Bankruptcy Prediction via Hybrid Resampling and Stacking Ensemble Techniques with Explainable Artificial Intelligence (XAI)-Driven Analysis

기술 요약: 하이브리드 리샘플링 및 스태킹 앙상블 기법을 통한 파산 예측과 XAI 기반 분석

문제 정의
본 연구는 심각하게 불균형한 금융 데이터셋 내에서 기업 파산을 예측하는 데 따르는 중대한 과제를 다룬다. 해당 데이터셋에서 소수 클래스(파산 기업)는 전체 모집단의 매우 적은 부분(대상 데이터셋의 약 3.23%)을 차지한다. 정확도와 같은 전통적인 평가 지표는 이러한 맥락에서 오해의 소지가 있으며, 대다수 클래스에 편향되어 재무적 위기에 처한 기업을 탐지하는 데 실패할 수 있다. 본 논문은 파산 예측이 비용 민감적인 의사결정 문제이며, 위기 기업을 놓치는 것(낮은 재현율)이 허위 경보(false alarms)보다 더 높은 결과를 초래한다고 주장한다. 또한, 이 분야는 감사 가능성, 거버넌스 및 규제 준수를 지원하기 위해 예측력뿐만 아니라 해석 가능성을 갖춘 모델을 필요로 한다.

연구 방법론
본 연구는 UCI 머신러러닝 저장소의 대만 파산 예측 데이터셋(6,819개 기업 관측치, 95개 예측 변수)을 활용하여 포괄적인 엔드 투 엔드(end-to-end) 프레임워크를 채택하였다. 방법론은 다음 네 가지 단계로 진행된다:

1. 합의 기반 특징 선택(Consensus-Based Feature Selection): 고차원 입력 공간(95개 특징)을 줄이고 견고함을 높이기 위해 다섯 가지 특징 선택 알고리즘인 고래 최적화(WOA), 입자 군집 최적화(PSO), 살프 군집 최적화(SSO), 박쥐 알고리즘(BA), 그리고 상호 정보량(MI)을 적용하였다. 다섯 가지 알고리즘 중 최소 두 개 이상의 알고리즘에 의해 식별된 예측 변수만을 유지하는 합의 유지 규칙을 적용하였다. 이를 통해 수익성, 레버리지, 지급 능력 및 운영 효율성과 관련된 지표를 포함한 23개의 견고한 변수로 특징 집합을 축소하였다.
2. 하이브리드 리샘플링: 클래스 불균형을 해결하기 위해 훈련 데이터에 세 가지 하이브리드 리샘플링 기법인 SVM-SMOTE, SMOTE-Tomek, SMOTE-Edited Nearest Neighbors(SMOTE-ENN)를 구현하였다. 이 방법들은 소수 클래스의 무결성을 보존하려고 시도하면서 균형 잡힌 훈련 분포를 생성하는 데 사용되었다.
3. 모델 아키텍처 및 스태킹:
   • 기초 학습기(Base Learners): 다섯 가지 앙상블 머신러닝 분류기(Gradient Boosting(GB), Extreme Gradient Boosting(XGB), Histogram-based Gradient Boosting(HGB), LightGBM(LGBM), AdaBoost(AB))를 평가하였다.
   • 메타 학습기(Meta-Learners): 다섯 가지 딥러닝(DL) 모델인 순환 신경망(RNN), 장단기 메모리(LSTM), 게이트 순환 유닛(GRU), 심층 신경망(DNN), 다층 퍼셉트론(MLP)을 테스트하였다.
   • 하이브리드 스태킹: 다섯 개의 ML 분류기가 기초 학습기로서 기능하고 다섯 개의 DL 모델이 각각 메타 학습기로서 기능하는 스태킹 앙상블 프레임워크를 구축하여, 총 25개의 고유한 하이브리드 구성을 생성하였다.
4. 설명 가능한 AI (XAI): 최적의 성능을 보이는 모델에 대해 Shapley Additive Explanations(SHAP) 프레임워크를 적용하여 전역적 및 지역적 수준에서 특징 기여도를 해석하였으며, 이를 통해 모델의 결정 논리가 경제 이론과 일치하는지 확인하였다.

