회계정책 변경 추적 — 정책 변경 + 회계추정 변경 + 오류 수정 분리

공개 호출 방식

AI 도구 실행 순서는 EngineCall 우선이다. Company.panel("IS"|"BS"|"CF"), Company.filings, scan.quality, scan.audit, scan.disclosureRisk 는 엔진 호출로 근거를 먼저 확보한다. 아래 Python 블록은 확보한 L1/L1.5 근거를 buildEvidenceForensicsMemo 로 묶는 RunPython fallback 절차다 — 회계정책 변경 — 주석 본문 신호 추출.

import dartlab
from dartlab.synth.evidenceForensics import buildEvidenceForensicsMemo

target = "005930"  # KOSPI/KOSDAQ 종목코드
c = dartlab.Company(target)

statements = {}
for topic in ("IS", "BS", "CF"):
    try:
        statements[topic] = c.panel(topic, freq="Y")
    except TypeError:
        statements[topic] = c.panel(topic)
    except Exception:
        pass

sectionTexts = {}
for topic in ("businessOverview", "riskFactors", "mdna", "notesDetail"):
    try:
        sectionTexts[topic] = str(c.panel(topic))[:20000]
    except Exception:
        pass

try:
    disclosure = c.filings()
    events = disclosure.head(20).to_dicts() if hasattr(disclosure, "head") else list(disclosure)[:20]
except Exception:
    events = []

scanRows = []
for axis in ("quality", "audit", "disclosureRisk"):
    try:
        df = dartlab.scan(axis)
        rows = df.head(3).to_dicts() if hasattr(df, "head") else []
        for row in rows:
            row["axis"] = axis
        scanRows.extend(rows)
    except Exception:
        pass

memo = buildEvidenceForensicsMemo(
    target=target,
    market=str(getattr(c, "market", "KR")),
    companyName=str(getattr(c, "corpName", target)),
    statements=statements,
    sectionTexts=sectionTexts,
    events=events,
    scanRows=scanRows,
)

emit_result(
    table=memo["tables"]["noteSignalExtractor"],
    values={
        "target": target,
        "riskScore": memo["headline"].get("riskScore"),
        "signalCount": memo["headline"].get("signalCount"),
    },
    date=memo.get("asOf", "latest"),
    sources=memo["sources"],
)

호출 동작 — 5 단 분석 구조

1. 결론 도출

정책 변경 시점 + IAS 8 분류 (정책·추정·오류) + 변경 전후 비율 변동 + IFRS 도입 효과 + 변경 의도 한 문장.

좋은 결론 예시:

• “대한항공 케이스 — IFRS 16 리스 도입 (2019/01/01 의무 적용). 운용리스 (항공기·시설) 사용권자산 +X 조원 / 리스부채 +Y 조원. 부채비율 Z%p 악화 (분자 효과). 영업이익 -W (감가상각·이자 분리 효과). 정책 변경 분류 — IAS 8 의무 정책 변경 (법규). 소급 적용으로 비교 기간 (2018) 재작성 동행. 법규 의무 변경 [정상] + 부채비율 외관 악화 [분자 효과 분리 인식 필수][conf:80]. counter — IFRS 16 도입 자체는 글로벌 항공사 동일 적용 이라 경쟁 가치 평가 변화 X (재무 비율 만 변화).”

금지:

• 정책 변경 분류 (정책 vs 추정 vs 오류) 모호.
• 비율 변동 = 실적 변화 단정 시 소급 적용·분자 분모 효과 분리 누락.

2. 핵심 근거 수집

requiredEvidence: skillRef + target + tableRef + valueRef + dateRef + sourceRef + executionRef 필수.

