간단히 오늘 리서치 정리.
1. 회계부정 기업 적발(financial statement fraud detection)
대표님께서 궁금하시다고 해서 회계부정 적발과 관련해 어제, 오늘 간단히 리서치를 해봤는데 요즘 해외에서는 intelligent fraud detection이라고 이쪽에서도 머신러닝, 딥러닝을 적용한 연구가 많다. 전통적으로 머신러닝을 금융에 일찍 적용했던 분야가 대출과정에서 개인의 파산확률 예측이라든지, 신용카드 부정사용 적발 등인걸 고려하면 회계부정 적발에 관련 방법을 쓰는건 자연스러워 보인다. 실제 정확도도 꽤 높은 편인데 머신러닝 기법과 어닝 리포트의 텍스트 분석을 결합했을 때 90% 이상으로 회계부정 기업을 적발.
반면 국내연구에서는 아직 머신러닝을 적용한 논문이 잘 안보인다. 나쁜 기업을 스크리닝 할 때 쓰는 직전 3년 비적정 감사의견, 불성실 공시법인, 횡령, 배임, 영업 적자 등의 기준을 사용한 고전적인 방법도 많다. 그럼 그냥 내가 재무데이터 가지고 적용해볼까 했는데 일단 회계부정 기업 리스트를 머신러닝 돌릴만큼 충분히 구하는게 노가다여서 포기..
국내 사례에서 과거 연구자료들을 종합해보면 회계부정 적발에 영향을 미치는 팩터를 크게 지배구조 변수와 재무변수로 나눌 수 있다. 지배구조변수로 유의미한 팩터는 경영자 급여, 최대주주 지분율, 감사인 교체여부 등인데 내부적으로 관심있던 신성델타테크의 경우 경영자 급여가 부정기업 쪽에 좀 더 가까우나 판단은 애매하고 감사 교체는 없어 전반적으로 지배구조 측면에서 회계부정 가능성은 중립이다.
재무변수로는 차입금 의존도, 이자보상비율이 유의미하고 특히 수익성 지표인 영업이익률, 순이익률, ROA, OCF/TA이 회계부정기업과 정상 기업간의 차이가 크다. 그외 매출액 증가율, 유형자산 회전율, 총자산 회전율이 유의한 팩터인데 신성델타테크는 차입금 의존도가 1분기 40.71%, 2분기 39.62%로 회계부정기업 평균 36%보다 높다. 이자보상비율이나 수익성 관련 지표는 대체로 회계부정기업들은 -를 기록해 신성델타테크는 해당사항 없고 영업현금흐름 측면에서도 중립적이다. 회계부정기업은 정상기업 대비 유형자산 회전율은 높고 총자산 회전율은 낮은 편인데 신성델타테크는 유형자산 회전율이 낮고 총자산 회전율은 보통인 편으로 재무변수측면에서도 차입금 의존도를 제외하면 특별히 회계부정 의심기업이라고 보기 어렵다.
2. Quality Factor의 $-neutral vs. beta-neutral
Quality Factor는 왜 작동하는지 직관적으로 이해하기 어려운 대표적인 팩터다.(이와 관련해 예전에 페이스북에서 요즘 퀀트투자관련 책을 출판하고 무려 강의까지 하는 분과 의견이 대립한 적이 있다. 난 퀀트야말로 팩터가 왜 작동하는지 깊이 고민하고 적용해야 한다고 주장했는데 그분은 퀀트와 데이터마이닝의 차이를 전혀 이해하지 못하시는듯.. 부디 강의할 때 수강생들에게는 그렇게 가르치지 않았으면 좋겠다)
오늘 Quality factor 관련해 재밌는걸 봤는데 Factor research에 따르면 미국에서는 Quality factor의 $-neutral 과 beta-neutral의 차이가 크지 않은데 그외 지역에서는 차이가 꽤 벌어졌다.
결국 risk adjusted 관점에서 high quality가 작동한다는 말인데 합리적인 것 같으면서도 쉽게 와닿지는 않는다. 뭐 결론은 둘 중에 어느걸로 해도 금융위기 때 수익곡선에서 볼 수 있듯이 quality factor는 시장과 상관관계가 낮아 diversification으로는 제격.
