키고, 프로세서는, 랜덤 포레스트 알고리즘이 적용되어 기업의 신용등급을 복수의 단계로 평가하는 제1 신용등급 예측 모델, DNN 알고리즘이 적용되어 기업의 신용등급을 복수의 단계로 평가하는 제2 신용등급 예측 모델, 랜덤 포레스트 알고리즘이 적용되어 기업의 부실 징후 등급을 복수의 단계로 예측하는 제1 부실 징후 예측 모델, DNN 알고리즘이 적용되어 기업의 부실 징후 등급을 복수의 단계로 예측하는 제2 부실 징후 예측 모델, 랜덤 포레스트 알고리즘이 적용되어 로지스틱 회귀 분석 방식으로 기업의 부도 가능성을 예측하는 제1 부도 확률 예측 모델 및 DNN 알고리즘이 적용되어 로지스틱 회귀 분석 방식으로 기업의 부도 가능성을 예측하는 제2 부도 확률 예측 모델을 각각 학습시키며, 프로세서는, 학습된 복수의 AI 모델 중 각 예측 항목(신용등급 예측, 부실 징후 예측 및 부도 확률 예측)별로 최적의 성능(예측 정확도)를 보장하는 AI 모델을 각각 선택하고, 프로세서는, 각 예측 항목별로 최적의 성능을 보장하는 AI 모델을 각각 선택하되, 특정 예측 항목에서 선택된 AI 모델의 예측 정확도가 기설정된 임계치 미만인 경우, 해당 예측 항목을 예측하는 모든 AI 모델을 대상으로 기존 학습 데이터에 재무비율 정보를 추가하여 재학습시키고, 재무비율 정보는, 이자보상배율 지표, 부채비율 지표, 유동비율 지표, 매출총이익률 지표, 매출채권회전율 지표, 총부채회전율 지표, 자산규모의 변화 지표, 차입금 의존도 지표, 제1 재무비율 지표(=EBITDA / 금융비용), 제2 재무비율 지표(=EBITDA / 매출액) 및 제3 재무 비율 지표(=순차입금 / EBITDA) 중 적어도 하나가 포함되는 것을 특징으로 하는 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 시스템. EBITDA = 당기순이익 + 감가상각비(판관비) + 법인세비용 + 금융비용

Description

인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법 및 시스템{Method and system for evaluating corporate credit rating and predicting signs of insolvency using artificial intelligence model} 본 발명은 기업의 신용등급 평가 및 부실 징후 예측 방법 및 시스템에 관한 것으로, 더욱 상세하게는 머신러닝과 딥러닝 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법 및 시스템에 관한 것이다. 전 세계적으로 기업 경영 환경이 급속도로 변화하고 있고, 국내의 변화 속도 또한 갈수록 커지고 있다. 또한 변화량과 비례해 기업 재무 건전성 판단의 중요성이 갈수록 커질 것으로 예상된다. 그러나 현실에서는 기업의 재무 건전성을 다양한 데이터 기반으로 판단할 수 있는 기술이나 서비스는 적어 보이고 관련 기술이 매우 제한적인 상태이다. 기업의 건전성을 판단함에 있어서 빅데이터 기반 AI(인공지능) 기술을 활용하는 것은 매우 필수적이라 볼 수 있지만 현재 AI 기술을 활용하여 기업의 건전성을 서비스하고 있는 업체는 매우 적은 상황이다. 따라서, 인공지능 기술을 활용하여 기업의 건전성을 평가하는 방안의 모색이 요구된다. 도 1은 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 시스템의 구성 설명에 제공된 도면, 도 2는, 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 시스템의 동작 설명에 제공된 도면, 그리고 도 3은, 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 방법의 설명에 제공된 흐름도이다. 이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 기업의 신용등급 평가 및 부실 징후 예측 시스템(이하에서는 '시스템'으로 총칭하기로 함)은, 인공지능 기술을 활용하여 기업의 건전성을 평가하고, 기업의 부실 징후를 예측할 수 있다. 