기업 실적 예측 AI의 한계를 넘다… 인과관계까지 설명하는 'TRuE-XAI' 프레임워크 등장
 |
| 투명성과 신뢰성을 상징하는 투명한 인공지능(AI) 신경망 뇌와 상승하는 재무 예측 데이터 흐름을 시각화한 고도화된 하이테크 디지털 일러스트레이션 |
단순히 "맞히는 AI"가 아니라, 왜 그런 예측을 했는지까지 설명하는 새로운 금융 AI가 제안됐다.
기업의 미래 실적을 예측하는 AI는 이미 투자와 신용평가 분야에서 널리 활용되고 있다. 하지만 대부분의 인공지능은 높은 정확도를 보여도 왜 특정 기업의 실적이 좋아질 것이라고 판단했는지는 명확하게 설명하지 못한다. 금융처럼 규제와 책임이 중요한 분야에서는 이러한 '블랙박스 AI'가 큰 한계로 지적돼 왔다.
최근 발표된 연구는 이러한 문제를 해결하기 위해 예측 성능과 설명 가능성, 그리고 인과관계 분석을 하나로 통합한 새로운 프레임워크 TRuE-XAI(Transparent, Rule-based and Explainable AI)를 제안했다. 연구진은 미국 SEC에 제출된 실제 상장기업 재무제표를 이용해 미래 이익 증가를 예측했으며, 단순한 상관관계가 아니라 실제로 실적 개선에 영향을 주는 재무지표까지 분석했다.
기존 실적 예측 AI는 왜 신뢰하기 어려운가
기업의 실적 전망은 투자자뿐 아니라 은행, 신용평가기관, 기업 경영진에게도 매우 중요한 정보다. 미래 이익이 증가할 가능성을 미리 알 수 있다면 투자 전략을 세우거나 대출 위험을 줄이는 데 큰 도움이 된다.
문제는 기존 예측 모델이 두 가지 한계를 가지고 있었다는 점이다.
첫 번째는 전통적인 통계모델이다. 선형적인 관계를 가정하기 때문에 실제 기업의 복잡한 재무 구조를 충분히 반영하지 못했다.
두 번째는 머신러닝이다. Random Forest나 XGBoost 같은 최신 알고리즘은 예측 성능은 뛰어나지만 왜 그런 결과가 나왔는지를 설명하기 어렵다. SHAP이나 LIME 같은 설명 기법도 존재하지만, 이들은 어디까지나 '관련성이 높은 변수'를 알려줄 뿐 실제 원인을 증명하지는 못한다. 연구진은 이러한 한계를 해결하기 위해 예측과 설명, 인과추론을 하나의 시스템으로 통합했다.
실제 미국 상장기업 데이터를 이용해 성능을 검증했다
이번 연구는 인위적으로 만든 데이터가 아니라 미국 SEC에 공시된 2014년부터 2024년까지의 실제 분기 재무제표를 사용했다.
연구에는 다음과 같은 데이터가 포함됐다.
- 56개 미국 상장기업
- 1,058개의 분기 데이터
- 70개의 재무 변수
매출, 영업이익(EBIT), 순이익, 자산, 부채, 현금흐름뿐 아니라 수익성, 유동성, 자산회전율 등 다양한 재무비율까지 함께 분석했다. 특히 실제 금융 데이터에서 흔히 발생하는 결측치와 기업 간 차이, 데이터 불균형 문제도 그대로 유지한 상태에서 평가를 진행해 현실성을 높였다.
데이터 불균형 문제를 해결하면서 예측 성능을 높였다
기업 실적 데이터는 이익이 감소하는 사례가 증가하는 사례보다 훨씬 많다. 이런 데이터에서는 AI가 대부분 "실적이 감소한다"는 답만 내놓아도 높은 정확도가 나오는 문제가 있다.
연구진은 이를 해결하기 위해 SMOTE, ADASYN, TomekLinks, RENN 같은 데이터 균형 기법을 적용했고, Optuna와 Hyperopt를 이용해 각 머신러닝 모델의 최적의 하이퍼파라미터를 자동으로 찾았다.
그 결과 TomekLinks와 XGBoost를 결합한 모델이 가장 우수한 성능을 기록했다.
