부도가 적으면 대부분을 정상으로 분류해도 전체 정확도가 높아질 수 있다. 연구는 2014~2024년 중국 회사채 자료에 드문 부도사례와 비슷한 합성표본을 추가하는 SMOTE로 소수집단을 보완하고 LightGBM을 학습한다. NSGA-II는 여러 성능목표를 함께 튜닝하고 SHAP은 변수기여를 읽는 단계다.
평균 정확도는 82.88%, 실제 부도를 잡은 비율인 TPR은 93.54%였다. 부도 직전 한 분기 자료에서 각각 86.43%, 93.80%로 가장 높았다. 가까운 시점의 정보가 강했다는 결과와 미리 경보할 수 있는 기간은 구분해야 한다.
현금자산비율이 가장 중요했고 0.05 미만 구간에서 위험이 높아졌다. 이 관계는 모형의 기여도 분석이지 현금비율의 인과효과나 보편적 임계값은 아니다. 국내에서는 실제 발표시점과 소수표본 합성의 누출을 통제하고 오탐·탐지시점·비용도 함께 평가해야 한다.
SCOPE중국 표본의 분류 결과다. 기여도와 인과효과를 구분하고 임계값을 국내에 그대로 적용하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
희소한 부도사건을 학습하는 파이프라인0 primary · 12 archived +
These 12 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
구분: Computational Economics · Credit Default / LightGBM + SMOTE + NSGA-II + SHAP
발표일: 2026년 2월 17일
선정: 최신성보다 한국 회사채 credit-risk engine에 직접 적용 가능한 기술적 가치 때문에 선정
핵심 요약
이 연구는 2014~2024년 중국 회사채 default 데이터를 사용해 SMOTE → LightGBM → NSGA-II hyperparameter optimization → SHAP interpretation이라는 명확한 credit-risk pipeline을 설계했다. default가 희소한 class imbalance를 SMOTE로 보정하고, LightGBM을 classifier로 사용한 뒤 NSGA-II로 여러 성능목표를 동시에 최적화한다. Springer 원문
제안 모델의 평균 classification accuracy는 82.88%, 평균 TPR은 **93.54%**였고, default 직전 한 분기 데이터에서는 accuracy가 86.43%, TPR이 **93.80%**로 가장 높았다.
SHAP 기준 가장 중요한 default predictor는 Cash Asset Ratio였고, CAR이 0.05 미만인 구간에서 default risk가 높아지는 패턴을 보고한다. Total Asset Ratio, return-related 변수, Equity Multiplier 등도 주요 설명요인으로 나타났다.
채권 리스크관리 시사점
여기서는 target 설계가 중요하다.
회사채 AI를:
spread return prediction
하나만 두기보다 별도로:
P(default | next quarter)
를 만드는 것이 좋다.
그리고 이 값이 단순 credit-screening용이 아니라:
Expected return
− Expected default loss
− Expected liquidity cost
에 직접 들어가야 한다.
또 실제 default sample은 극도로 적기 때문에 accuracy 자체를 보는 것은 위험하다.
예를 들어 99%가 정상채라면:
모두 정상이라고 예측
해도 99% accuracy가 나온다.
따라서 실무에서는:
- Recall / TPR
- Precision
- False-negative rate
- PR-AUC
가 더 중요하다.
한국시장 복제 아이디어
국내 회사채 Early Warning Model을 만든다면:
Structured data
- leverage
- cash ratio
- interest coverage
- FCF
- 단기차입금
- maturity wall
Market data
- 민평 대비 spread
- peer residual
- 거래빈도
- equity vol
Text
- 신평사 outlook
- Watchlist
- 감사보고서
- issuer 공시
를 결합한다.
출력은:
P(downgrade 6M)
P(Watchlist 6M)
P(default / restructuring 12M)
으로 여러 horizon을 나누는 편이 실용적이다.
실무 적용 우선순위: ★★★★★