이익 quality 3 모델 합의 (Sloan + Beneish + Novy-Marx — L1 raw)

학술 근거

3 학술 framework 동시 적용 — 각 모델이 잡지 못하는 신호를 다른 모델이 보완.

1. Sloan Accruals (1996)

Richard Sloan, “Do Stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings?” (The Accounting Review):

• ACC = (NI − CFO) / Average Total Assets
• 발생액 (accruals) 이 큰 회사 → 미래 abnormal return 음(−). 1962-1991 백테스트 연 10%p 차이.
• 핵심 — 회계상 이익 ≠ 현금 이익. 차이가 클수록 미래 회귀 가능성.

2. Beneish M-Score (1999)

Daniel Beneish, “The Detection of Earnings Manipulation” (Financial Analysts Journal):

• M = −4.84 + 0.92·DSRI + 0.528·GMI + 0.404·AQI + 0.892·SGI + 0.115·DEPI − 0.172·SGAI − 0.327·LVGI + 4.679·TATA
• 8 변수 logit. M > −1.78 = 분식 의심. 검증 76% 적중.
• Enron (1998 M-Score = +5.5) 분식 1 년 전 detection.

3. Novy-Marx GP/A (2013)

Robert Novy-Marx, “The Other Side of Value: The Gross Profitability Premium” (JFE):

• GP/A = (Sales − COGS) / Total Assets
• ROE·ROA 보다 강력 quality factor. 가치 (B/M) 와 음(-) 상관.

L1 데이터 직접 계산

3 모델 모두 BS + IS + CF 의 raw snakeId 에서 직접 계산. analysis 의 이익품질 axis 결과를 의존하지 않고 학술 공식 그대로 적용.

공개 호출 방식

import dartlab
import polars as pl

c = dartlab.Company("005930")

bs_df = c.show("BS", freq="Y")
is_df = c.show("IS", freq="Y")
cf_df = c.show("CF", freq="Y")
years = ["2025", "2024", "2023", "2022", "2021"]

def fetchSeries(df: pl.DataFrame, snake: str, years: list[str]) -> list[float]:
    row = df.filter(pl.col("snakeId") == snake).select(years)
    return row.to_numpy()[0].tolist() if row.height > 0 else [0.0] * len(years)

# 공통 raw
sales = fetchSeries(is_df, "sales", years)
cogs = fetchSeries(is_df, "cost_of_sales", years)
ni = fetchSeries(is_df, "net_income", years)
sga = fetchSeries(is_df, "selling_general_admin_expenses", years)
dep = fetchSeries(is_df, "depreciation_expense", years)
cfo = fetchSeries(cf_df, "cash_flow_from_operations", years)
assets = fetchSeries(bs_df, "total_assets", years)
ar = fetchSeries(bs_df, "trade_receivables", years)
ppe = fetchSeries(bs_df, "property_plant_equipment", years)
currAssets = fetchSeries(bs_df, "current_assets", years)
liab = fetchSeries(bs_df, "total_liabilities", years)
ltd = fetchSeries(bs_df, "long_term_debt", years)

# 1) Sloan Accruals (당년)
avgAssets = [(assets[i] + assets[i+1]) / 2 for i in range(len(years)-1)]
sloan = [(ni[i] - cfo[i]) / avgAssets[i] for i in range(len(years)-1)]

# 2) Beneish M-Score (당년 vs 전년 비교)
def beneishMScore(i: int) -> float:
    dsri = (ar[i] / sales[i]) / (ar[i+1] / sales[i+1])
    gmi = ((sales[i+1] - cogs[i+1]) / sales[i+1]) / ((sales[i] - cogs[i]) / sales[i])
    aqi_curr = 1 - (currAssets[i] + ppe[i]) / assets[i]
    aqi_prev = 1 - (currAssets[i+1] + ppe[i+1]) / assets[i+1]
    aqi = aqi_curr / aqi_prev
    sgi = sales[i] / sales[i+1]
    depi = (dep[i+1] / (dep[i+1] + ppe[i+1])) / (dep[i] / (dep[i] + ppe[i]))
    sgai = (sga[i] / sales[i]) / (sga[i+1] / sales[i+1])
    lvgi = ((ltd[i] + (liab[i] - ltd[i])) / assets[i]) / ((ltd[i+1] + (liab[i+1] - ltd[i+1])) / assets[i+1])
    tata = (ni[i] - cfo[i]) / assets[i]
    return (-4.84 + 0.92*dsri + 0.528*gmi + 0.404*aqi + 0.892*sgi
            + 0.115*depi - 0.172*sgai - 0.327*lvgi + 4.679*tata)

beneishScores = [beneishMScore(i) for i in range(len(years)-1)]

