Earticle

초록

영어

This study attempted to develop a model that improves the accuracy of corporate growth prediction by utilizing artificial intelligence-based machine learning and deep learning techniques. To solve the limitation that the existing statistical and regression prediction models do not sufficiently reflect the nonlinear interaction and external shocks that affect the corporate growth rate, this study compared and analyzed the prediction performance between them by applying various regression models such as RNN, LSTM, GRU, GBM, and CatBoost. As a result of the empirical analysis, it was confirmed that the recurrent neural network-based models, such as GRU and LSTM, showed excellent performance in predicting the corporate growth rate. In particular, the GRU model recorded the lowest error value in various evaluation indicators such as MSE, RMSE, MSLE, and MAPE, showing strength in time series data learning, and the LSTM model also showed high performance in long-term dependency learning, showing excellent results after GRU. On the other hand, ensemble models such as GBM and CatBoost provided stable performance in general prediction. Still, it was confirmed that the performance was limited compared to the recurrent neural network model in learning the complex patterns of time series data. This study demonstrates that recurrent neural network models can provide high predictive performance in predicting corporate growth rates. It suggests that these models can be effectively used for economic time series data analysis. The results of this study emphasize the usefulness of artificial intelligence techniques in analyzing various economic time series data and predicting corporate growth rates and provide important implications for strategic use in future research and practice.

한국어

본 연구는 인공지능 기반 머신러닝 및 딥러닝 기법을 활용하여 기업 성장률 예측의 정확성을 향상시키는 모델을 개발하고자 하였다. 기존의 통계적 및 회귀적 예측 모델들이 기업 성장률에 영향을 미치는 비선형적 상호작용과 외부 충격을 충분히 반영하지 못하는 한계를 해결하기 위해, 본 연구는 RNN, LSTM, GRU, GBM, CatBoost과 같은 다양한 회귀 모델을 적용하여 이들 간 예측 성능을 비교 분석하였다. 실증 분석 결과, GRU와 LSTM 등 순환 신경망 기반 모델 이 기업 성장률 예측에 있어 우수한 성능을 보임을 확인할 수 있었다. 특히, GRU 모델은 MSE, RMSE, MSLE, MAPE와 같은 다양한 평가 지표에서 가장 낮은 오차 값을 기록하여 시계열 데이터 학습에 강점을 보였으며, LSTM 모델 또한 장기적 종속성 학습에서 높은 성능을 보여 GRU 다음으로 뛰어난 결과를 나타냈다. 반면, GBM과 CatBoost와 같은 앙상블 모델은 일반적 예측에서는 안정적인 성능을 제공하였으나, 시계열 데이터의 복잡한 패턴을 학습하는데 있어서는 순환 신경망 모델에 비해 성능이 제한적임이 확인되었다. 본 연구는 순환 신경망 모델이 기업 성장률 예측에 있어 높은 예측 성능을 제공할 수 있음을 입증하였으며, 이러한 모델들이 경제적 시계열 데이터 분석에 효과적으로 활용될 가능성 을 제시한다. 본 연구의 결과는 기업 성장률 예측뿐만 아니라 다양한 경제적 시계열 데이터를 분석하는 데 있어 인공지 능 기법의 유용성을 강조하며, 향후 연구와 실무에서의 전략적 활용에 중요한 시사점을 제공한다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 선행연구 및 연구문제 도출
Ⅲ. 연구방법
1. 데이터
2. 예측모델 설계
3. Regression 방법
4. Regressor
Ⅳ. 연구 결과
Ⅴ. 결론
References

키워드

기업 성장률 머신러닝 딥러닝 인공지능 RNN LSTM GRU GBM CatBoost Corporate Growth Rate Machine Learning Deep Learning Artificial Intelligence RNN LSTM GRU GBM CatBoost

저자

• Xiao Wang [ 정회원, Binzhou Polytechnic, Lecturer ] 제1저자
• 나형종 [ Hyung-Jong Na | 정회원, 세명대학교 회계세무학과 교수 ] 참여저자
• 김형준 [ Hyungjoon Kim | 정회원, 창원대학교 컴퓨터공학과 교수 ] 참여저자
• 인치호 [ Chi-Ho Lin | 정회원, 세명대학교 컴퓨터학부 교수 ] 교신저자

참고문헌

발행기관

간행물