earticle

영어

In this study, an artificial neural network model based on transfer learning was employed to analyze the investment evaluation model for small and medium-sized venture companies. Transfer learning is a machine learning technique that transfers knowledge learned from one domain to a related domain, and in this research, the relatively abundant data of convertible bonds was used for model training, which served as the basis for two subsequent transfer learning stages using IPO and M&A data. Through these stages, the final investment evaluation model was derived. The analysis proceeded in three specific steps as follows: In the first step, artificial neural network training was conducted using convertible bond data. The event of convertible bonds being converted into equity was defined as the successful exit for SMEs, and the model was trained accordingly. In the second step, knowledge learned from the first step was utilized to apply IPO and M&A information, which directly affects a company's exit, in the first transfer learning stage. The IPO and M&A data used in this stage were obtained from external sources and were not part of the Kotec's internal data. Finally, the third step involved the second transfer learning stage, where the accumulated knowledge from the previous steps was used to train the final model using Kotec's internal data. Through these three stages of model training, a final model with a high accuracy and stability, achieving 75% AUROC and 1.49 variance rate, was derived. The performance of the models from the three stages (1st, 2nd, and 3rd) was validated using the internal data of the Kotec, and it was observed that the model's performance improved gradually, with AUROC scores of 63.9, 66.91, and 75.0, respectively. These results indicate that the transfer of knowledge through transfer learning contributes to the improvement of model performance. This study has the following contributions. Firstly, this research is the first to apply transfer learning-based artificial neural network models to the investment evaluation of SMEs. Secondly, convertible bond information was used as a proxy variable for the success or fail of equity investment, and thirdly, it was confirmed that transfer learning can dramatically reduce the time and cost required for accumulating training data in fields where it traditionally takes significant time and cost, such as model development for technology or credit evaluations. Lastly, it was demonstrated that even with sparse analytical data, it is possible to achieve high-performance model development.

한국어

본 연구에서는 전이학습을 활용한 인공신경망 모형을 통해 국내 중소벤처기업용 투자 평가모형에 대한 분석을 실시하였다. 전이학습은 한 분야에서 학습된 지식을 유사한 인접 분야에 전이하는 기계학습 기법으로, 본 연구에서는 비교적 자료가 풍부한 전환사채 자료를 활용하여 학 습한 지식을 기반으로, IPO 및 M&A 자료를 활용한 두 차례의 전이학습을 실시하였고, 이를 통해 최종 투자용 평가모형을 도출하였다. 구체적으로는 다음과 같은 3단계로 분석을 진행하였다. 1단계는 전환사채 분석자료에 대한 인공신경망 학습이다. 전환사채가 출자지분으로 전환되는 이벤트를 국내 중소벤처기업의 EXIT 성공으로 정의한 후 학습을 진행하였다. 2단계는 1단계를 통해 학습된 지식을 기반으로 기업의 EXIT에 대한 직접적인 변수인 IPO 및 M&A 정보를 적용한 첫 번째 전이학습 단계이다. 이때 투입되는 IPO 및 M&A 정보는 기술보증기금 보 유 데이터가 아닌 외부에서 획득한 데이터이다. 마지막 3단계는 2단계까지의 학습을 통해 축적된 지식을 기반으로 기보 보유 데이터를 활용한 두 번째 전이학습 단계로 최종모형이 학습되는 단계이다. 본 연구에서는 이와 같은 3단계 모형학습을 통해 AUROC 기준 75%의 정확성과 1.49의 낮은 변동성으로 높은 안정성을 지닌 최종모형을 도 출하였다. 1단계, 2단계, 3단계의 학습모형을 대상으로 기술보증기금의 내부보유 자료로 검증을 시행한 결과, 모형의 성능이 AUROC 기준으 로 63.9, 66.91, 75.0으로 점점 향상되는 것을 알 수 있었다. 이러한 결과를 통해, 전이학습을 통한 지식의 전이가 학습모형의 성능 향상을 이끌 고 있음을 알 수 있다. 본 연구의 의의는 다음과 같다. 첫째, 본 연구는 국내 중소벤처기업의 투자 평가모형에 전이학습 기반의 인공신경망모형을 적용한 최초의 연 구이며 둘째, 지분출자형 투자의 성공 여부에 대한 대리변수로 전환사채 정보를 적용하였고 셋째, 기술평가 및 신용평가 등 모형개발에 필요한 학습 데이터 축적에 오랜 시간과 비용이 소요되는 분야에 전이학습을 적용할 경우 시간과 비용을 획기적으로 줄일 가능성을 확인했으며 넷째, 희소한 분석자료에도 불구하고 높은 성능의 모형개발이 가능함을 확인했다는 점이다.