1. 회계부정 기업 적발(financial statement fraud detection)
대표님께서 궁금하시다고 해서 회계부정 적발과 관련해 어제, 오늘 간단히 리서치를 해봤는데 요즘 해외에서는 intelligent fraud detection이라고 이쪽에서도 머신러닝, 딥러닝을 적용한 연구가 많다. 전통적으로 머신러닝을 금융에 일찍 적용했던 분야가 대출과정에서 개인의 파산확률 예측이라든지, 신용카드 부정사용 적발 등인걸 고려하면 회계부정 적발에 관련 방법을 쓰는건 자연스러워 보인다. 실제 정확도도 꽤 높은 편인데 머신러닝 기법과 어닝 리포트의 텍스트 분석을 결합했을 때 90% 이상으로 회계부정 기업을 적발.
반면 국내연구에서는 아직 머신러닝을 적용한 논문이 잘 안보인다. 나쁜 기업을 스크리닝 할 때 쓰는 직전 3년 비적정 감사의견, 불성실 공시법인, 횡령, 배임, 영업 적자 등의 기준을 사용한 고전적인 방법도 많다. 그럼 그냥 내가 재무데이터 가지고 적용해볼까 했는데 일단 회계부정 기업 리스트를 머신러닝 돌릴만큼 충분히 구하는게 노가다여서 포기..
국내 사례에서 과거 연구자료들을 종합해보면 회계부정 적발에 영향을 미치는 팩터를 크게 지배구조 변수와 재무변수로 나눌 수 있다. 지배구조변수로 유의미한 팩터는 경영자 급여, 최대주주 지분율, 감사인 교체여부 등인데 내부적으로 관심있던 신성델타테크의 경우 경영자 급여가 부정기업 쪽에 좀 더 가까우나 판단은 애매하고 감사 교체는 없어 전반적으로 지배구조 측면에서 회계부정 가능성은 중립이다.
재무변수로는 차입금 의존도, 이자보상비율이 유의미하고 특히 수익성 지표인 영업이익률, 순이익률, ROA, OCF/TA이 회계부정기업과 정상 기업간의 차이가 크다. 그외 매출액 증가율, 유형자산 회전율, 총자산 회전율이 유의한 팩터인데 신성델타테크는 차입금 의존도가 1분기 40.71%, 2분기 39.62%로 회계부정기업 평균 36%보다 높다. 이자보상비율이나 수익성 관련 지표는 대체로 회계부정기업들은 -를 기록해 신성델타테크는 해당사항 없고 영업현금흐름 측면에서도 중립적이다. 회계부정기업은 정상기업 대비 유형자산 회전율은 높고 총자산 회전율은 낮은 편인데 신성델타테크는 유형자산 회전율이 낮고 총자산 회전율은 보통인 편으로 재무변수측면에서도 차입금 의존도를 제외하면 특별히 회계부정 의심기업이라고 보기 어렵다.
2. Quality Factor의 $-neutral vs. beta-neutral
Quality Factor는 왜 작동하는지 직관적으로 이해하기 어려운 대표적인 팩터다.(이와 관련해 예전에 페이스북에서 요즘 퀀트투자관련 책을 출판하고 무려 강의까지 하는 분과 의견이 대립한 적이 있다. 난 퀀트야말로 팩터가 왜 작동하는지 깊이 고민하고 적용해야 한다고 주장했는데 그분은 퀀트와 데이터마이닝의 차이를 전혀 이해하지 못하시는듯.. 부디 강의할 때 수강생들에게는 그렇게 가르치지 않았으면 좋겠다)
오늘 Quality factor 관련해 재밌는걸 봤는데 Factor research에 따르면 미국에서는 Quality factor의 $-neutral 과 beta-neutral의 차이가 크지 않은데 그외 지역에서는 차이가 꽤 벌어졌다.
결국 risk adjusted 관점에서 high quality가 작동한다는 말인데 합리적인 것 같으면서도 쉽게 와닿지는 않는다. 뭐 결론은 둘 중에 어느걸로 해도 금융위기 때 수익곡선에서 볼 수 있듯이 quality factor는 시장과 상관관계가 낮아 diversification으로는 제격.