즉, 본 실시예에 따른 시스템은, 재무 건전성, 부도예측 평가 및 부실 징후 관련 정형데이터와 비정형데이터를 기반으로 머신러닝과 딥러닝을 통해 정규화 데이터 간의 최적의 파라미터들을 생성하는 기술들이 적용되어 기업부도 수위에 대한 추론 값을 추출하는 AI 모델과 기업 재무 건전성 및 부도(부실 징후) 예측을 위한 AI 모델 등을 활용하여 기업의 건전성을 평가하고, 기업의 부실 징후를 예측할 수 있다. 또한, 본 실시예에 따른 시스템은, AI 모델의 학습 과정에서 머신러닝과 딥러닝을 통해 복수의 AI 모델을 학습시키고, 그 중 성능이 가능 우수한 AI 모델을 선택하는 방식으로 예측의 정확도를 향상시킬 수 있다. 도 1은 본 발명의 일 실시예에 따른 시스템의 구성 설명에 제공된 도면이고, 도 2는, 본 발명의 일 실시예에 따른 시스템의 동작 설명에 제공된 도면이다. 도 1을 참조하면, 시스템은, 통신부(110), 프로세서(120) 및 저장부(130)를 포함할 수 있다. 통신부(110)는, 각 기업의 재무 정보를 제공하는 외부 시스템과 연결되어, 기업의 정보(재무 건전성, 부도예측 평가 및 부실 징후 관련 정형데이터와 비정형데이터 포함)를 수집할 수 있으며, 신용평가기관의 시스템으로부터 신용평가기관에 의해 평가된 기업의 신용평가등급에 대한 정보를 수집할 수 있다. 예를 들면, 통신부(110)는, 특정 신용평가기관의 2-3개년도 기업정보 및 신용등급과 기업의 금융, 경영, 현황에 대한 데이터를 수집할 수 있다. 또한, 통신부(110)는, 기업의 건전성을 평가하고, 기업의 부실 징후를 예측하기 위한 예측 서비스 플랫폼에 프로세서(120)에 의해 선택된 AI 모델이 배포되도록 할 수 있다. 저장부(130)는, 프로세서(120)가 동작함에 있어 필요한 프로그램 및 데이터를 저장하는 저장매체이다. 예를 들면, 저장부(130)는, 통신부(110)를 통해 수집된 각 기업의 재무 정보 및 각 AI 모델에 대한 데이터가 저장될 수 있다. 프로세서(120)는, 기업의 신용등급 평가 및 부실 징후 예측 서비스를 제공하기 위해 필요한 제반 사항들을 처리할 수 있다. 예를 들면, 프로세서(120)는, 도 2에 예시된 바와 같이 수집된 재무 정보 및 기업의 신용평가등급에 대한 정보를 이용하여 적용 알고리즘이 서로 다른 복수의 AI 모델을 학습시키고, 학습된 각 AI 모델의 성능을 기준으로 학습된 복수의 AI 모델 중 배포될 AI 모델을 선택하여, 선택된 AI 모델을 예측 서비스 플랫폼에 배포할 수 있다. 여기서, AI 모델은, 기업의 신용등급 평가 예측, 기업의 부실 징후 예측 또는 기업의 부도 가능성 예측을 수행하는 AI 모델을 의미하며, 예측 서비스 플랫폼은, 서비스 이용자의 사용자 장치에 서비스 이용자가 요청한 특정 기업의 신용등급 평가 예측, 부실 징후 예측 또는 부도 가능성 예측 결과를 제공할 수 있는 시스템이 운영하는 플랫폼을 의미한다. 구체적으로, 프로세서(120)는, AI 모델 학습 시, 수집된 재무 정보를 대상으로 전처리 작업을 수행하고, 전처리된 데이터를 입력 데이터(학습 데이터의 입력 데이터)로 활용하고, 기업의 신용평가등급에 대한 정보를 정답 데이터(학습 데이터의 정답 데이터)로 활용하여 복수의 AI 모델을 학습시킬 수 있다. 그리고 프로세서(120)는, AI 모델의 학습 과정에서 수집된 재무 정보를 입력 데이터로 활용하는 경우, 랜덤 포레스트(Random Forest Classifier) 알고리즘과 DNN(Deep neural network) 알고리즘이 적용된 복수의 AI 모델에 수집된 재무 정보를 기반으로 서로 다른 예측 항목의 모형 점수를 산출하여 입력 데이터로 활용할 수 있다. 