When Validation Defines Abnormality: Prediction Targets in Bayesian Accrual Measurement
본 논문은 군집된 종단적 설정에서 예측 검증 대상(개별 기업-연도 또는 전체 기업)의 선택이 기업 특이적 벤치마크와 모집단 수준의 벤치마크 사이의 베이지안 모델 선택 가중치를 변화시킴으로써 잔차 기반 대리 변수의 참조 틀을 근본적으로 바꾸고, 결과적으로 이상 행동의 분류를 실질적으로 변경한다는 점을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
회계의 세계에서 숫자는 기업이 어떻게 운영되고 있는지를 보여주는 이야기를 들려주지만, 모든 숫자가 직접적인 관찰값인 것은 아닙니다. 어떤 수치들은 일상적인 것과 이례적인 것을 구분하기 위해 계산된 추정치입니다. 한 회사의 전체 재무 활동을 하나의 강물이라고 상상해 보십시오. 대부분의 물은 매출, 비용, 투자의 표준적인 흐름에 의해 예측 가능한 방식으로 흐릅니다. 이 예측 가능한 흐름이 전문가들이 말하는 "정상적인" 행동입니다. 그러나 때때로 강물은 현재의 흐름과 맞지 않는 방식으로 불어나거나 줄어들기도 합니다. 이러한 편차를 "비정상적" 활동이라고 부릅니다. 재무 연구에서 이러한 비정상적 편차는 종종 단서로 취급됩니다. 이는 기업이 무언가를 숨기고 있거나, 보고서를 조작하고 있거나, 혹은 표준 모델로는 설명할 수 없는 독특한 경제적 충격에 직면해 있음을 시사할 수 있습니다. 이러한 단서를 찾기 위해 연구자들은 먼저 정상적인 흐름이 어떠해야 하는지를 예측하는 모델을 구축합니다. 그 예측 후에 남겨진 나머지는 "잔차(residual)"이며, 이는 비정상성을 나타내는 남겨진 조각입니다.
문제는 "정상"의 정의가 고정되어 있지 않다는 점입니다. 연구자마다 기업의 정상적인 행동을 계산하기 위해 서로 다른 공식을 사용합니다. 어떤 공식은 현금 흐름과 이익의 관계에 집중하는 반면, 다른 공식은 자산이 시간에 따라 어떻게 변하는지를 살펴봅니다. 단일한 정답 공식이 없기 때문에, 연구자들은 종종 다양한 모델을 시도하고 데이터가 미래를 가장 잘 예측하는 것이 무엇인지 결정하도록 합니다. 그들은 모델이 다음에 일어날 일을 정확하게 맞출 수 있는지 확인하기 위해 과거 데이터를 통해 모델을 테스트하는 "검증(validation)"이라는 방법을 사용합니다. 만약 모델이 예측을 잘 해낸다면, 더 높은 점수를 받게 되고 더 신뢰받게 됩니다. 하지만 최적의 모델을 선택하는 이 과정은 특정 규칙에 의존합니다. 즉, 우리가 정확히 무엇을 예측하려는 것인가 하는 점입니다. 이미 알고 있는 특정 기업의 다음 해를 예측하려는 것입니까, 아니면 한 번도 본 적 없는 완전히 새로운 기업의 미래를 예측하려는 것입니까? 우리가 누구를 위해 예측하는지에 대한 이 사소해 보이는 선택이 "비정상성"에 대한 전체 정의를 바꾸어 놓습니다.
호찌민 산업대학교의 콴 팜(Quan Pham)이 진행한 최근 연구는 바로 이 질문을 조사합니다. 연구자는 2015년부터 2024년 사이 베트남 증권 거래소에 상장된 568개 기업의 수천 건의 연간 재무 보고서를 살펴보았습니다. 연구의 목표는 예측 모델을 테스트하는 규칙이 실제로 비정상적 행동의 최종 측정치를 변화시키는지 확인하는 것이었습니다. 이를 위해 연구는 여러 가지 회계 모델을 하나의 가중 평균으로 결합하는 "베이지안 스태킹(Bayesian stacking)"이라는 정교한 기법을 사용했습니다. 단순히 하나의 "최고" 모델을 선택하는 대신, 이 방법은 테스트 기간 동안 얼마나 잘 수행되었는지에 따라 각 모델에 가중치를 부여합니다. 핵심 실험은 테스트 중에 숨길 데이터의 규칙만을 변경하여 동일한 테스트를 두 번 실행하는 것이었습니다. 첫 번째 시나리오에서는 특정 기업의 데이터 중 단 1년치만 숨기고 나머지 모든 연도의 데이터는 보이게 했습니다. 이는 익숙한 친구의 다음 단계를 예측하는 것을 시뮬레이션합니다. 두 번째 시나리오에서는 특정 기업의 모든 연도 데이터를 숨겼으며, 이는 기록이 전혀 없는 낯선 사람에 대한 예측을 시뮬레이션합니다.
