💰 quantitative finance

Model Risk in Credit Portfolio Models

본 논문은 모든 모델 파라미터에 걸쳐 불확실성을 체계적으로 처리함으로써 신용 포트폴리오 모델의 모델 리스크를 다루기 위한 포괄적이면서도 구현하기 쉬운 프레임워크를 제안한다.

원저자: Christian Meyer

게시일 2026-06-17

📖 4 분 읽기☕ 가벼운 읽기

원저자: Christian Meyer

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

은행을 금융 리스크라는 폭풍우 치는 바다를 항해하는 거대한 배라고 상상해 보십시오. 안전을 유지하기 위해 선장(은행)은 정교한 항해 시스템(신용 포트폴리오 모델)을 사용하여 일부 승객(차입자)이 대출금을 갚지 못할 경우 배가 입을 수 있는 피해를 예측합니다.

문제는 선장의 지도가 완벽하지 않다는 점입니다. 차입자가 채무 불이행(디폴트)을 할 확률이나 디폴트 시 발생하는 손실액과 같은 지도 위의 숫자들은 제한된 데이터에 기반한 그저 추측일 뿐입니다. 이러한 불확실성을 **모델 리스크(Model Risk)**라고 부릅니다. 이는 마치 짙은 안개 속에서 자동차를 운전하는 것과 같습니다. 길은 존재한다는 것을 알지만, 길의 가장자리가 정확히 어디인지는 확신할 수 없는 상태입니다.

크리스티안 마이어(Christian Meyer)가 작성한 이 논문은 길을 잃지 않고 그 안개를 헤쳐 나가는 영리한 방법을 제안합니다. 저자는 불확실성을 무시하는 대신, 이를 여정의 일부로 취급할 것을 제안합니다.

이 논문의 주요 아이디어를 쉽게 정리하면 다음과 같습니다.

1. 핵심 문제: "단일 값" 대 현실

보통 은행들은 모든 리스크 요인에 대해 하나의 숫자를 선택합니다.

부도 확률 (PD): "이 차입자가 실패할 확률은 1%이다."
부도 시 손실률 (LGD): "만약 실패한다면, 우리는 자금의 50%를 잃는다."
상관관계 (Correlation): "한 차입자가 실패하면, 이웃한 차입자도 실패할 확률이 10%이다."

논문은 이러한 요소들을 고정된 숫자로 취급하는 것이 위험하다고 주장합니다. 왜냐하면 실제 세상은 훨씬 더 복잡하고 모호하기 때문입니다.

2. 해결책: 숫자를 "구름"으로 바꾸기

저자는 "마법 같은 기술"을 제안합니다. 단일 숫자를 사용하는 대신, 모든 파라미터를 하나의 가능성의 구름(분포)으로 만드는 것입니다. 그런 다음 모델이 이 모든 가능성을 통과하며 실행되도록 하여 전체 결과의 범위를 확인합니다.

논문은 이 과정을 세 가지 구체적인 "구름"과 이를 처리하는 방법으로 나눕니다.

A. "전부 아니면 전무"의 구름 (LGD)

문제점: 은행들은 보통 "평균적으로 50%를 잃는다"라고 말합니다. 하지만 현실에서 차입자가 디폴트 상태에 빠지면, 그것은 재앙(100% 손실)이거나 기적(0% 손실)인 경우가 많습니다. 평균값은 이러한 극단적인 현실을 가려버립니다.
해결책: 저자는 "손실(Loss)"을 별개의 숫자로 생각하는 것을 멈추자고 제안합니다. 대신, 이 현상을 설명하기 위해 부도 확률(PD) 자체를 조정하는 방식을 취합니다.

비유: 동전 던지기 내기를 한다고 가정해 봅시다. "동전이 뒷면이 나오면 내 판돈의 50%를 잃는다"라고 말하는 대신, 동전이 뒷면이 나올 확률이 약간 더 높아지도록 게임의 규칙을 바꾸는 것입니다. 즉, 리스크의 원인을 "손실의 크기"에서 "사건이 발생할 확률"로 옮기는 것입니다.