# 3) Novy-Marx GP/A
gpa = [(sales[i] - cogs[i]) / assets[i] for i in range(len(years))]

triad = pl.DataFrame({
    "year": years[:-1],
    "sloanAccruals": sloan,
    "sloanFlag": [s > 0.10 for s in sloan],  # 10% 이상 = 위험
    "beneishM": beneishScores,
    "beneishFlag": [m > -1.78 for m in beneishScores],
    "gpa": gpa[:-1],
    "gpaPct": [g * 100 for g in gpa[:-1]],
}).with_columns(
    (pl.col("sloanFlag").cast(pl.Int8) + pl.col("beneishFlag").cast(pl.Int8)).alias("riskScore")
)

호출 동작

1. c.show("BS" | "IS" | "CF", freq="Y") 3 회 — 5 년 wide.
2. snakeId 로 12 raw 항목 추출.
3. Sloan ACC = (NI − CFO) / AvgAssets — 5 점 시계열.
4. Beneish M-Score = 8 변수 logit (당년/전년 비교) — 5 점 중 4 점 시계열 (전년 비교 위해 1 점 손실).
5. Novy-Marx GP/A = (Sales − COGS) / Total Assets — 5 점 시계열.
6. 종합 위험 점수 — Sloan flag + Beneish flag (0 ~ 2).

대표 반환 형태

triad : pl.DataFrame — 컬럼:

• year : str
• sloanAccruals : float — (NI−CFO)/AvgAssets
• sloanFlag : bool — > 0.10 = 분식 의심
• beneishM : float — M-Score
• beneishFlag : bool — > −1.78 = 분식 의심
• gpa : float — Gross Profit / Assets
• gpaPct : float — % 표기
• riskScore : int — 0 (안전), 1 (한 모델 의심), 2 (양 모델 의심)

한계

• Sloan 임계 0.10 — 일반적 임계. 산업별 분포 다름 (제조업 < 서비스업).
• Beneish 8 변수 모두 가용 — selling_general_admin_expenses, depreciation_expense, property_plant_equipment 등 snakeId 일부 회사 결손 가능. fallback 으로 0 처리 시 점수 왜곡.
• Novy-Marx GP/A — cost_of_sales 분리 안 된 회사 (서비스업) 부적합. 매출원가 = 영업비용 가정 시 GP 과소.
• 3 모델 모두 미국 시장 학술 검증 — 한국 시장 직접 검증 부재. 한국 chaebol 회계 특이성으로 false positive 가능.
• 분식 예측 아닌 의심 신호 — 점수 통과해도 실제 분식 보장 X.

한국 / 미국 시장 차이

• 한국: chaebol 계열사 internal trading 으로 매출/매출채권 변동 noise 큼 → DSRI · SGI 신뢰성 낮음. 별도재무 vs 연결재무 차이 큼.
• 미국: 본 framework 의 본 시장. 8 변수 모두 신뢰성 높음. SOX (2002) 이후 Beneish 검출률 다소 낮아짐.

연계 절차

1. 본 recipe → 5 년 3 모델 점수 + riskScore.
2. riskScore = 2 (양 모델 의심) → engines.recipe.workingCapitalQuality 의 AR/Inv vs Sales gap 점검.
3. 실제 분식 의심 회사 → 공시 (c.disclosure(...)) 의 감사보고서 의견·정정공시 빈도 검증.
4. GP/A 강 (상위 10%) + Sloan 약 (하위 30%) = 진짜 quality. engines.recipe.qualityValueScreen 와 상호 검증.
5. engines.recipe.creditDistressDual 와 결합 — 분식 의심 + 부도 위험 = 강한 회피 신호.

기본 검증

• 3 모델 점수 시계열 확인 — 단년도 점수 신뢰 X, 5 년 추세 봄.
• Sloan + Beneish 모두 의심 시 — 실제 분식 case study (대우조선·한진중공업 등) 와 비교.
• GP/A 변화 추세 — 안정 또는 상승 = quality 우월. 급락 = 산업 사이클 또는 경쟁 심화.
• “M-Score = +0.5 = 분식 확정” 단정 X — 의심 신호이지 결정 X.
• 학술 모델은 통계적 임. 단일 회사 단정 위험. 점수 + 정성 (감사 보고서·정정공시·CFO 교체 빈도) 결합.