시계열 패턴 기반 신용 부도 예측: 시계열 데이터 불균형 완화 및 딥러닝 적용

초록

현실에는 채무 불이행을 하는 경우는 그렇지 않은 경우보다 훨씬 적어 불균형하다는 문제가 있다. 이러한 데이터 불균형 문제는 예측 모델의 성능 저하를 초래하는 주요 요인으로 작용한다. 본 연구에서는 이와 같은 불균형 문제를 해결하기 위해 시계열 기반의 데이터 증강 기법인 T-SMOTE를 도입한다. T-SMOTE는 전통적인 SMOTE와 달리, 시계열 데이터의 연속성을 반영하여 경계에 가까운 샘플을 생성함으로써 예측 모델의 성능을 향상시킬 수 있다. 그러나 기존 T-SMOTE는 짧은 시계열에 대해서는 해결하지 못한다는 단점이 있었는데, 이를 Zero-Padding기법을 적용함으로써 해결하였다. 아메리칸 익스프레스에서 제공된 데이터를 통해 비교 실험한 결과, T-SMOTE 기법이 데이터 불균형 문제 완화에 있어 우수한 성능을 나타냈다. 이러한 연구 결과는 발전된 데이터 증강 기술이 금융 산업에서 신용 리스크 관리의 새로운 가능성을 보여준다.

키워드