- 정확도(Accuracy): 0.849
- F1 Score: 0.467
- ROC-AUC: 0.761
연구진은 시간 순서가 뒤섞이지 않도록 학습 데이터와 테스트 데이터를 엄격히 분리해 정보 누수(leakage)를 방지했으며, 실제 환경에서의 일반화 성능도 함께 검증했다.
무엇 때문에 미래 실적이 좋아지는지 인과관계까지 분석했다
이번 연구의 가장 큰 특징은 단순한 예측을 넘어 왜 실적이 좋아지는지를 분석했다는 점이다.
연구진은 DoWhy와 EconML이라는 인과추론 도구를 이용해 각 재무지표가 미래 이익 증가에 실제 영향을 주는지를 검증했다.
분석 결과 다음 변수들은 미래 이익 증가 가능성을 높이는 인과효과를 보였다.
- 순이익률(Net Profit Margin) 증가
- 매출 성장률(Sales Growth)
- EBIT 증가
- 자산회전율(Asset Turnover)
반대로 아래 변수들은 미래 이익 증가 가능성을 낮추는 방향으로 작용하는 것으로 나타났다.
- 재고자산 비율(Inventory to Total Assets)
- 현금흐름 대비 순이익 비율(Cash Flow to Net Income)
연구진은 위약(placebo) 실험과 반증(refutation) 테스트까지 수행해 이러한 결과가 단순한 우연이 아닐 가능성을 함께 확인했다.
사람도 이해할 수 있는 IF-THEN 규칙으로 설명한다
대부분의 설명 가능한 AI는 변수의 중요도만 보여준다.
TRuE-XAI는 한 단계 더 나아가 Anchor 기법을 이용해 사람이 읽을 수 있는 규칙을 생성했다.
"순이익률이 일정 수준 이상이고, 자산회전율이 높으며, 매출 증가율이 일정 기준을 넘으면 미래 이익 증가로 예측한다."
이처럼 IF-THEN 형태의 규칙은 투자자뿐 아니라 금융감독기관이나 감사인도 쉽게 이해할 수 있어 실제 금융 환경에서 활용 가능성이 높다. 연구진은 여기에 SilVA 시각화 도구까지 결합해 Random Forest 내부의 의사결정 과정을 시각적으로 확인할 수 있도록 구성했다.
아직 해결해야 할 과제도 남아 있다
이번 연구는 신뢰성 높은 금융 AI를 제시했지만 몇 가지 한계도 있다.
우선 미국 SEC 데이터만 사용했기 때문에 다른 국가에서도 동일한 결과가 나오는지는 추가 검증이 필요하다.
또한 ESG 정보, 뉴스 감성, 경영진 발언, 거시경제 변수처럼 기업 실적에 영향을 줄 수 있는 비재무 데이터는 포함하지 않았다.
인과추론 역시 관측 데이터에 기반한 분석이므로 완전한 인과관계를 증명한다고 보기는 어렵다. 연구진도 이러한 점을 인정하며 향후 다양한 데이터와 산업으로 연구를 확장할 계획이라고 밝혔다.
금융 AI가 신뢰를 얻기 위해 필요한 것은 설명 가능한 예측이다
AI의 예측 정확도는 계속 높아지고 있지만 금융에서는 정확도만으로는 충분하지 않다. 투자나 대출, 기업 평가처럼 중요한 의사결정에서는 "왜 이런 결과가 나왔는가"를 설명할 수 있어야 한다.
TRuE-XAI는 예측 모델, 설명 가능한 AI, 인과추론을 하나의 프레임워크로 결합해 이러한 요구에 한 걸음 더 가까워졌다. 특히 단순히 상관관계를 보여주는 데 그치지 않고 실제 영향을 주는 재무요인을 분석하려 했다는 점에서 기존 연구와 차별화된다.
앞으로 이 같은 접근법이 ESG 평가, 신용평가, 부도 예측, 의료 AI처럼 높은 신뢰성이 요구되는 다양한 분야로 확대된다면, 설명 가능한 AI의 활용 범위도 더욱 넓어질 것으로 기대된다.
출처
Jamnal, G. S. (2026). TRuE-XAI: Causal and Explainable AI Framework for Trustworthy Corporate Earnings Growth Forecasting. Frontiers in Artificial Intelligence, 9, 1885910. DOI: 10.3389/frai.2026.1885910