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

target = "005930"
c = dartlab.Company(target)

def latest_period(df):
    if hasattr(df, "columns"):
        for col in df.columns:
            if str(col)[:4].isdigit():
                return str(col)
    return "latest"

def compact(obj):
    if isinstance(obj, pl.DataFrame):
        return {"type": "DataFrame", "rows": obj.height, "columns": obj.width}
    if isinstance(obj, dict):
        return {"type": "dict", "keys": list(obj.keys())[:8]}
    return {"type": type(obj).__name__}

earnings_quality = c.analysis("earningsQuality")
cashflow = c.analysis("cashflow")
stability = c.analysis("stability")
cf = c.show("CF", freq="Y")
is_df = c.show("IS", freq="Y")

emit_result(
    table=[
        {"test": "accrualQuality", "result": compact(earnings_quality)},
        {"test": "cashConversion", "result": compact(cashflow)},
        {"test": "balanceSheetSupport", "result": compact(stability)},
    ],
    values={"target": target, "triadChecks": 3, "cfRows": cf.height, "isRows": is_df.height},
    date=latest_period(cf),
)

호출 동작 — 5 단 분석 구조

답변은 분석 5 단 (결론 / 근거 / 메커니즘 / 반례·한계 / 후속 모니터링) 매핑. 3 모델 (Sloan · Beneish · Novy-Marx) 합의 결과를 5 단으로 정리.

1. 결론 도출

회사의 이익 quality 종합 의견 + 3 모델 합의 점수 (0/1/2) + 주도 위험 신호 를 한 문장 정량 결론으로.

좋은 결론 예시:

• “005930 (삼성전자) 5 년 이익 quality riskScore 0/2 (Sloan ACC 0.03 < 0.10, Beneish M -2.41 < -1.78), GP/A 28.5% (상위 5%). 3 모델 합의 = 강한 quality 우위, 분식 신호 부재. Novy-Marx 기준 산업 1 분위.”
• “OOOOOO 5 년 riskScore 2/2 (Sloan ACC 0.18 > 0.10, Beneish M -0.52 > -1.78 분식 의심 zone), GP/A 4.2% (하위 20%). 3 모델 일관 위험 신호 — 정정공시·감사 의견 정밀 검증 필요.”

금지 — 단일 모델 (Sloan 또는 Beneish 1 개) 신호로 분식 단정. 반드시 3 모델 모두 검토 후 합의 점수 (0/1/2) 인용.

2. 핵심 근거 수집

requiredEvidence: skillRef + tableRef + valueRef + dateRef 4 종 명시.

• skillRef: engines.gather 또는 engines.company.show (L1 raw BS/IS/CF). analysis axis (이익품질) 의존 X — 학술 공식 직접 적용 이 본 recipe 핵심.
• sourceRef: DART 공시 — BS (total_assets, trade_receivables, ppe, current_assets, total_liabilities, long_term_debt), IS (sales, cost_of_sales, net_income, sga, depreciation), CF (cash_flow_from_operations). 연결재무 5 년 시계열.
• tableRef (5 년 시계열): year × {sloanAccruals, sloanFlag, beneishM, beneishFlag, gpa, gpaPct, riskScore}.
• valueRef: 최근년도 3 모델 점수 + 5 년 평균 + 산업 분위 (GP/A 산업 평균 대비).
• dateRef: 5 회계년도.

도구: RunPython (3 모델 batch 계산 + DataFrame join).

3. 메커니즘 분석

3 모델 서로 다른 신호 포착 — 종합 합의가 강한 이유:

graph LR
  NI["Net Income<br/>(IS)"] --> SLOAN["Sloan ACC<br/>=(NI−CFO)/AvgAssets<br/>발생주의 vs 현금주의 괴리"]
  CFO["CFO<br/>(CF)"] --> SLOAN
  AR["AR·재고·매출<br/>(BS·IS)"] --> BENEISH["Beneish M-Score<br/>8 변수 logit<br/>분식 detection 76%"]
  SGA["SGA·감가·부채<br/>(IS·BS)"] --> BENEISH
  COGS["COGS<br/>(IS)"] --> GPA["Novy-Marx GP/A<br/>=(Sales−COGS)/Assets<br/>quality factor"]
  ASSETS["Total Assets<br/>(BS)"] --> GPA
  SLOAN --> SCORE["riskScore 0/1/2<br/>(Sloan flag + Beneish flag)"]
  BENEISH --> SCORE
  GPA --> CONTEXT["quality context<br/>(상위/하위 분위)"]

각 모델의 해석 (답변 본문에 명시):

• Sloan ACC > 0.10 → 발생주의 이익이 현금 이익을 크게 초과 — 미래 회귀 가능성. 1962-1991 백테스트 연 10%p 음 차이.
• Beneish M > -1.78 → 8 변수 분식 의심 zone. Enron (1998 M=+5.5) 1 년 전 detection 성공.
• Novy-Marx GP/A → ROE·ROA 보다 강한 quality factor. 가치 (B/M) 와 음 상관.