주요 결과
연구는 정확도, 재현율(recall), 특이도(specificity), G-mean, ROC-AUC를 사용하여 모델을 평가하였다. 주요 결과는 다음과 같다:

• 리샘플링의 영향: 리샘플링 전략의 선택은 모델의 동작을 결정짓는 중요한 요소였다. SVM-SMOTE와 SMOTE-Tomek은 높은 정확도와 특이도(비파산 기업을 정확히 식별)를 선호한 반면, SMOTE-ENN은 우수한 소수 클래스 탐지(재현율)와 균형 잡힌 성능(G-mean)을 나타냈다.
• 단독 모델 성능: 단독 모델 중에서 GRU 분류기와 SMOTE-ENN의 조합이 재현율 0.8627, G-mean 0.8517, ROC-AUC 0.9431을 기록하며 가장 우수한 전반적 예측 균형을 달 {%} 성하였다.
• 스태킹 앙상블 성능: SMOTE-ENN과 (GB+XGB+HGB+LGBM+AB)를 기초 학습기로 하고 LSTM을 메타 학습기로 사용하는 하이브리드 스태킹 앙상블은 스택된 모델들 중 민감도와 특이도 사이에서 가장 강력한 절충안을 제공하였다 (재현율: 0.7255, G-mean: 0.8254, ROC-AUC: 0.9270).
• 모델 비교: 트리 기반 앙상블(특히 LGBM)은 정확도와 특이도 측면에서 뛰어난 성과를 보였으나, 딥러닝 모델(MLP, GRU, LSTM, RNN)은 특히 SMOTE-ENN 체제 하에서 머신러닝 모델보다 재현율과 G-mean 측면에서 일관되게 우수한 성능을 보였다.
• 특징 중요도: SHAP 분석 결과, 레버리지, 수익성, 지급 능력 및 운영 효율성 지표(예: 총자산 대비 이익잉여금, ROA, 부채 비율, 총자산 회전율)가 파산 위험의 가장 영향력 있는 예측 변수인 것으로 확인되었다.

의의 및 주장
본 논문은 클래스 불균형이 단순한 전처리상의 번거로움이 아니라 모델의 유용성을 결정짓는 핵심 결정 요인임을 입증하는 데 일차적인 기여가 있다고 주장한다. 본 연구는 다음과 같이 명시한다:

1. 딥러닝의 생존 가능성: 딥러닝 아키텍처(특히 GRU 및 LSTM)는 구조화된 정형 데이터 환경에서도 전통적인 부스팅 방법보다 우수한 재현율을 보이며 소수 파산 클래스를 탐지하는 데 상당한 이점을 제공한다.
2. 리샘플링 전략의 중요성: 단 하나의 "최적의" 리샘플링 방법은 존재하지 않으며, 최적의 선택은 운영 목적에 따라 달라진다. SMOTE-ENN은 파산 기업을 놓치는 것을 최소화하는 것이 우선순위인 조기 경보 시스템에 특히 효과적임이 입증되었다.
3. 해석 가능성 통합: SHAP의 통합을 통해, 본 연구는 모델이 통계적 인위물이 아닌 경제적으로 타당한 신호(수익성 및 레버리지)를 포착하고 있음을 검증하였으며, 이는 고위험 금융 거버넌스에서의 모델 배포를 지원한다.
4. 벤치마킹: 본 연구는 구조화된 재무 비율만을 사용하는 강력한 벤치마크를 구축하였으며, 이는 합의 기반 특징 선택, 하이브리드 리샘플링, 그리고 XAI와 결면될 때 전통적인 회계 데이터가 여전히 매우 유익한 정보를 제공함을 시사한다.

저자들은 본 프레임워크가 해당 분야를 발전시키지만, 향후 연구는 다양한 규제 및 경제 환경 전반에 걸쳐 견고성과 일반화 가능성을 더욱 높이기 위해 다기간 궤적 및 비정형 텍스트 데이터를 통합하는 데 집중해야 한다고 결론지었다.