• 중소기업연구
• /
• 제31권1호
• /
• pp.73-88
• /
• 2009

본 연구는 우리나라 대표적인 강소기업들을 대상으로 심층적 사례조사를 실시하여 새로운 비즈니스 영역의 창출에 필요한 정책적 과제를 도출하고자 했다. 이를 통해 경제 구조적전환기에 금융위기가 가중된 경영환경 속에서 과연 중소기업들이 어떻게 신시장을 개척하고 신성장동력을 지속적으로 유지할 수 있는지에 관해 답변해보고자 했다. 24개 강소기업들에 관한 심층적 전략분석을 토대로 이들의 성공유형과 잠재된 실패요인(성공함정)들을 조사했으며, 그 결과 한국 강소기업의 8가지 유형을 제시했다. 또한 이들의 생존비결과 그에 따른 문제점을 살펴봄으로써 향후 지속적인 경쟁력 유지를 위해 고려해야 할 당면과제들을 도출했다. 이러한 조사결과들을 토대로 우리나라 강소기업들이 신성장동력을 지속적으로 확보하기 위한 전략대안과 정책적 지원방안에 관해서 논의하였다. 이와 함께 '저탄소 녹색성장'의 국가비전에 대해서도 중소기업을 위한 기회창출이라는 차원에서 논의하였다.

• 벤처창업연구
• /
• 제18권1호
• /
• pp.173-188
• /
• 2023

본 연구는 예비유니콘 선정기업을 대상으로 선정시점에 대한 이익조정을 분석하였다. 경영자는 예비 유니콘기업에 선정되면 최대 200억원에 달하는 금융지원을 받을 수 있어 이익조정의 유인이 생긴다. 경영자에게 이익조정의 동기에는 자본시장과 관련된 동기가 있는데 회계정보는 투자자와 재무분석가에게 이용이 되고 기업의 이익은 기업가치에 영향을 주고 있다. 따라서 회계 이익을 상향으로 조정하면 기업가치가 상향되어 투자조건이 유리하게 된다. 본 연구에서는 이익의 질은 대체적인 발생액 예측모형을 이용하여 추정된 재량적 발생액 중에서 Dechow et al.(1995)에 의한 수정 Jones모형 및 Kothari et al.(2005)에 의한 성과대응모형으로 측정하였다. 선정기업과 동일시장에서 경쟁할 것을 예상되는 유사한 대응기업을 구성하여 재량적발생액을 상호 비교하여 연구가설을 검증하고 선정기업만을 대상으로 심사년도와 심사년도 이후를 분석하였다. 분석 결과 예비유니콘 선정기업이 대응기업과 비교하여 이익조정이 높은 것으로 나타나서 회계 이익의 질에 부정적인 영향을 주는 것을 알 수 있었다. 그리고 선행연구에서와 다르게 선정후에도 이익의 질이 낮은 것으로 나타나서 예비유니콘 선정기업은 선정 후에도 경영자의 이익조정의 유인이 계속 지속되는 것을 알 수 있었다. 본 연구를 통해 예비유니콘 선정기업은 기업의 내부 성장보다는 기업의 외형 성장을 통해 시장에서의 가치를 인정받아서 외부 투자자로부터 유리한 조건의 투자를 유치하기 위한 경영자에게 이익조정의 유인이 지속되고 있는 것으로 분석되었으며 향후 예비유니콘 선정평가에서 회계 이익의 질에 대한 검토가 필요한 것을 제시할 수 있었다. 본 연구의 시사점은 경영자의 이익조정 유인이 결국 투자자나 채권자로 하여금 회계정보의 신뢰성을 판단하는데 저해가 되고 있어 이러한 경영자의 이익조정에 대한 것을 감안하여 예비유니콘기업 선정평가에 있어서 회계정보의 투명성과 신뢰성을 높이는 K-유니콘 프로젝트의 정책대안으로 재량적발생액을 통한 이익의 질에 대한 평가를 반영하여 이익조정을 예방할 것을 시사하고 있다.

