KR102174608B1 - 기계 학습 기반의 채무불이행 예측 장치 및 방법 - Google Patents

기계 학습 기반의 채무불이행 예측 장치 및 방법 Download PDF

Info

Publication number
KR102174608B1
KR102174608B1 KR1020180148511A KR20180148511A KR102174608B1 KR 102174608 B1 KR102174608 B1 KR 102174608B1 KR 1020180148511 A KR1020180148511 A KR 1020180148511A KR 20180148511 A KR20180148511 A KR 20180148511A KR 102174608 B1 KR102174608 B1 KR 102174608B1
Authority
KR
South Korea
Prior art keywords
default
time
debt
data
model
Prior art date
Application number
KR1020180148511A
Other languages
English (en)
Other versions
KR20200068069A (ko
Inventor
최대선
박소희
Original Assignee
공주대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 공주대학교 산학협력단 filed Critical 공주대학교 산학협력단
Priority to KR1020180148511A priority Critical patent/KR102174608B1/ko
Priority to PCT/KR2018/016965 priority patent/WO2020111376A1/ko
Publication of KR20200068069A publication Critical patent/KR20200068069A/ko
Application granted granted Critical
Publication of KR102174608B1 publication Critical patent/KR102174608B1/ko

Links

Images

Classifications

    • G06Q40/025—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 기계 학습 기반의 채무불이행 예측 장치 및 방법에 관한 것으로서, 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 데이터 생성부, 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 기계 학습 모델에 대한 학습을 수행함으로써 현재 시점 이후 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 예측 모델 생성부, 및 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 현재 시점 이후 채무자의 채무불이행을 예측하는 채무불이행 예측부를 포함하는 것을 특징으로 한다.

