Prediction of Future Capital Adequacy Ratio of Financial Companies in South Korea: By Using Machine Learning Techniques

Abstract

Financial laws and regulations have focused on using capital to detect signs of vulnerability that might lead to future risk of financial instability and to set prudential policies. Therefore, capital adequacy is the core of the financial soundness supervision system for risk management. This paper begins by discussing the importance of promoting financial stability by improving the regulation and supervision of financial institution analyses. It focuses on concerns associated with the evolution of capital adequacy standards and the remaining challenges in the current capital adequacy laws and regulations. The paper then presents two empirical studies using machine learning algorithms. Two empirical studies were conducted to predict BIS (Bank for International Settlements' capital adequacy ratio) for banks and RBC (Risk-Based Capital ratio) for insurance companies. The dataset came from reports prepared by financial companies from March 2008 to December 2019. FSS (Financial Supervisory Service) publishes the data quarterly on the Financial Statistics Information System. For the empirical study, first, the Boruta algorithm was used to find all relevant variables among the many variables. Secondly, key predictors were selected by the variables’ order of importance using the RF-RFE (Random Forest Recursive Feature Elimination) algorithm. Thirdly, using the key predictors, BIS and RBC were predicted by the deep learning algorithm BRANN (Bayesian Regularized Artificial Neural Networks). BRANN was then compared with traditionally used regression models (Ordinary Least Squares) and existing machine learning algorithms (Gradient Boosting, Adaptive Boosting, SVM) to confirm the model's performance. The comparison confirmed that machine learning and deep learning techniques have better predictive power than conventional regression analysis. Adaptive boosting showed higher predictive power than other machine learning models. The BRANN model showed relatively stable performance without significant differences in training and test set. This study focused on a variable set that best predicts the financial soundness of the financial sector at the macro level. Lumping 24 insurance companies and 17 banks into a single block implies that they all behave in a similar way. Other researchers can conduct more sophisticated research by creating derived variables based on the predictors presented in this study and on the correlation between variables that reflect the characteristics and attributes of each financial company. Financial institutions can be further divided into homogeneous blocks (e.g., considering clusters), and the scheme used by each institution can be applied (banks are divided into two types by the method of risk calculation [i.e., IRB and standard approach], and insurance companies are classified by the source of capital [i.e., domestic, and foreign firms]). In addition, other researchers can consider a study that uses multiple machine learning methods (e.g., RNN, LSTM, and GRU) as benchmarking models to ensure the superiority of the proposed approach based on sophisticated data preprocessing.|금융 회사의 자본 적정성 제도는 리스크 평가 및 관리를 위한 재무 건전성 감독제도의 핵심 제도로서 감독 당국의 주요 감독 수단일 뿐만 아니라 금융회사의 건전한 경영활동을 위해 매우 중요한 지표이다. 현재까지 국내 대표적인 금융권역으로서 은행 권역은 신용 리스크, 보험 권역은 보험 리스크 및 금리 리스크에 중점을 두고 별도의 자기 자본 규제가 시행되고 있지만, 권역별 특성을 반영하여 정밀한 리스크 반영을 위한 새로운 제도의 수정·개편 요구사항이 지속되어오고 있다. 본 연구에서는 금융회사의 안정성을 대표하는 자본 적정성 제도에 대한 깊이 있는 이해를 위해 대표적인 국내 금융권역인 은행과 생명보험사의 법과 규제(Laws and Regulations)의 문헌을 고찰하고, 데이터에 내재한 특성을 충분히 반영할 수 있도록 머신 러닝 알고리즘을 활용하여 자본 적정성 비율의 예측을 위한 실증 연구를 진행하였다. 실증 연구에 사용된 데이터는 금융회사들의 건전 경영의 감독을 위해 금융감독원에 분기별로 보고되는 업무보고서 정보인 금융감독원 통계 정보시스템 정보로서, 본 연구의 목적을 위해서 은행과 보험사의 지난 2008년에서 2019년까지의 12년간의 데이터를 실증 분석하였다. 실증 연구의 첫 번째 단계로서 Boruta Algorithm기법을 통해 자본 적정성에 유의한 영향을 미치는 변수를 선정한 후, 두 번째 단계로서 선정된 주요 변수들에 대해 RF–RFE (Random Forest Recursive Feature Elimination) 기법을 활용하여 변수들의 순차적인 중요도에 따라 최적 예측 변수를 선정하였다. 선정된 예측 변수들은 딥러닝 기법인 BRANN (Bayesian Regularized Artificial Neural Networks)을 통해 BIS와 RBC를 예측하였으며, 모델의 예측력을 확인하기 위해 전통적으로 활용되어온 회귀모델(Ordinary Least Squares) 및 기존 머신러닝 알고리즘(Gradient Boosting, Adaptive Boosting, SVM) 방법들과 비교하였다. 예측 성능 비교 결과 머신러닝 및 딥러닝 기법을 통한 예측은 기존의 회귀분석보다 예측력이 우수한 것을 확인할 수 있었고, Adaptive Boosting알고리즘은 비교 모델 중에서 가장 우수한 성능을 보여주는 것을 확인할 수 있었다. 본 연구에서는 우리나라의 은행과 보험회사의 자기 자본 제도의 법과 규제에 대해 살펴보고, 금융감독원에 제출되는 은행과 보험회사의 경영정보를 활용하여 자본 적정성 예측에 중요한 외생변수와 최적 예측 변수들을 찾는 것에 중점을 두었다. 향후 연구로서 금융권역 내에서의 각 금융 회사들의 특성(내부등급 법, 표준등급 법, 시중은행, 특수은행, 지방은행 및 국내 보험회사, 외국계 보험회사)을 반영하는 추가적인 실증연구와 함께 정교한 전처리 분석을 기반으로 시계열 데이터에서 높은 예측 성능을 나타내는 순환 신경망 알고리즘(RNN, LSTM, GRU) 방법론을 사용하는 후속 연구를 할 수 있을 것으로 판단된다.