구체적으로 예를 들면, 프로세서(120)는, 랜덤 포레스트 알고리즘이 적용되어 기업의 신용등급을 복수의 단계로 평가하는 제1 신용등급 예측 모델, DNN 알고리즘이 적용되어 기업의 신용등급을 복수의 단계로 평가하는 제2 신용등급 예측 모델, 랜덤 포레스트 알고리즘이 적용되어 기업의 부실 징후 등급을 복수의 단계로 예측하는 제1 부실 징후 예측 모델, DNN 알고리즘이 적용되어 기업의 부실 징후 등급을 복수의 단계로 예측하는 제2 부실 징후 예측 모델, 랜덤 포레스트 알고리즘이 적용되어 로지스틱 회귀 분석 방식으로 기업의 부도 가능성을 예측하는 제1 부도 확률 예측 모델 및 DNN 알고리즘이 적용되어 로지스틱 회귀 분석 방식으로 기업의 부도 가능성을 예측하는 제2 부도 확률 예측 모델을 각각 학습시킬 수 있다. 여기서, 제1 신용등급 예측 모델 및 제2 신용등급 예측 모델은, 각각 기업의 신용등급을 10단계(AAA, AA, A, BBB, BB, B, CCC, CC, C, D)로 구분하여 평가할 수 있다. 그리고 제1 부실 징후 예측 모델 및 제2 부실 징후 예측 모델은, 각각 기업의 부실 징후 경보 등급을 4단계(건전 단계, 관찰 단계, 주위 단계, 조사 단계)로 구분하여 예측할 수 있다. 여기서, 랜덤 포레스트 알고리즘은, 독립적인 난수 표본 행렬(Random sample vector)로 개별적인 의사결정나무 구조를 반복적으로 구성하고 이를 통합적으로 대표할 수 있는 모형을 찾아내는 앙상블(ensemble) 기법이 적용된 알고리즘이다. DNN 알고리즘은, 기존의 인공신경망(neural network)에서 활용되는 은닉층(hidden layer)을 겹겹이(deep) 쌓아 특정한 조건에서 컴퓨터가 스스로 최적의 모형을 도출하도록 유도하는 알고리즘이다. 그리고 서로 다른 예측 항목의 모형 점수는, Piotroski 모형 점수인 F-Score, 알트만 Z모형 점수인 Z-Score 및 한국기업의 기업부실 측정 모형 점수인 K-Score를 포함할 수 있다. 예를 들면, 프로세서(120)는, AI 모델의 학습 과정에서 수집된 재무 정보를 입력 데이터로 활용하는 경우, F-Score, Z-Score 및 K-Score의 지수를 활용하여 총 25개 항목의 지표를 변수로 선정할 수 있다. F-Score는, 손익 성과를 측정하는 수익성 지표, 자본구조를 나타내는 건전성 지표, 성장성 지표, 활동성 지표에 이자보상배율과 자산규모의 변동 등을 포함할 수 있다. 구체적으로, F-Score는, 변수로 1)총자산경상이익률(ROA) 지표, 2)ROA 변화량 지표(△ROA), 3)총자산 대비 영업현금흐름 비율 지표(CFO), 4)경상이익과 영업현금흐름의 차이 지표(ACCRUAL), 5)레버리지의 변화 지표(△LEVER), 6)유동비율 변화 지표(△LIQUID), 7)매출총이익률 변화 지표(△MARGIN) 및 8)자산회전율 변화 지표(△TURN)가 반영되어 산출될 수 있다. Z-Score는, 기업의 지속가능성 또는 도산예측력을 평가하기 위해 총자산영업이익률을 바탕으로 하는 지표로서, 변수로 Z1 내지 Z5 지표를 반영하여 산출될 수 있으며, 이때, Z1 내지 Z5 지표는, 산출 시 하기 수식 1 내지 수식 5를 참조하여 산출될 수 있다. 수식 1) Z1 = (유동자산 - 유동부채) / 자산총계 수식 2) Z2 = 이익잉여금 / 자산총계 수식 3) Z3 = 영업이익/ [(전기 자산총계 + 당기 자산총계) × 0.5] 수식 4) Z4 = 시가총액 / 부채총계 수식 5) Z5 = 매출액 / [(전기 자산총계 + 당기 자산총계) × 0.5] K-Score는, Altman 모형을 기초로 한 한국 기업의 기업부실지수 측정을 위한 모형으로 K-score model에서 사용하는 지표로서, 변수로 K1 내지 K4 지표를 반영하여 산출될 수 있으며, 이때, K1 내지 K4 지표는, 산출 시 하기 수식 6 내지 수식 9를 참조하여 산출될 수 있다. 수식 6) K1 = ln(총자산) 수식 7) K2 = ln(총자산회전율) 수식 8) K3 = 이익잉여금 / 총자산 수식 9) K4 = 자기자본 / 총부채 한편, 프로세서(120)는, 배포될 AI 모델을 선택하는 경우, 학습된 복수의 AI 모델 중 각 예측 항목(신용등급 예측, 부실 징후 예측 및 부도 확률 예측)별로 최적의 성능(예측 정확도)를 보장하는 AI 모델을 각각 선택할 수 있