Description

기계 학습 기반의 채무불이행 예측 장치 및 방법{APPARATUS FOR PREDICTING LOAN DEFAULTS BASED ON MACHINE LEARNING AND METHOD THEREOF}
본 발명은 기계 학습 기반의 채무불이행 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 기계 학습 모델을 이용하여 채무자의 채무불이행을 예측하기 위한 기계 학습 기반의 채무불이행 예측 장치 및 방법에 관한 것이다.
은행과 같은 금융기관의 수익 구조는 예대마진을 통한 이자이익과 수수료 기반의 이자이익으로 구분될 수 있으며, 이러한 이자이익은 금융기관 수익의 80% 수준으로 전체 수익 중에서 상당한 부분을 차지한다. 따라서, 은행의 입장에서 손실을 최소화하기 위해서는 보다 정확하게 대출 채무자(즉, 차주)의 채무불이행을 예측하는 과정이 필수적으로 요구되고 있다.
일반적으로 금융기관은 채무자의 채무불이행 가능성을 평가하기 위한 자체 신용 평가 시스템(Credit Scoring System)을 보유하고 있으며, 이러한 신용 평가 시스템을 기반으로 대출 신청자가 제출한 소득, 재직상태, 대출 및 연체 이력 등의 기본 정보와 개인 신용 평가 기관(Credit Bureau)이 제공하는 신용 등급을 고려하여 대출 신청자의 신용 위험, 채무 상환 능력 및 채무불이행 가능성을 평가한 후 대출 승인여부, 대출 한도 및 금리 등을 결정하게 된다. 또한, 현재 거래 중인 고객을 대상으로 일정 시점마다 향후의 채무불이행 가능성을 재평가하여 대출 연장 여부, 대출 금리 및 한도 변경 여부 등을 결정하는데 활용하고 있다.
전술한 종래의 방식에 있어서, 채무자의 신용, 채무 상환 능력 및 채무불이행 가능성에 대한 평가는 금융기관 내에서 인위적인 심사 과정을 통해 이루어지는 한계가 있기 때문에 그 평가 결과에 대한 신뢰성이 보장될 수 없는 문제점이 존재한다. 또한, 금융기관이 채용하고 있는 신용 평가 시스템은 금융기관 별로 상이하기 때문에 그 평가 결과의 객관성도 담보되지 못하는 한계를 갖는다.
본 발명의 배경기술은 대한민국 공개특허공보 제10-2004-0014712호(2004.02.18. 공개)에 개시되어 있다.
본 발명은 전술한 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 채무자의 채무불이행 가능성에 대한 예측 결과의 신뢰성 및 객관성을 담보할 수 있는 기계 학습 기반의 채무불이행 예측 장치 및 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 기계 학습 기반의 채무불이행 예측 장치는 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 데이터 생성부, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 예측 모델 생성부, 및 상기 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하는 채무불이행 예측부를 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 데이터 생성부는, 상기 과거의 설정 기간에 대한 상기 채무 이력 정보를 월 별로 시계열화하여 상기 시계열 학습 데이터를 생성하되, 상기 채무 이력 정보는, 상기 채무자의 인구통계정보와, 해당 월의 대출정보 및 해당 월의 연체정보를 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 기계 학습 모델은, 순환 신경망(RNN: Recurrent Neural Network)에 따른 모델인 것을 특징으로 한다.
본 발명에 있어 상기 예측 모델 생성부는, 상기 시계열 학습 데이터에 포함된 상기 채무자의 월 별 채무 이력 정보를 상기 기계 학습 모델에 순차적으로 입력하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 채무불이행 예측 모델을 생성하는 것을 특징으로 한다.
본 발명에 있어 상기 채무불이행 예측부는, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 상기 채무불이행 예측 모델에 입력함으로써, 상기 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 상기 채무자의 채무불이행을 예측하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 기계 학습 기반의 채무불이행 예측 방법은 데이터 생성부가, 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 단계, 예측 모델 생성부가, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 단계, 및 채무불이행 예측부가, 상기 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따르면, 본 발명은 채무자의 채무 이력 정보가 반영된 소정의 시계열 데이터를 기반으로 기계 학습 모델을 학습하고, 그 학습을 통해 생성되는 채무불이행 예측 모델을 이용하여 채무자의 채무 불이행을 예측함으로써, 채무불이행에 대한 인위적인 평가로 인해 야기되는 신뢰성 저하 문제를 제거함과 동시에 그 예측 결과의 객관성을 보장할 수 있다.
도 1은 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치를 설명하기 위한 블록구성도이다.
도 2는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치에서 시계열 학습 데이터를 보인 예시도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치에서 기계 학습 모델로 적용될 수 있는 RNN의 구조를 보인 예시도이다.
도 5는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 기계 학습 기반의 채무불이행 예측 장치 및 방법의 실시예를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치를 설명하기 위한 블록구성도이고, 도 2는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치에서 시계열 학습 데이터를 보인 예시도이며, 도 3 및 도 4는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치에서 기계 학습 모델로 적용될 수 있는 RNN의 구조를 보인 예시도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 장치는 데이터베이스부(DB), 데이터 생성부(100), 예측 모델 생성부(200) 및 채무불이행 예측부(300)를 포함할 수 있다.
데이터베이스부(DB)에는 채무자의 채무 이력 정보가 저장되어 있을 수 있다. 여기서, 채무 이력 정보는 채무자의 인구통계정보, 해당 월에서의 대출정보, 및 해당 월에서의 연체정보를 포함할 수 있다. 또한, 데이터베이스부(DB)에는 상기한 채무 이력 정보와 함께, 채무자의 수입정보, 재산정보, 신용정보 및 부양가족정보를 포함하는 금융정보가 저장되어 있을 수 있다. 데이터베이스부(DB)에 저장된 정보 중 채무 이력 정보는 후술하는 것과 같이 데이터 생성부(100)에 의한 시계열 학습 데이터의 생성에 사용될 수 있다.
데이터 생성부(100)는 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 데이터베이스부(DB)로부터 추출하고, 추출된 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성할 수 있다. 여기서, 과거의 설정 기간이라 함은 현재 시점으로부터 과거로 역산되는 기간으로 설계자가 설정한 기간을 의미한다(예: 6개월)
전술한 것과 같이 채무 이력 정보는 채무자의 인구통계정보와, 해당 월의 대출정보 및 해당 월의 연체정보를 포함할 수 있으며, 하기 표 1은 채무 이력 정보의 예시를 나타낸다.
항목 속성

