🧠 경기국면을 고려한 부실기업 예측 및 코스닥 초과수익률 검증
개인 프로젝트 | Business Cycle-aware Distress Prediction & KOSDAQ Outperformance Strategy
본 프로젝트는 경기 국면을 고려한 부실 예측 모델을 구축하고, 해당 예측 결과를 기반으로 투자 전략을 수립하는 것을 목적으로 합니다.
경기 국면에 따른 데이터셋 분할
통계 기반 피처 선택 및 모델 학습
데이터 불균형 처리
예측 성능 평가 (Recall 우선)
투자 전략 수립 및 백테스팅 검증
2. 경기 국면 기준 (Business Cycle Reference)
통계청 제공 월별 경기 국면 데이터 와 연도별 기업 재무 데이터 활용
6월 이전은 해당 연도 재무 데이터 , 6월 이후는 다음 연도 재무 데이터 사용
3. 데이터 분할 기준 (Dataset Construction)
구분
기간
특징
기업 수 (정상 / 부실)
Train Set
2011~2013
수축 국면 포함
1,320개 (1,248 / 72)
Test Set 1
2014~2018
확장 국면
3,823개
Test Set 2
2019~2020
수축 국면
2,009개
4. 피처 선택 기준 (Feature Selection)
1차 : t-test (p < 0.05)로 유의미한 변수 선택2차 : Logistic Regression + Lasso 정규화3차 : t-test & Lasso 공통 피처 10개 최종 선정
항목
피처
수익성
자기자본순이익률, 1주당매출액
성장성
총자본증가율, 순이익증가율
생산성
총자본투자효율, 설비투자효율
안정성
자기자본비율, 순운전자본비율
활동성
매출채권회전률, 1회전기간
5. 데이터 불균형 처리 (Data Imbalance Handling)
원본 데이터의 정상:부실 비율 약 17:1
불균형으로 인한 편향된 학습 , 일반화 성능 저하 문제 발생
SMOTE 기법 을 활용하여 부실기업 오버샘플링 → 1:1 비율로 조정
6. 모델 성능 평가 기준 (Model Evaluation)
**부실기업 놓침(False Negative)**을 최소화해야 함 → Recall 우선
✅ Test Set 1 (확장 국면, SMOTE 적용 후)
모델
Recall
XGBoost
0.9250
Random Forest
0.9125
Decision Tree
0.7875
모델
Recall
Random Forest
0.8878
Logistic Regression
0.7857
XGBoost
0.7876
7. 투자 전략 수립 (Investment Strategy)
정상기업 선별 : 부실 예측 결과 기반 필터링시가총액 필터링 : 하위 20% 제외 (변동성 리스크 감소)점수화 : 예측 점수 기반 스코어링Top 10 선정 : 연도별 상위 10개 기업 투자
매수 : 4월 1주차 (재무제표 공시 직후)매도 : 다음 해 3월 말
Test Set 1 (확장 국면, 2014~2018)
(주)유진로봇
(주)웹스
(주)비츠로테크
(주)엔브이에이치코리아 등
Test Set 2 (수축 국면, 2019~2020)
(주)텔레칩스
(주)엠플러스
(주)미스터블루
(주)바이오로그디바이스 등
9. 백테스팅 결과 (Backtesting Result)
구분
기간
전략 성과
확장 국면
2013~2019
누적 수익률 기준 전략이 KOSDAQ 상회
수축 국면
2019~2021
전략 적용 시 안정적인 초과 수익 확보
경기 국면을 고려한 부실기업 예측 모델은 재무 안정성 및 성장성 지표 와 유의미한 상관관계를 가짐
Recall 중심 성능 평가 로 투자 손실 가능성 최소화SMOTE와 피처 선별 기법을 통해 예측 성능 극대화실제 투자 전략 적용 시 KOSDAQ 대비 안정적인 초과 수익 실현 가능성 확인
