전문가 지식을 활용한 뉴로-퍼지 모형의 전처리 기법

Abstract

In the past, statistical techniques were used to predict the company bankruptcy but the models using the concept of artificial intelligence have been actively studies since late 1980s. In particular, the neural network has been applied to the field of bankruptcy prediction since the back-propagation algorithm was introduced and is proved through prior studies that the technique has better prediction performance than existing statistical techniques. However, the neural network has very complicated relation among input/output variables and limitations in the analysis of financial data with massive noises. Therefore, it is very important to choose proper pre-process techniques with the features of domains and algorithms. Generally, the linear scaling has been used in the pre-process stage of the neural network but has limitations in mitigating the complicated relations among input/output data by simply converting the range of raw data constantly. To overcome these limitations, the prior studies combined clustering methods and the fuzzy theory which quantitatively express vague objects with mechanical education and groups in the pre-process stage of the neural network, group continuous data and fuzzy discrete groups to mitigate complicated relations among input/output data. However, most pre-processing techniques are prone to sampling errors as they are based on data-driven knowledge. To minimize sampling errors, experts’ actual experience and opinion were used in the pre-processing stage in this study. To this end, the study performed surveys and interviews with experts in the actual management field to establish more sophisticated bankruptcy prediction model, proposes the pre-process technique of the neuro-fuzzy model applying fuzzy figures to learning the neural network model by extracting expert knowledge to fuzzy numbers and establishing the membership functions and verifies the effectiveness through comparing performance to existing pre-process techniques.;기업의 부도를 예측하기 위해 과거에는 통계적 기법을 주로 사용하였으나, 1980년대 후반부터 인공신경망, 퍼지집합 이론, 사례기반추론, 의사결정나무 등의 인공지능 기법을 활용한 모형이 많은 연구자에 의해 활발하게 연구되고 있다. 특히 인공신경망 모형은 역전파(back-propagation) 알고리즘이 제시된 후 부도예측 분야에 응용되기 시작하였고, 기존의 통계적 기법보다 예측성과가 우수한 것으로 선행 연구를 통해 입증된 바 있다. 그러나 인공신경망은 입출력변수 간의 관계가 매우 복잡하고 극심한 잡음이 있는 재무자료의 분석 시에는 그 학습에 한계를 보이는 경우가 있으므로 모형의 성과 향상을 위해서는 도메인 및 알고리즘 특성에 적합한 전처리 기법을 선택하는 것이 매우 중요하다. 일반적으로 인공신경망의 전처리 단계에서는 선형 스케일링(linear scaling)을 사용하고 있으나, 이는 자료의 이상치(outliers)에 매우 민감하고 단순히 원자료 값의 범위를 일정하게 변환하는 방법으로 입출력자료 내의 복잡한 관계를 완화하기에는 한계가 있다. 이러한 한계를 극복하기 위해 선행 연구에서는 다양한 방법론을 제시하고 있는데, 인공신경망의 전처리 단계에 군집화 기법 또는 유전자 알고리즘 등의 기계학습(machine learning) 기법과 소속이 모호한 대상을 정량적으로 표현하는 퍼지집합 이론을 결합하여 연속형 자료를 군집화한 후, 이산화된 집합을 퍼지화(fuzzification) 하는 퍼지 전처리 기법을 사용하여 입출력자료 내의 복잡한 관계를 다소 완화하였다. 그러나 기존 대부분의 전처리 기법은 단순히 자료에 기반을 둔 방법으로 표본오차(sampling error)가 존재할 가능성이 매우 높다. 따라서 전처리 단계에 전문가의 경험과 판단을 반영하는 휴리스틱(heuristic) 접근법을 결합한다면 표본오차의 효과를 완화하여 신경망이 더욱 용이하게 자료 내의 관계를 탐색하게 되어 모형의 예측성과가 향상될 것으로 기대한다. 이에 본 연구에서는 더욱 정교한 부도예측 모형을 구축하기 위해 실제 경영현장의 전문가를 대상으로 설문과 인터뷰를 시행하여 그들의 지식을 퍼지수(fuzzy numbers) 형태로 추출하여 소속함수(membership function)를 구축한 후 퍼지화된 수치를 신경망 모형의 학습에 적용하는 뉴로-퍼지 모형의 전처리 기법을 제시하고, 기존의 전처리 기법과의 성과 비교를 통해 그 유용성을 검증해 보고자 한다.