인구통계정보		 나이
성별 남: 0
여: 1


대출정보		 해당 월의 보유 대출 개수
해당 월의 업권 코드 별 개수
해당 월의 대출 상품 별 개수
마지막 대출 월로부터 경과 일수
해당 월의 대출 잔액의 평균
전 달 대비 대출 평균 잔액 증가량
연체정보 채무불이행 여부 정상: 0
채무불이행: 1
데이터 생성부(100)는 과거의 설정 기간에 대한 채무 이력 정보를 월 별로 시계열화하여 시계열 학습 데이터를 생성할 수 있다. 예를 들어, 설정 기간이 6개월로 설정된 경우를 가정하면, 데이터 생성부(100)는 표 1과 같은 6개의 채무 이력 정보에 각각 해당 월에 따른 timestep을 부가하는 방식으로 각 채무 이력 정보를 월 별로 시계열화함으로써 시계열 학습 데이터를 생성할 수 있다(즉, 시계열 학습 데이터는 6개의 채무 이력 정보의 세트(set)를 의미한다). 이 경우, 표 1의 성별 및 채무불이행 여부와 같은 명목형 데이터는 Label Encoder를 통해 바이너리 형식의 데이터로 변환될 수 있다. 도 2는 데이터베이스부(DB)로부터 추출된 6개의 채무 이력 정보가 시계열화되어 시계열 학습 데이터가 생성된 후, 후술하는 기계 학습 모델에 적용되는 예시를 도시하고 있다. 예측 모델 생성부(200)는 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 기계 학습 모델에 대한 학습을 수행함으로써 현재 시점 이후 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성할 수 있다. 여기서, 채무불이행 예측 모델을 생성하기 위해 사용되는 기계 학습 모델로서 순환 신경망(RNN: Recurrent Neural Network)에 따른 모델이 채용될 수 있다.
도 3 및 도 4는 순환 신경망의 구조를 도시하고 있다. 도 3 및 도 4를 참조하여 순환 신경망의 구조에 대하여 개괄적으로 설명하면, Xt, ht, Ot는 각각 시점 t에서의 입력값, 출력값, 히든 스테이트(hidden state)를 의미하며, ht 및 Ot는 하기 수학식 1에 따른다.
Figure 112018118357952-pat00001
도 3의 U는 입력값을 히든 스테이트로 보내는 파라미터, V는 이전 히든 스테이트에서 다음 히든 스테이트로 보내는 파라미터, W는 히든 스테이트에서 출력값으로 보내는 파라미터를 의미하며, 모든 시점(timestep)에서 파라미터는 공유된다. 자세히는, 시점 t일 때 t에서의 정보와 t-1 시점의 히든 스테이트의 출력값이 결합하여 t의 히든 스테이트의 출력값이 되고, 이것이 t+1 시점에 영향을 주는 과정이 반복되면서 U, V, W에 대한 학습이 진행된다. 학습 시 BPTT(BackPropagatino Through Time) 알고리즘이 적용될 수 있으며, 파라미터(U, V, W)에 대한 오차의 그레디언트(gradient)를 역전파함으로써 파라미터(U, V, W)가 업데이트된다.
전술한 RNN에 따른 기계 학습 모델을 기반으로, 예측 모델 생성부(200)는 시계열 학습 데이터에 포함된 채무자의 월 별 채무 이력 정보를 기계 학습 모델에 순차적으로 입력하여 기계 학습 모델에 대한 학습을 수행함으로써 채무불이행 예측 모델을 생성할 수 있다. 이에 따라, 예측 모델 생성부(200)는 채무자의 월 별 채무 이력 정보를 순차적으로 입력받아 파라미터에 대한 학습을 수행하고 완료함으로써 채무불이행 예측 모델을 생성할 수 있다.
채무불이행 예측부(300)는 예측 모델 생성부(200)에 의해 생성된 채무불이행 예측 모델에, 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 입력하여 현재 시점 이후 채무자의 채무불이행을 예측할 수 있다.
구체적으로는, 채무불이행 예측부(300)는 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 채무불이행 예측 모델에 입력함으로써, 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 채무자의 채무불이행을 예측할 수 있다. 예를 들어, 시계열 학습 데이터에 포함된 채무 이력 정보가 1월 내지 6월에 해당하는 채무 이력 정보인 경우, 채무불이행 예측부(300)는 1월 내지 6월에 대한 각 채무 이력 정보를 채무불이행 예측 모델에 입력함으로써 7월에 대한 채무자의 채무불이행을 예측할 수 있다.
도 5는 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 방법을 설명하기 위한 흐름도이다.
도 5를 참조하여 본 발명의 일 실시예에 따른 기계 학습 기반의 채무불이행 예측 방법을 설명하면, 먼저 데이터 생성부(100)는 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성한다(S100). 전술한 것과 같이 채무자의 채무 이력 정보는 채무자의 인구통계정보, 해당 월의 대출정보 및 해당 월의 연체정보를 포함할 수 있으며, 이에 따라 S100 단계에서 데이터 생성부(100)는 과거의 설정 기간에 대한 채무 이력 정보를 월 별로 시계열화하여 시계열 학습 데이터를 생성할 수 있다.
이어서, 예측 모델 생성부(200)는 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 기계 학습 모델에 대한 학습을 수행함으로써 현재 시점 이후 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성한다(S200). S200 단계에서 사용되는 기계 학습 모델로서 순환 신경망에 따른 모델이 채용될 수 있다. 이에 따라, S200 단계에서 예측 모델 생성부(200)는 시계열 학습 데이터에 포함된 채무자의 월 별 채무 이력 정보를 기계 학습 모델에 순차적으로 입력하여 기계 학습 모델에 대한 학습을 수행함으로써 채무불이행 예측 모델을 생성할 수 있다.
이어서, 채무불이행 예측부(300)는 예측 모델 생성부(200)에 의해 생성된 채무불이행 예측 모델에, 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 입력하여 현재 시점 이후 채무자의 채무불이행을 예측한다(S300). S300 단계에서, 채무불이행 예측부(300)는 데이터 생성부(100)에 의해 생성된 시계열 학습 데이터를 채무불이행 예측 모델에 입력함으로써, 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 채무자의 채무불이행을 예측할 수 있다.
한편, S100 단계 내지 S300 단계는 연속적으로 수행되는 시계열적 구성으로 구현될 수도 있고, S100 단계 및 S200 단계를 통해 채무불이행 예측 모델을 생성한 후, 차후 S100 단계를 통해 채무자의 월 별 채무 이력 정보를 추출하고 S300 단계를 수행함으로써 채무자의 채무불이행을 예측하는 시계열적 구성으로 구현될 수도 있다.
이와 같이 본 실시예는 채무자의 채무 이력 정보가 반영된 소정의 시계열 데이터를 기반으로 기계 학습 모델을 학습하고, 그 학습을 통해 생성되는 채무불이행 예측 모델을 이용하여 채무자의 채무 불이행을 예측함으로써, 채무불이행에 대한 인위적인 평가로 인해 야기되는 신뢰성 저하 문제를 제거함과 동시에 그 예측 결과의 객관성을 보장할 수 있다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
이상으로 본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.
DB: 데이터베이스부
100: 데이터 생성부
200: 예측 모델 생성부
300: 채무불이행 예측부

