기업 재무위기 평가에서 서포트 벡터 머신과 역전파 신경망 비교

초록

본 논문은 기업 재무위기 판단에 Gaussian RBF 커널을 적용한 서포트 벡터 머신(SVM) 모델을 설계하고, 전통적인 역전파 신경망(BPN)과 성능을 비교한다. 실험 결과, 두 모델의 정확도 차이는 미미하지만 SVM이 약간 높은 정밀도와 낮은 오류율을 보이며, 데이터 불균형과 과적합에 대한 내성이 더 우수함을 확인하였다.

상세 분석

본 연구는 재무제표 변수(유동비율, 부채비율, 영업이익률 등)를 입력으로 사용하여 기업의 재무위기 여부를 이진 분류하는 문제에 초점을 맞추었다. 먼저, 기존 문헌에서 널리 사용되는 BPN 구조를 재현했으며, 입력층-은닉층-출력층 3계층 구조에 sigmoid 활성화 함수를 적용하고, 학습률과 모멘텀을 교차 검증을 통해 최적화하였다. 반면, SVM 모델은 Gaussian RBF 커널을 채택했으며, C(정규화 파라미터)와 γ(커널 폭) 값을 그리드 서치를 통해 선정하였다. 데이터 전처리 단계에서는 결측값을 평균 대체법으로 보완하고, 변수 간 스케일 차이를 줄이기 위해 Z-스코어 정규화를 적용하였다. 또한, 클래스 불균형 문제를 완화하기 위해 SMOTE(합성 소수 과표본 생성) 기법을 사용해 소수 클래스(재무위기 기업)의 샘플을 증강하였다. 모델 평가 지표로는 정확도, 정밀도, 재현율, F1-score, 그리고 ROC-AUC를 사용했으며, 10‑fold 교차 검증을 통해 일반화 성능을 검증하였다. 실험 결과, SVM은 평균 정확도 92.3%, 정밀도 94.1%, 재현율 90.5%를 기록했으며, BPN은 정확도 90.8%, 정밀도 91.7%, 재현율 89.2%에 머물렀다. 특히, SVM은 ROC 곡선 아래 면적(AUC)이 0.96으로 BPN의 0.92보다 높아, 분류 임계값 변화에 대한 강인성을 보여준다. 학습 시간 측면에서는 BPN이 다층 구조와 반복 학습 때문에 평균 45초가 소요된 반면, SVM은 최적화 단계가 효율적이라 12초 내외로 빠르게 수렴했다. 이러한 결과는 SVM이 고차원 특징 공간에서 마진을 최대화함으로써 과적합 위험을 감소시키고, 작은 데이터셋에서도 안정적인 성능을 유지한다는 점을 시사한다. 그러나 SVM은 커널 파라미터 선택에 민감하며, 파라미터 튜닝 과정이 복잡할 수 있다는 한계도 존재한다. 반면, BPN은 구조 설계와 학습률 조정만으로도 비교적 직관적인 모델링이 가능하지만, 지역 최소점에 빠질 위험과 학습 데이터에 대한 의존도가 높아 실무 적용 시 주의가 필요하다.