본 연구에서는 딥러닝 신경망(deep learning neural network)을 이용해 신용카드 부도율 예측의 정확도를 얼마나 향상시킬 수 있는지를 점검한다. 이를 위해서 기존에 많이 사용되는 머신러닝 알 고리즘(Logistic, SVM, RandomForest, Lasso 등)을 딥러닝 신경망 분석의 성능테스트을 위한 배 교 지표로 활용한다. 우선, 본고의 딥러닝 신경망 분석은 기본적으로 2개의 은닉층(hidden layers) 과 5개의 뉴런(neuron)로 구축하고 활성함수와 초기값 설정방법에 따른 예측의 정확도의 차이를 도출하고 기존 머신러닝 알고리즘과 비교하였다. 그 결과 딥러닝 신경망 분석이 기존 머신러닝 알 고리즘 보다 높은 성능을 나타냈고 그 중 ReLU(활성함수)와 Xavier(초기값)가 가장 높은 예측의 정확도를 보였다. ReLU와 Xavier를 기준으로 은닉층과 뉴런의 수를 15개에서 최대 25개까지 늘 려 분석한 결과에서도 유사한 결과를 나타냈다. 다만, 기존 연구에서와 같이 은닉층과 뉴런의 수 의 증가에 따른 성능의 향상은 나타나지 않았다. 또한, 이미지 분야에서 높은 성능을 보였던 Dropout과 CNN(convolution neural network) 모델도 뚜렷한 성능의 향상을 보이지 못했다. 이는 신용카드 부도율 데이터의 설명변수와 관측치에 한계가 있기 때문으로 판단된다. 본 연구에서 사 용된 개인의 신용카드 부도율 데이터는 횡단면 자료로 패널 및 시계열 데이터에서 높은 성능을 나 타내는 딥러닝 신경망 알고리즘인 RNN(recurrent neural network)을 사용하지 못했다. 따라서 추 후 신용평가사 및 금융기관의 빅데이터를 활용해 딥러닝 신경망 분석을 실시한다면 보도 향상된 결과값을 도출할 수 있을 것으로 전망한다.

핵심 단어: 딥러닝, 신경망, 머신러닝, 신용카드, 부도율, 금융시장