• 경영정보학연구
• /
• 제16권3호
• /
• pp.161-177
• /
• 2014

기업신용등급은 금융시장의 신뢰를 구축하고 거래를 활성화하는데 있어 매우 중요한 요소로서, 오래 전부터 학계에서는 보다 정확한 기업신용등급 예측을 가능케 하는 다양한 모형들을 연구해 왔다. 구체적으로 다중판별분석(Multiple Discriminant Analysis, MDA)이나 다항 로지스틱 회귀분석(multinomial logistic regression analysis, MLOGIT)과 같은 통계기법을 비롯해, 인공신경망(Artificial Neural Networks, ANN), 사례기반추론(Case-based Reasoning, CBR), 그리고 다분류 문제해결을 위해 확장된 다분류 Support Vector Machines(Multiclass SVM)에 이르기까지 다양한 기법들이 학자들에 의해 적용되었는데, 최근의 연구결과들에 따르면 이 중에서도 다분류 SVM이 가장 우수한 예측성과를 보이고 있는 것으로 보고되고 있다. 본 연구에서는 이러한 다분류 SVM의 성능을 한 단계 더 개선하기 위한 대안으로 유전자 알고리즘(GA, Genetic Algorithm)을 활용한 최적화 모형을 제안한다. 구체적으로 본 연구의 제안모형은 유전자 알고리즘을 활용해 다분류 SVM에 적용되어야 할 최적의 커널 함수 파라미터값들과 최적의 입력변수 집합(feature subset)을 탐색하도록 설계되었다. 실제 데이터셋을 활용해 제안모형을 적용해 본 결과, MDA나 MLOGIT, CBR, ANN과 같은 기존 인공지능/데이터마이닝 기법들은 물론 지금까지 가장 우수한 예측성과를 보이는 것으로 알려져 있던 전통적인 다분류 SVM 보다도 제안모형이 더 우수한 예측성과를 보임을 확인할 수 있었다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.107-122
• /
• 2017