Claims (10)

  1. 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 데이터 생성부;
    상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 예측 모델 생성부; 및
    상기 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하는 채무불이행 예측부;
    를 포함하고,
    상기 데이터 생성부는, 상기 과거의 설정 기간에 대한 상기 채무 이력 정보를 월 별로 시계열화하여 상기 시계열 학습 데이터를 생성하되,
    상기 채무 이력 정보는, 상기 채무자의 인구통계정보, 해당 월의 대출정보 및 해당 월의 연체정보를 포함하고,
    상기 기계 학습 모델은, 순환 신경망(RNN: Recurrent Neural Network)에 따른 모델이고,
    상기 예측 모델 생성부는, 상기 시계열 학습 데이터에 포함된 상기 채무자의 월 별 채무 이력 정보를 상기 기계 학습 모델에 순차적으로 입력하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 채무불이행 예측 모델을 생성하고,
    상기 채무불이행 예측부는, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 상기 채무불이행 예측 모델에 입력함으로써, 상기 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 상기 채무자의 채무불이행을 예측하는 것을 특징으로 하는 기계 학습 기반의 채무불이행 예측 장치.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 데이터 생성부가, 현재 시점을 기준으로 과거의 설정 기간에 대한 채무자의 채무 이력 정보를 시계열화하여 시계열 학습 데이터를 생성하는 단계;
    예측 모델 생성부가, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 미리 정의된 기계 학습 모델에 적용하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하기 위한 채무불이행 예측 모델을 생성하는 단계; 및
    채무불이행 예측부가, 상기 예측 모델 생성부에 의해 생성된 채무불이행 예측 모델에, 상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 입력하여 상기 현재 시점 이후 상기 채무자의 채무불이행을 예측하는 단계;
    를 포함하고,
    상기 시계열 학습 데이터를 생성하는 단계에서, 상기 데이터 생성부는,
    상기 과거의 설정 기간에 대한 상기 채무 이력 정보를 월 별로 시계열화하여 상기 시계열 학습 데이터를 생성하되,
    상기 채무 이력 정보는, 상기 채무자의 인구통계정보, 해당 월의 대출정보 및 해당 월의 연체정보를 포함하고,
    상기 기계 학습 모델은, 순환 신경망(RNN: Recurrent Neural Network)에 따른 모델이고,
    상기 채무불이행 예측 모델을 생성하는 단계에서, 상기 예측 모델 생성부는,
    상기 시계열 학습 데이터에 포함된 상기 채무자의 월 별 채무 이력 정보를 상기 기계 학습 모델에 순차적으로 입력하여 상기 기계 학습 모델에 대한 학습을 수행함으로써 상기 채무불이행 예측 모델을 생성하고,
    상기 채무불이행을 예측하는 단계에서, 상기 채무불이행 예측부는,
    상기 데이터 생성부에 의해 생성된 시계열 학습 데이터를 상기 채무불이행 예측 모델에 입력함으로써, 상기 시계열 학습 데이터의 생성에 반영된 마지막 월의 차기 월에서의 상기 채무자의 채무불이행을 예측하는 것을 특징으로 하는 기계 학습 기반의 채무불이행 예측 방법.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
KR1020180148511A 2018-11-27 2018-11-27 기계 학습 기반의 채무불이행 예측 장치 및 방법 KR102174608B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180148511A KR102174608B1 (ko) 2018-11-27 2018-11-27 기계 학습 기반의 채무불이행 예측 장치 및 방법
PCT/KR2018/016965 WO2020111376A1 (ko) 2018-11-27 2018-12-31 기계 학습 기반의 채무불이행 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180148511A KR102174608B1 (ko) 2018-11-27 2018-11-27 기계 학습 기반의 채무불이행 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200068069A KR20200068069A (ko) 2020-06-15
KR102174608B1 true KR102174608B1 (ko) 2020-11-05

