• 한국산학기술학회논문지
• /
• 제18권1호
• /
• pp.231-237
• /
• 2017

2000년대 중반 이후 우리나라에서도 기업의 자발적 공시활동의 중요성이 증대되면서 이와 관련한 기업의 활동이 활발해지고 있으며 관련 연구도 지속적으로 이뤄지고 있다. 이에 본 연구에서는 이러한 추세를 반영하여 자발적 정보공시와 유효법인세율 간의 관련성을 조세회피 측면에서 실증적으로 검증하였다. 이를 위해 자발적 정보공시의 대리변수(proxy)는 기업설명회(IR, Investor Relation)를 활용하였으며, 유효법인세율(Effective Corporate Tax Rate)을 조세회피의 대리변수로 활용하였다. 연구표본은 한국채택국제회계기준(K-IFRS)가 의무적으로 도입된 2011년부터 2014년까지의 12월 결산 유가증권 상장기업 1,396개 기업연도이다. 실증분석 결과, 자발적 정보공시와 유효법인세율은 양(+)의 관련성을 나타냈다. 이러한 결과는 추가적인 유효법인세율 측정치를 활용한 분석에서도 동일하게 나타났다. 이는 외부에 자발적으로 정보를 공시하는 기업일수록 시장의 반응을 중시하여 상대적으로 우수한 회계정보를 산출함으로써 상대적으로 조세회피 수준이 낮은 (유효법인세율이 높은) 건전한 경영성과를 보고하는 것으로 기대할 수 있다. 본 연구는 기업의 자발적 정보공시활동(IR)이 기업의 조세회피 수준에 미치는 긍정적인 영향을 대표적인 조세회피 대리변수인 유효법인세율을 통해 검증함으로써, 좀 더 높은 공시수준을 가진 기업들에 대한 좋은 신호(good signal)를 투자자들에게 제공할 것으로 기대할 수 있다. 이를 통해 본 연구가 건전한 자본시장의 발전에 도움이 되기를 기대한다.

• 문화기술의 융합
• /
• 제8권5호
• /
• pp.697-703
• /
• 2022

최근 Covid-19 및 불안한 국제정세로 인한 경기 침체로 많은 투자자들이 투자의 한 수단으로써 파생상품시장을 선택하고 있다. 하지만 파생상품시장은 주식시장에 비해 큰 위험성을 가지고 있으며, 시장 참여자들의 시장에 대한 연구 역시 부족한 실정이다. 최근 인공지능 분야의 발달로 파생상품시장에서도 기계학습이 많이 활용되고 있다. 본 논문은 해외선물에 분 단위로 거래하는 스캘핑 거래의 분석을 위해 기계학습 기법 중 하나인 강화학습을 적용하였다. 데이터 세트는 증권사에서 거래되는 해외선물 상품들 중 4개 상품을 선정해, 6개월간 1분봉 및 3분봉 데이터의 종가, 이동평균선 및 볼린저 밴드 지표들을 이용한 21개의 속성으로 구성하였다. 실험에는 DNN 인공신경망 모델과 강화학습 알고리즘인 DQN(Deep Q-Network), A2C(Advantage Actor Critic), A3C(Asynchronous A2C)를 사용하고, 학습 데이터 세트와 테스트 데이터 세트를 통해 학습 및 검증 하였다. 에이전트는 스캘핑을 위해 매수, 매도 중 하나의 행동을 선택하며, 행동 결과에 따른 포트폴리오 가치의 비율을 보상으로 한다. 실험 결과 에너지 섹터 상품(Heating Oil 및 Crude Oil)이 지수 섹터 상품(Mini Russell 2000 및 Hang Seng Index)에 비해 상대적으로 높은 누적 수익을 보여 주었다.