합의 게이트: riskScore = 2 (Sloan + Beneish 모두 의심) 일 때만 위험 claim. 1/2 = watch list, 0/2 = clean.

4. 반례·한계

• Falsifier: 3 모델 중 1~2 만 의심해도 분식 단정 금지 — 3 모델 일관 (riskScore 2) 만 risk claim.
• 미국 임계의 KR 적용: Sloan 임계 0.10, Beneish -1.78 모두 미국 표본 추정. KR chaebol 회계 특이성 (계열사 internal trading) 으로 DSRI·SGI false positive 가능.
• 분식 예측 아닌 의심 신호: 점수 통과해도 실제 분식 보장 X. 학술 통계 모델.
• 산업별 적합성: 제조업 vs 서비스업 임계 분포 다름. Novy-Marx GP/A 는 cost_of_sales 분리 안 된 서비스업 (콘텐츠·플랫폼) 부적합.
• snakeId 가용성: Beneish 8 변수 모두 가용 필요. sga, depreciation_expense, ppe 일부 결손 → 0 처리 시 점수 왜곡. 가용 변수 수 답변에 명시.
• 연결 vs 별도: chaebol 지주회사 별도재무 vs 연결재무 차이 큼. 본 recipe 연결 기준.
• 일회성 손익 (M&A): 영업외이익 큰 해 NI 급증 → Sloan ACC 단발 spike. 5 년 추세 동반.
• SOX 효과: 미국 SOX (2002) 이후 Beneish 검출률 다소 낮아짐 — 분식 회사도 8 변수 패턴 회피 학습.
• failureModes — 산업별 적합성 / Sloan 정의 (BS-OCF) 차이 / Beneish KR 매핑 / GP/A 분모 모호 / 합의 게이트 false negative — 답변 작성 시 self-check.

5. 후속 모니터링

답변 끝에 모니터링 표:

신호	현재값	5년 평균	임계값	리뷰 주기
Sloan ACC	(계산)	(계산)	> 0.10	분기
Beneish M	(계산)	(계산)	> -1.78	분기
GP/A	(계산)	(계산)	산업 하위 30%	연간
riskScore	0/1/2	(5년 평균)	2 = watch	분기
감사 의견	(DART)	—	한정·부적정	연간
정정공시 빈도	(DART)	—	3+/연	분기

연계 절차:

• riskScore = 2 → recipes.quality.workingCapitalQuality (AR/Inv vs Sales gap)
• 분식 의심 → c.disclosure(...) 의 감사보고서 의견·정정공시 빈도
• GP/A 강 + Sloan 약 = 진짜 quality → recipes.valuation.qualityValueScreen
• 분식 + 부도 → recipes.credit.distressDual (강한 회피 신호)

재호출 트리거: “삼성전자 3 모델 합의 quality”, “Sloan + Beneish + Novy-Marx 결합”, “분식 의심 신호 (3 모델 일관)“.

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) → recipes.quality.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. recipes.valuation.qualityValueScreen 와 상호 검증.
5. recipes.credit.distressDual 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.

AI 직접 사용 방식

1. ReadSkill 에서 사용자 질문과 whenToUse를 맞춰 이 recipe를 고른다.
2. GetSkillBody 로 본문 전체를 읽고 linkedSkills 순서대로 먼저 필요한 엔진 skill을 확인한다.
3. ## 공개 호출 방식의 첫 Python 블록을 target만 바꿔 ValidateRecipe(..., capture=False)로 smoke 실행한다.
4. 실행 결과의 skillRef, tableRef, valueRef, dateRef, executionRef 중 누락된 근거가 있으면 답변을 작성하지 말고 호출 또는 근거 요구를 보강한다.
5. 답변은 결론, 핵심 근거, 메커니즘, 반례·한계, 후속 모니터링 순서로 작성하고 falsifier.description이 있으면 반례 단락에서 반드시 확인한다.