• target (stockCode).
• sourceRef: 사업보고서 회계정책 섹션 + 정책 변경 공시 + 정정공시 본문 + IFRS 도입 시점 인용 (법규 보도).
• tableRef (4+ 표):
  1. 정책 변경 ledger — 변경일 / 변경 사유 (IAS 8 분류 — 정책·추정·오류) / 변경 전 vs 후 회계 처리 / 소급 vs 전진 적용
  2. 변경 전후 비율 변동 — 변경 전 비율 (재작성 후 비교 기간 포함) vs 변경 후 / ROE·영업이익률·부채비율 / 분자 vs 분모 효과 분리
  3. IFRS 도입 효과 — IFRS 16 (2019) / 17 (2023) / 9 (2018) / 18 (2027) 적용 시점 + 도입 효과 (자산·부채·자본·이익)
  4. 정책 변경 의도 매트릭스 — 법규 의무 / 경쟁사 동일 / 실적 평탄화 / 이익 부풀리기 / 부채비율 개선 / 법인세 절감
• valueRef: 변경 효과 절대액, 비율 변동 %p, 비교 기간 재작성 효과.
• dateRef: 변경일·IFRS 도입일·소급 적용 시점.
• executionRef: RunPython 으로 비율 분자/분모 효과 분해 + 시계열 회귀.

3. 메커니즘 분석

회계정책 변경 진단 = 분류 + 시점 + 효과 + 의도 4 차원 동시 검증:

graph LR
  CHANGE["회계 변경 발생"] --> CLASSIFY["IAS 8 분류"]
  CLASSIFY --> POLICY["정책 변경<br/>소급 적용"]
  CLASSIFY --> ESTIMATE["추정 변경<br/>전진 적용"]
  CLASSIFY --> ERROR["오류 수정<br/>소급 재작성"]

  POLICY --> POL_REASON["변경 사유"]
  POL_REASON --> MANDATORY["법규 의무<br/>IFRS 도입"]
  POL_REASON --> VOLUNTARY["임의 변경<br/>정당화 의무"]

  ESTIMATE --> EST_TRIGGER["환경 변화"]
  EST_TRIGGER --> ECON["경제 환경"]
  EST_TRIGGER --> USEFUL["내용연수·잔존가"]

  ERROR --> ERR_TYPE["오류 유형"]
  ERR_TYPE --> TYPO["단순 typo"]
  ERR_TYPE --> METHOD["계산 방법 오류"]
  ERR_TYPE --> FRAUD["고의 부실"]

  POLICY --> EFFECT["비교 기간 재작성"]
  ERROR --> EFFECT
  ESTIMATE --> CURRENT["당기·차기만 적용"]

  EFFECT --> RATIO["비율 변동<br/>ROE·부채비율"]
  CURRENT --> RATIO

  RATIO --> NUM["분자 효과 (이익·부채)"]
  RATIO --> DENOM["분모 효과 (자본·자산)"]

  INTENT["의도 분류"] --> LAW["법규 준수"]
  INTENT --> SMOOTH["실적 평탄화"]
  INTENT --> PUMP["이익 부풀리기"]
  INTENT --> RATIO_IMPROVE["부채비율 외관 개선"]

  NUM --> SCORE["진단 점수"]
  DENOM --> SCORE
  INTENT --> SCORE

5 패턴 정량 신호:

패턴	신호	임계	가중치
정책 변경 빈도	5Y 내 정책 변경 횟수	≥ 3 회	medium
변경 효과 절대액	변경 효과 / 자본총계	≥ 10%	high
IFRS 도입 동행	IFRS 16/17/9/18 시점 vs 변경 시점 매칭	동행	low (정상)
임의 변경	법규 의무 X + 회사 자발 변경	발생	high
임의 변경 시점	분기·연도말 직전 변경	발생	high
오류 수정 횟수	5Y 내 소급 재작성 횟수	≥ 1 회	medium
오류 수정 핵심 숫자	재작성 매출·이익 변경 폭	≥ 5%	high
경쟁사 동행	동종 업종 동일 변경 비율	< 30% (회사 단독 변경)	medium
변경 후 비율 개선	부채비율·이익률 즉시 개선 폭	≥ 10%p	high