Family

ID=70853433

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180148511A KR102174608B1 (ko) 2018-11-27 2018-11-27 기계 학습 기반의 채무불이행 예측 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102174608B1 (ko)
WO (1) WO2020111376A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102430125B1 (ko) * 2020-09-07 2022-08-08 김성호 P2p 금융을 위한 차주 계좌 리스크 관리 시스템 및 방법
US20220318617A1 (en) * 2021-04-01 2022-10-06 The Toronto-Dominion Bank Predicting future events of predetermined duration using adaptively trained artificial-intelligence processes
US11995714B1 (en) * 2021-09-14 2024-05-28 Stripe, Inc. Machine learning-based loss forecasting model

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101802866B1 (ko) * 2015-12-30 2017-11-29 주식회사 솔리드웨어 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법
US10410113B2 (en) * 2016-01-14 2019-09-10 Preferred Networks, Inc. Time series data adaptation and sensor fusion systems, methods, and apparatus
JP6354059B2 (ja) * 2016-09-20 2018-07-11 株式会社ココペリ 財務情報分析システム、及びプログラム
KR102127449B1 (ko) * 2017-02-08 2020-06-26 사회복지법인 삼성생명공익재단 생존율 예측 모델 생성 방법, 장치 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR20200068069A (ko) 2020-06-15
WO2020111376A1 (ko) 2020-06-04

Similar Documents

Publication Publication Date Title
Guresen et al. Using artificial neural network models in stock market index prediction
CN111192131A (zh) 金融风险预测方法、装置和电子设备
CN112270547A (zh) 基于特征构造的金融风险评估方法、装置和电子设备
US11037236B1 (en) Algorithm and models for creditworthiness based on user entered data within financial management application
KR102174608B1 (ko) 기계 학습 기반의 채무불이행 예측 장치 및 방법
US11276071B2 (en) Unified artificial intelligence model for multiple customer value variable prediction
US11055772B1 (en) Instant lending decisions
EP4109377A1 (en) System, method and apparatus for modeling loan transitions
WO2020107100A1 (en) Computer systems and methods for generating valuation data of a private company
US20220004923A1 (en) Systems and methods for model explanation
US11803793B2 (en) Automated data forecasting using machine learning
AU2020377394B2 (en) Hierarchical deep neural network forecasting of cashflows with linear algebraic constraints
Zhao et al. Revolutionizing finance with llms: An overview of applications and insights
Cao et al. Gamma and vega hedging using deep distributional reinforcement learning
US20210201400A1 (en) Intelligent servicing
US11636536B2 (en) Systems and methods for automating pricing desk operation
Sharifi et al. Banks credit risk prediction with optimized ANN based on improved owl search algorithm
US20230252387A1 (en) Apparatus, method and recording medium storing commands for providing artificial-intelligence-based risk management solution in credit exposure business of financial institution
CN112200340A (zh) 预测逃废债区块链***
JP2002279174A (ja) 信用リスク評価方法及びシステム
Jumoorty et al. High frequency volatility forecasting: A new approach using a hybrid ANN‐MC‐GARCH model
US20190354854A1 (en) Adjusting supervised learning algorithms with prior external knowledge to eliminate colinearity and causal confusion
JP7331944B2 (ja) 学習システム、学習方法、適正利率予測システム、適正利率予測方法、プログラム、及び、融資マッチングシステム
US11379879B1 (en) Method, referral server and network for providing targeted advertisements to users
US20230401417A1 (en) Leveraging multiple disparate machine learning model data outputs to generate recommendations for the next best action

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right