Evolutionary Rule Extraction from Corporate Default Prediction Models

기술 요약: 기업 부도 예측 모델로부터의 진화적 규칙 추출

문제 제기
중소기업 (SME) 은 대부분의 경제에서 기업들의 대부분을 차지하지만, 심각한 재정적 제약과 위기 취약성에 직면해 있습니다. 중소기업의 부도를 예측하는 것은 금융 기관과 정책 입안자에게 중요합니다. 기계 학습 (ML) 이 전통적인 계량경제학적 방법보다 신용 위험 모델링에서 예측 성능을 향상시켰지만, 복잡한 모델의 '블랙박스' 성질은 투명성과 규제 준수에 대한 우려를 제기합니다. 기존 설명 가능한 인공지능 (XAI) 접근법은 종종 특징 할당 (feature attribution) 에 초점을 맞추고 있으며, 근본적인 의사결정 논리를 재구성하는 데는 미치지 못합니다. 또한 많은 규칙 추출 방법들은 완전히 모델-중립적 (model-agnostic) 이 아니거나, 합성적이고 저차원적인 환경에서만 테스트되었습니다. 고차원적이고 불균형한 금융 데이터에서 높은 예측 정확도와 해석 가능하며 경제적으로 의미 있는 의사결정 규칙 사이의 균형을 맞추는 프레임워크가 필요합니다.

방법론
본 연구는 2015 년부터 2024 년까지의 50,718 개 이탈리아 중소기업 패널을 활용하며, 이는 6,695 개의 부도 기업과 44,023 개의 정상 기업을 포함합니다. 데이터셋에는 기업 수준의 회계 변수 (대차대조표와 손익계산서), 구조적 특성, 그리고 거시경제/맥락적 지표 (부문별 부도율, 지역 GDP, 인플레이션) 가 포함됩니다. 데이터는 선행 편향 (look-ahead bias) 을 방지하기 위해 1 년 앞 예측 목표를 가진 불균형 패널로 구조화되었습니다.

방법론은 네 단계로 진행됩니다:

1. 데이터 전처리: 원시 데이터는 기업 - 연 패널로 변환됩니다. 금융 비율은 왜도를 처리하기 위해 상한 처리 (capped) 되고 로그 변환됩니다. 데이터셋은 기업 수준에서 층화 샘플링을 사용하여 훈련 (70%), 검증 (20%), 테스트 (10%) 세트로 분할되며, 이는 클래스 비율 (약 1.4% 부도율) 을 유지합니다.
2. 모델 추정: 로지스틱 회귀 (벤치마크), 랜덤 포레스트, XGBoost, 다층 퍼셉트론 (MLP) 의 네 가지 분류기가 훈련됩니다. 성능은 클래스 불균형을 해결하기 위해 균형 정확도 (Balanced Accuracy) 와 정밀도 - 재현율 곡선 아래 면적 (PR-AUC) 을 사용하여 평가됩니다. 하이퍼파라미터는 검증 세트에서 최적화됩니다.
3. 규칙 추출 (DEXiRE-EVO): 본 연구는 DEXiRE-EVO라는 새로운 진화적 규칙 추출 프레임워크를 도입합니다. 이는 DEXiRE 파이프라인을 모델-중립적으로 확장하여 XGBoost 와 같은 트리 기반 모델에 적용할 수 있도록 합니다. 이 프레임워크는 맥락적 중요성과 유용성 (CIU) 방법에 의해 안내되는 다목적 진화 최적화 (NSGA-II 알고리즘) 를 사용합니다.
   • 목표 1 (정확도): 규칙 집합이 블랙박스 모델의 예측을 복제하는 능력을 극대화합니다 (균형 정확도로 측정).
   • 목표 2 (CIU 정렬): 추출된 규칙의 변수들과 CIU 로 추정된 그들의 맥락적 중요성 사이의 의미적 일관성을 극대화합니다.
   • 이 과정은 모델의 행동을 근사하기 위해 예측자 (predicates) 의 결합체인 규칙 집단의 진화를 수행하며, 정확도와 해석 가능성 사이의 균형을 맞추는 파레토 최적 해를 선택합니다.
4. 분석: 추출된 규칙은 경제적 타당성에 대해 분석되며, 논리적 구조가 재정적 취약성 패턴과 어떻게 연결되는지 규명합니다.

