신경망 및 서포트 벡터 머신을 이용한 금융 의사결정 지원

초록: 파산 예측과 신용 점수는 금융 의사결정 지원에 직면한 두 가지 중요한 문제입니다. 다층 퍼셉트론(MLP) 네트워크는 이러한 문제에 대한 적용 가능성을 보여주었으며, 성능은 일반적으로 다른 전통적인 통계 모델보다 우수합니다. 서포트 벡터 머신(SVM)은 핵심 머신 러닝 기술이며, MLP와의 비교 기준으로 사용되었습니다. 그러나 문헌에서 SVM의 성능은 충분한 데이터 세트가 고려되지 않고, 다양한 커널 함수가 SVM을 훈련시키는 데 사용되기 때문에 완전히 이해되지 않습니다. 본 논문에서는 네 개의 공개 데이터 세트를 사용합니다. 특히, SVM의 성능을 검토하고 완전히 이해하기 위해 각 네 개의 데이터 세트에서 세 가지 다른 크기의 훈련 및 테스트 데이터(즉, 3:7, 1:1 및 7:3)를 고려합니다. SVM 모델 구성에는 선형, 방사형 기저 함수 및 다항식 커널 함수가 사용됩니다. MLP를 기준으로 사용했을 때, SVM 분류기는 네 개 데이터 세트 중 하나에서만 더 나은 성능을 나타냅니다. 반면, MLP 및 SVM 분류기의 예측 결과는 세 가지 다른 크기의 훈련 및 테스트 데이터에 대해 유의미하게 차이가 없었습니다.