주식시장의 주가 수익률에 나타나는 변동성은 투자 위험의 척도로서 재무관리의 이론적 모형에서뿐만 아니라 포트폴리오 최적화, 증권의 가격 평가 및 위험관리 등 투자 실무 영역에서도 매우 중요한 역할을 하고 있다. 변동성은 주가 수익률이 평균을 중심으로 얼마나 큰 폭의 움직임을 보이는가를 판단하는 지표로서 보통 수익률의 표준편차로 측정한다. 관찰 가능한 표준편차는 과거의 주가 움직임에서 측정되는 역사적 변동성(historical volatility)이다. 역사적 변동성이 미래의 주가 수익률의 변동성을 예측하려면 변동성이 시간 불변적(time-invariant)이어야 한다. 그러나 대부분의 변동성 연구들은 변동성이 시간 가변적(time-variant)임을 보여주고 있다. 이에 따라 시간 가변적 변동성을 예측하기 위한 여러 계량 모형들이 제안되었다. Engle(1982)은 변동성의 시간 가변적 특성을 잘 반영하는 변동성 모형인 Autoregressive Conditional Heteroscedasticity(ARCH)를 제안하였으며, Bollerslev(1986) 등은 일반화된 ARCH(GARCH) 모형으로 발전시켰다. GARCH 모형의 실증 분석 연구들은 실제 증권 수익률에 나타나는 두터운 꼬리 분포 특성과 변동성의 군집현상(clustering)을 잘 설명하고 있다. 일반적으로 GARCH 모형의 모수는 가우스분포로부터 추출된 자료에서 최적의 성과를 보이는 로그우도함수에 대한 최우도추정법에 의하여 추정되고 있다. 그러나 1987년 소위 블랙먼데이 이후 주식 시장은 점점 더 복잡해지고 시장 변수들이 많은 잡음(noise)을 띠게 됨에 따라 변수의 분포에 대한 엄격한 가정을 요구하는 최우도추정법의 대안으로 인공지능모형에 대한 관심이 커지고 있다. 본 연구에서는 주식 시장의 주가 수익률에 나타나는 변동성의 예측 모형인 GARCH 모형의 모수추정방법으로 지능형 시스템인 Support Vector Regression 방법을 제안한다. SVR은 Vapnik에 의해 제안된 Support Vector Machines와 같은 원리를 회귀분석으로 확장한 모형으로서 Vapnik의 e-insensitive loss function을 이용하여 비선형 회귀식의 추정이 가능해졌다. SVM을 이용한 회귀식 SVR은 두터운 꼬리 분포를 보이는 주식시장의 변동성과 같은 관찰치에서도 우수한 추정 성능을 보인다. 2차 손실함수를 사용하는 기존의 최소자승법은 부최적해로서 추정 오차가 확대될 수 있다. Vapnik의 손실함수에서는 입실론 범위내의 예측 오차는 무시하고 큰 예측 오차만 손실로 처리하기 때문에 구조적 위험의 최소화를 추구하게 된다. 금융 시계열 자료를 분석한 많은 연구들은 SVR의 우수성을 보여주고 있다. 본 연구에서는 주가 변동성의 분석 대상으로서 KOSPI 200 주가지수를 사용한다. KOSPI 200 주가지수는 한국거래소에 상장된 우량주 중 거래가 활발하고 업종을 대표하는 200 종목으로 구성된 업종 대표주들의 포트폴리오이다. 분석 기간은 2010년부터 2015년까지의 6년 동안이며, 거래일의 일별 주가지수 종가 자료를 사용하였고 수익률 계산은 주가지수의 로그 차분값으로 정의하였다. KOSPI 200 주가지수의 일별 수익률 자료의 실증분석을 통해 기존의 Maximum Likelihood Estimation 방법과 본 논문이 제안하는 지능형 변동성 예측 모형의 예측성과를 비교하였다. 주가지수 수익률의 일별 자료 중 학습구간에서 대칭 GARCH 모형과 E-GARCH, GJR-GARCH와 같은 비대칭 GARCH 모형에 대하여 모수를 추정하고, 검증 구간 데이터에서 변동성 예측의 성과를 비교하였다. 전체 분석기간 1,487일 중 학습 기간은 1,187일, 검증 기간은 300일 이다. MLE 추정 방법의 실증분석 결과는 기존의 많은 연구들과 비슷한 결과를 보여주고 있다. 잔차의 분포는 정규분포보다는 Student t분포의 경우 더 우수한 모형 추정 성과를 보여주고 있어, 주가 수익률의 비정규성이 잘 반영되고 있다고 할 수 있다. MSE 기준으로, SVR 추정의 변동성 예측에서는 polynomial 커널함수를 제외하고 linear, radial 커널함수에서 MLE 보다 우수한 예측 성과를 보여주었다. DA 지표에서는 radial 커널함수를 사용한 SVR 기반의 지능형 GARCH 모형이 가장 우수한 변동성의 변화 방향에 대한 방향성 예측력을 보여주었다. 추정된 지능형 변동성 모형을 이용하여 예측된 주식 시장의 변동성 정보가 경제적 의미를 갖는지를 검토하기 위하여 지능형 변동성 거래 전략을 도출하였다. 지능형 변동성 거래 전략 IVTS의 진입규칙은 내일의 변동성이 증가할 것으로 예측되면 변동성을 매수하고 반대로 변동성의 감소가 예상되면 변동성을 매도하는 전략이다. 만약 변동성의 변화 방향이 전일과 동일하다면 기존의 변동성 매수/매도 포지션을 유지한다. 전체적으로 SVR 기반의 GARCH 모형의 투자 성과가 MLE 기반의 GARCH 모형의 투자 성과보다 높게 나타나고 있다. E-GARCH, GJR-GARCH 모형의 경우는 MLE 기반의 GARCH 모형을 이용한 IVTS 전략은 손실이 나지만 SVR 기반의 GARCH 모형을 이용한 IVTS 전략은 수익으로 나타나고 있다. SVR 커널함수에서는 선형 커널함수가 더 좋은 투자 성과를 보여주고 있다. 선형 커널함수의 경우 투자 수익률이 +526.4%를 기록하고 있다. SVR 기반의 GARCH 모형을 이용하는 IVTS 전략의 경우 승률도 51.88%부터 59.7% 사이로 높게 나타나고 있다. 옵션을 이용하는 변동성 매도전략은 방향성 거래전략과 달리 하락할 것으로 예측된 변동성의 예측 방향이 틀려 변동성이 소폭 상승하거나 변동성이 하락하지 않고 제자리에 있더라도 옵션의 시간가치 요인 때문에 전체적으로 수익이 실현될 수도 있다. 정확한 변동성의 예측은 자산의 가격 결정뿐만 아니라 실제 투자에서도 높은 수익률을 얻을 수 있기 때문에 다양한 형태의 인공신경망을 활용하여 더 나은 예측성과를 보이는 변동성 예측 모형을 개발한다면 주식시장의 투자자들에게 좋은 투자 정보를 제공하게 될 것이다.