주요 기여

• 대규모 실증 평가: 본 논문은 고차원 환경에서 이러한 체계적 비교의 부족을 해결하기 위해, 이탈리아 중소기업의 대규모, 현실적, 그리고 매우 불균형한 데이터셋에서 전통적 모델과 ML 모델을 포괄적으로 비교합니다.
• 새로운 프레임워크 (DEXiRE-EVO): 이는 CIU 를 적합도 함수에 통합하는 모델-중립적이고 진화적인 규칙 추출 접근법을 제안합니다. 이는 추출된 규칙이 원래 모델에 충실할 뿐만 아니라 특징의 맥락적 관련성과도 정렬되도록 보장합니다.
• 거시적 맥락의 통합: 본 연구는 거시경제 및 부문 변수와 역사적 동향 (지수 가중 이동 평균을 통해) 을 포함하는 것이 예측 성능과 특징 중요성에 미치는 영향을 평가합니다.

결과

• 예측 성능: XGBoost 는 로지스틱 회귀 벤치마크를 크게 능가하여 균형 정확도 0.901 과 PR-AUC 0.429 를 달성했습니다. 이는 각각 로지스틱 회귀의 0.551 과 0.016 에 비해 높은 수치입니다. 랜덤 포레스트와 MLP 도 강력한 성능을 보였습니다.
• 데이터 구조의 영향:
  • 기업 수준 비율만 사용한 모델 (데이터셋 D2) 보다 거시경제 및 부문 변수를 포함한 모델 (데이터셋 D1) 이 성능을 향상시켜 균형 정확도를 0.879 에서 0.901 로, PR-AUC 를 0.366 에서 0.429 로 높였습니다.
  • 역사적 동향을 추가한 데이터셋 (D3) 은 균형 정확도의 미미한 변화와 함께 순위 성능 (PR-AUC 0.449) 을 추가로 향상시켰습니다.
• 설명 가능성 성능: DEXiRE-EVO 는 원래 DEXiRE 프레임워크보다 우수한 성능을 보여주어, 더 높은 정확도 (평균 0.856 대 0.832) 와 훨씬 더 나은 CIU 정렬 (평균 0.684 대 0.444) 을 달성했습니다.
• 추출된 규칙: 진화 과정은 부도 위험과 관련된 일관되고 경제적으로 의미 있는 패턴을 식별했습니다.
  • 약한 내부 유동성 생성 (자산 대비 현금 흐름이 낮음).
  • 내부 자본의 침식 (부당이익이 음수).
  • 높은 레버리지 (높은 부채비율).
  • 운영 비효율성 (낮은 회전율).
  • 규칙들은 이러한 신호들이 초기 생애 주기를 넘긴 기업들에게 특히 유익하며, 부문별 위기와 역사적 변동성이 중요한 맥락적 요소임을 강조했습니다.

의의 및 주장
본 논문은 DEXiRE-EVO 를 통한 진화적 규칙 추출과 ML 을 결합하는 것이 신용 위험 모델링에서 예측 정확도와 해석 가능성 사이의 트레이드오프를 해결할 수 있는 실현 가능한 경로라고 주장합니다. 복잡한 모델에 높은 충실도를 유지하고 특징의 맥락적 중요성과 정렬되는 투명하고 인간이 읽을 수 있는 의사결정 규칙을 생성함으로써, 이 접근법은 더 투명하고 데이터 기반의 의사결정을 지원합니다. 연구는 추출된 규칙이 임의의 통계적 상관관계가 아니라 일관된 경제 메커니즘 (예: 유동성 제약, 자본 침식) 을 반영하므로 금융 환경에서의 신뢰와 규제 준수를 강화한다고 강조합니다. 저자들은 이 프레임워크가 유망하지만, 향후 연구는 더 풍부한 재무 궤적을 위한 명시적 시계열 모델링을 탐구하고, 소프트 정보가 부족한 사적 신용 시장에 이 방법을 적용해야 한다고 지적합니다.