• 지능정보연구
• /
• 제26권2호
• /
• pp.105-129
• /
• 2020

본 연구는 부도위험 예측을 위해 K-IFRS가 본격적으로 적용된 2012년부터 2018년까지의 기업데이터를 이용한다. 부도위험의 학습을 위해, 기존의 대부분 선행연구들이 부도발생 여부를 기준으로 사용했던 것과 다르게, 본 연구에서는 머튼 모형을 토대로 각 기업의 시가총액과 주가 변동성을 이용하여 부도위험을 산정했으며, 이를 통해 기존 방법론의 한계로 지적되어오던 부도사건 희소성에 따른 데이터 불균형 문제와 정상기업 내에서 존재하는 부도위험 차이 반영 문제를 해소할 수 있도록 하였다. 또한, 시장의 평가가 반영된 시가총액 및 주가 변동성을 기반으로 부도위험을 도출하되, 부도위험과 매칭될 입력데이터로는 비상장 기업에서 활용될 수 있는 기업 정보만을 활용하여 학습을 수행함으로써, 포스트 팬데믹 시대에서 주가 정보가 존재하지 않는 비상장 기업에게도 시장의 판단을 모사하여 부도위험을 적절하게 도출할 수 있도록 하였다. 기업의 부도위험 정보가 시장에서 매우 광범위하게 활용되고 있고, 부도위험 차이에 대한 민감도가 높다는 점에서 부도위험 산출 시 안정적이고 신뢰성 높은 평가방법론이 요구된다. 최근 머신러닝을 활용하여 기업의 부도위험을 예측하는 연구가 활발하게 이루어지고 있으나, 대부분 단일 모델을 기반으로 예측을 수행한다는 점에서 필연적인 모델 편향 문제가 존재하고, 이는 실무에서 활용하기 어려운 요인으로 작용하고 있다. 이에, 본 연구에서는 다양한 머신러닝 모델을 서브모델로 하는 스태킹 앙상블 기법을 활용하여 개별 모델이 갖는 편향을 경감시킬 수 있도록 하였다. 이를 통해 부도위험과 다양한 기업정보들 간의 복잡한 비선형적 관계들을 포착할 수 있으며, 산출에 소요되는 시간이 적다는 머신러닝 기반 부도위험 예측모델의 장점을 극대화할 수 있다. 본 연구가 기존 머신러닝 기반 모델의 한계를 극복 및 개선함으로써 실무에서의 활용도를 높일 수 있는 자료로 활용되기를 바라며, 머신러닝 기반 부도위험 예측 모형의 도입 기준 정립 및 정책적 활용에도 기여할 수 있기를 희망한다.

• 벤처창업연구
• /
• 제14권2호
• /
• pp.1-13
• /
• 2019

새롭고 혁신적인 기술을 확보하기 위한 방안으로 많은 기업들은 기술력 있는 스타트업에 투자를 하고 인수하여 왔다. 스타트업들은 일반적으로 규모가 작고 과거 사업 경력이 작기 때문에 기술력 및 사업성 검증 방법에 한계가 있어 인수할 때 여러 가지 위험이 따른다. 그래서, 경쟁력 있는 스타트업을 발굴하고 투자를 집행하는 부분에 있어서 벤처캐피탈은 중요한 역할을 한다. 독립벤처캐피탈(Independent Venture Capital)은 일반적으로 재무적인 수익을 중요시하는 반면 기업에서 투자 담당 역할을 하는 기업벤처캐피탈(Corporate Venture Capital)은 전략적인 관점에서 모기업과의 비즈니스 시너지를 중시하고 있다. 기술의 발전이 급속하게 이루어지고 신기술의 보유 여부가 기업의 경쟁력을 좌우하는 산업계 분야에선 기존 회사들은 혁신적인 기술을 보유한 스타트업에 지분 투자를 통해 투자 포트폴리오로 편입시키고 같이 협업을 진행하며 포괄적인 협력을 위해서 인수를 진행한다. 또한, 기존 투자한 회사들의 포트폴리오 관리를 통해서 업계의 정보를 얻고 이를 활용해서 신규 투자 및 인수를 진행한다. 본 논문에서는 미국에 상장된 주요 기업들이 기업벤처캐피탈을 통해 진행한 투자활동 및 모기업과 스타트업에 미치는 효과를 회귀분석을 통해 검증하였고 모기업의 인수 성과는 주가 분석에 기반을 둔 이벤트 스터디(Event Study) 또는 사건연구라 불리는 방법론을 통해 분석하였다. 스타트업의 기준은 창업 후 12년 이하의 회사로 규정하였고 분석 결과 투자 규모 및 횟수가 큰 기업벤처캐피탈을 보유한 모기업 일수록 적극적으로 스타트업을 인수하는 것으로 나타났다. 또한 기업벤처캐피탈이 재무적 목적의 투자 활동을 증가시킬 경우 모기업의 인수활동에 음(-)의 영향을 미치는 것을 알 수 있고, 기업벤처캐피탈이 기존에 투자한 포트폴리오 내에 있는 회사를 모기업이 인수할 경우 그렇지 않은 경우에 비해서 인수 성과가 증가하는 것으로 나타났다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.