결과는 어떤 규칙을 사용했느냐에 따라 모델의 가중치가 극적으로 변화함을 보여주었습니다. 테스트가 모델에게 기업의 과거 이력을 볼 수 있게 허용했을 때(익숙한 친구를 예측할 때), 시스템은 특정 "기업 효과(firm effect)"를 포함하는 모델을 강력하게 선호했습니다. 이는 특정 경영 스타일이나 장기적인 사업 구조와 같이 단일 기업의 독특하고 지속적인 특성을 포착하는 통계적 특징입니다. 이 시나리오에서 이러한 기업 특화 모델은 전체 가중치의 약 59~62%를 차지했습니다. 그러나 테스트가 기업의 전체 이력을 숨겼을 때(낯선 사람을 예측할 때), 시스템은 이러한 기업 특화 모델을 거의 완전히 무시했습니다. 대신, 일반적인 인구 수준의 모델, 즉 평균적인 기업이 어떻게 행동하는지를 설명하는 모델로 신뢰를 옮겼습니다. 이 경우 기업 특화 모델의 가중치는 4% 미만으로 떨어졌습니다. 연구는 컴퓨터 시뮬레이션을 통해 이러한 변화가 무작위적인 노이즈나 수학적 오류가 아님을 확인했습니다. 그것은 데이터 구조에 대한 직접적인 반응이었습니다. 기업의 독특한 이력이 사용 가능할 때 최적의 예측 모델은 이를 사용하며, 그 이력이 사라지면 최적의 예측 모델은 평균에 의존합니다.
이러한 신뢰의 재배분은 직접적이고 측정 가능한 영향을 미쳤습니다. 연구는 두 방법 모두 기업의 순위는 어느 정도 유사하게 유지된다는 것을 발견했습니다. 즉, 한 방법에서 높게 나타난 기업은 다른 방법에서도 대체로 높게 나타났습니다. 그러나 가장 극단적인 이상치를 식별한 구체적인 기업들은 크게 달랐습니다. 가장 "비정상적"인 활동을 보인 상위 5% 기업을 살펴볼 때, 두 방법이 일치하는 경우는 약 6569%에 불과했습니다. 이는 한 방법에서 매우 비정상적인 것으로 분류된 기업 3곳 중 약 1곳은 다른 방법에 의해 분류되지 않았음을 의미합니다. 예측의 불확실성을 고려하여 수치를 조정했을 때 이 차이는 더욱 뚜렷해졌습니다. 그 경우 상위 5%에 대한 일치도는 3742% 사이로 떨어졌습니다. 본질적으로, 검증 규칙의 선택은 서로 다른 기업 집합을 문 너머로 통과시키는 필터 역할을 했습니다.
연구는 또한 이러한 서로 다른 기업 집합이 실제로 현실 세계의 행동에서도 차이가 있는지 확인했습니다. 연구 결과, "익숙한 친구" 방식에 의해서만 비정상적이라고 식별된 기업들은 향후 이익과 자산 수익률이 낮은 경향이 있었습니다. 반면, "낯선 사람" 방식에 의해서만 비정상적이라고 식별된 기업들은 향후 현금 흐름과 이익이 높은 경향이 있었습니다. 이는 두 방법이 단순히 동일한 기업을 다르게 라벨링하는 것이 아니라, 실제로 서로 다른 경제적 실체를 포착하고 있음을 시사합니다. 한 방법은 기업 자체의 과거 패턴으로부터의 이탈을 포착하도록 조정되어 있고, 다른 방법은 일반적인 시장 평균으로부터의 이탈을 포착하도록 조정되어 있습니다.
결론은 비정상성을 측정하는 도구는 중립적이지 않다는 것입니다. 예측 모델을 테스트하기 위해 선택된 규칙은 측정 자체의 일부가 됩니다. 만약 연구자가 기업이 자신의 과거와 비교하여 비정상적으로 행동하고 있는지를 알고 싶다면, 기업의 이력을 보이게 하는 검증 규칙을 사용해야 합니다. 만약 기업이 세상의 나머지 부분과 비교하여 특이한지를 알고 싶다면, 그 이력을 숨기는 규칙을 사용해야 합니다. 이 연구는 어느 한 방법이 더 우월하다고 선언하지 않습니다. 대신, "비정상성"의 정의는 유연하며 전적으로 던져진 질문에 달려 있다는 것을 보여줍니다. 위험을 스크리닝하거나, 연구 샘플을 선정하거나, 재무 보고를 조사하기 위해 이러한 측정치를 사용하는 사람들에게 있어, 검증 규칙의 선택은 단순한 기술적 세부 사항이 아닙니다. 그것은 어떤 기업이 이상치로 보일지, 그리고 어떤 기업이 정상으로 보일지를 결정하는 측정 설계의 근본적인 부분입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.