4. 반례·한계

• Falsifier: 사업보고서 회계정책 주석 또는 정정공시 본문 부재 시 분류·진단 불가 — DART 사업보고서 주석 fetch + 정정공시 본문 fetch 후 재호출.
• IFRS 도입 의무 정상 변경: IFRS 16 (리스 2019), IFRS 17 (보험 2023), IFRS 9 (금융상품 2018), IFRS 18 (재무제표 표시 2027 예정) 모두 법규 의무 변경. 도입 시점 동행 = 정상.
• 회계추정 변경 정상: 감가상각 내용연수·매출채권 회수율·재고 평가·이연법인세자산 회수 가능성 등은 경제 환경 변화 시 정상 추정 변경. 단순 변경 = 부정 단정 금지.
• 오류 수정 분류: 회계 오류 (IAS 8) = 과거 회계 의무 위반. 다만 단순 typo·첨부 누락·계산 오류 도 다수 → 본문 변경 핵심 숫자 폭으로 분류 필요.
• 소급 vs 전진 적용 차이: 정책 변경 = 소급 (비교 기간 재작성) / 추정 변경 = 전진 (당기·차기). 단순 비율 비교 시 비교 기간 재작성 동행 인식 필수.
• 분자 vs 분모 효과 분리: IFRS 16 리스 도입 → 리스부채 +X (분자) + 자산 +X (분모) → 부채비율 외관 악화 (자본 분모 변화 적음). 실제 사업 가치 변화 X.
• 경쟁사 동행 정상: 같은 시점에 동종 업종 회사들이 동일 정책 변경 시 법규 또는 산업 관행 변경. 회사 단독 변경 만 진단 신호.
• 회계 정책 vs 회계 추정 모호: IAS 8 분류가 항상 명확하지 않음 — 경계 사례 (예 감가상각 정액→정률) 는 회사 판단. 회사 판단 인용 후 평가.

5. 후속 모니터링

신호	임계	조치
정책 변경 빈도 / 5Y	≥ 3 회	정책 일관성 의심
변경 효과 / 자본	≥ 10%	절대 효과 ledger
임의 변경 발생	발생	정당화 의무 본문 확인
분기·연도말 직전 변경	발생	의도 의심 격상
오류 수정 핵심 숫자 변경	≥ 5%	분식 가능성 격상
경쟁사 동행 비율	< 30%	회사 단독 변경 의심
변경 후 비율 개선	≥ 10%p	의도 매트릭스 ledger

대표 반환 형태

• tableRef:policy:change_ledger — 정책 변경 ledger
• tableRef:policy:ratio_pre_post — 변경 전후 비율 변동
• tableRef:policy:ifrs_adoption — IFRS 도입 효과
• tableRef:policy:intent_matrix — 정책 변경 의도 매트릭스
• valueRef:policy:effect_to_equity — 변경 효과 / 자본
• valueRef:policy:ratio_delta — 비율 변동 %p
• valueRef:policy:correction_count — 오류 수정 횟수
• sourceRef:policy:note_id — 회계정책 주석 id
• sourceRef:policy:correction_id — 정정공시 id
• executionRef:policy:calc_id — RunPython 실행 id

연계 절차

• 주석 신호 (회계정책 본문 동행) → recipes.fundamental.quality.forensics.noteSignalExtractor
• 사건 ↔ 재무 매칭 (변경 시점 ↔ 비율 변동) → recipes.fundamental.quality.forensics.eventToStatementMatcher
• 감사인 독립성 (변경 시점 ↔ 감사인 교체 동행) → recipes.fundamental.quality.forensics.auditorIndependenceHistory
• 공시 timing (정정공시 timing 동행) → recipes.fundamental.quality.forensics.disclosureTimingAnomaly

재호출 트리거: “회계정책 변경”, “IFRS 16 17 9 도입”, “회계추정 변경”, “회계 오류 소급 재작성”, “시가평가제도”.

기본 검증

• 사업보고서 회계정책 주석 + 변경 공시 ≥ 1 종.
• IAS 8 분류 (정책 vs 추정 vs 오류) 명시.
• 소급 vs 전진 적용 차이 명시.
• 변경 전후 비율 분자 vs 분모 효과 분리.
• IFRS 도입 시점 (16/17/9/18) 명시.
• falsifier — 경쟁사 동행 반례 검토.

AI 직접 사용 방식

1. ReadSkill 에서 회계정책·IFRS 도입·회계 오류 질문이면 본 recipe 선정.
2. target stockCode 확인.
3. Company.panel("IS","BS","CF","CIS",freq="Y") 시계열.
4. Company.panel("회계정책") 또는 사업보고서 주석 fetch.
5. Company.filings("회계정책","정정") 변경 timestamp.
6. scan("disclosureRisk") 횡단 비교.
7. RunPython 으로 비율 분자/분모 효과 분해 + 시계열 회귀.
8. 답변에 정책 변경 ledger + 비율 변동 + IFRS 도입 효과 + 의도 매트릭스 4 셋 + 반례·한계 필수.