B. "작은 표본"의 구름 (PD)

문제점: 은행들은 과거 기록을 바탕으로 디폴트율을 추정합니다. 만약 데이터가 1,0로 명뿐이라면, 1%의 실패율이라는 추정치는 매우 불안정합니다. 이는 단 하루의 관찰을 바탕으로 날씨를 추측하는 것과 같습니다.
해결책: 저자는 이를 처리하기 위해 복잡한 컴퓨터 시뮬레이션을 돌릴 필요가 없다고 제안합니다. 대신, 단순히 "상관관계" 다이얼을 높이면 됩니다.

비유: 날씨 예보가 불확실하다면, 단순히 기온을 다르게 추측하는 것이 아니라 날씨가 더 "전염성"이 있다고 가정하는 것입니다. 한 마을에 비가 온다면, 옆 마을에도 비가 올 확률이 높아집니다. 상관관계를 높임으로써, 모델은 자연스럽게 더 보수적으로 변하여(안전 버퍼를 확보하여) 데이터 부족을 보완하게 됩니다.

C. "흔들리는" 구름 (상관관계)

문제점: 상관관계는 차입자들이 얼마나 함께 움직이는지를 측정합니다. 하지만 우리는 정확한 숫자를 알지 못합니다. 이는 흔들리는 추정치입니다.
해결책: 저자는 지도 자체의 모양을 바꾸는 것을 제안합니다. 리스크가 매끄러운 "종 모양 곡선(정규분포)"을 따른다고 가정하는 대신, "두꺼운 꼬리(Fat-tailed)" 분포(예: t-분포)로 전환합니다.

비유: 종 모양 곡선은 극단적인 사건이 거의 불가능하다고 말합니다. 반면 "두꺼운 꼬리" 곡선은 "블랙 스완(거대하고 예상치 못한 폭락)" 사건이 매끄러운 곡선이 예측하는 것보다 더 자주 발생한다는 점을 인정합니다. 이 "더 거친" 지도를 사용함으로써, 모델은 매끄러운 지도가 무시하는 최악의 시나리오에 대해 자동으로 대비하게 됩니다.

3. 결과: 더 큰 안전망

저자가 이 모든 "구름"을 결합하여 테스트 모델(토이 모델)을 실행했을 때, 결과는 명확합니다.

추정된 리스크(Value-at-Risk)가 상승합니다.
논문은 초기 리스크 추정치가 3.87%였다면, 이러한 불확실성을 모두 고려했을 때 **5.74%**까지 올라간다는 것을 보여줍니다.

핵심 통찰: 리스크는 단순히 더해지는 것이 아니라, 서로 곱해집니다. 부도율에 대한 불확실성과 손실액에 대한 불확실성이 결합되면, 단순히 두 값을 더한 것보다 훨씬 더 큰 문제가 발생합니다. 여기에는 "분산 효과"가 없습니다. 불확실성들이 서로 위에 쌓여 중첩되기 때문입니다.

4. 결론: 새로운 운전 방식

논문은 은행들을 위해 간단하면서도 직관에 반하는 레시피를 제시하며 마무리됩니다.

만약 **손실(Losses)**이 걱정된다면, **부도율(Default Rates)**을 조정하십시오.
만약 부도율이 걱정된다면, **상관관계(Correlations)**를 조정하십시오.
만 만약 상관관계가 걱정된다면, **지도의 모양(Distribution)**을 바꾸십시오.

저자는 이것이 시작 단계임을 인정합니다(예를 들어, 지도 자체가 잘못된 모양일 가능성 등은 해결하지 못함). 하지만 이 방법은 은행들에게 불확실성이라는 안개를 단순히 없는 척하는 것이 아니라, 그 안개를 측정하고 관리할 수 있는 실질적이고 구현하기 쉬운 도구를 제공합니다.

요약하자면: 단일 숫자를 믿지 마십시오. 가능성의 범위를 믿고, 그에 따라 안전 버퍼를 조정하십시오.

기술 요약: 신용 포트폴리오 모델의 모델 리스크

문제 제의
신용 포트폴리오 모델에서의 모델 리스크는 금융 산업에서 매우 중요하지만, 여전히 충분히 다뤄지지 않고 있는 과제입니다. OCC나 연준(Fed)과 같은 규제 기관은 모델 리스크를 다른 리스크 유형과 동일한 엄격함으로 관리할 것을 명령하고 있지만, 신용 포트폴리오 맥맥락 내에서 모델 리스크를 구체적으로 다루는 문헌은 드문 실정입니다. 핵심적인 문제는 부도 확률(PD), 부도 시 손실률(LGD), 자산 상관계수와 같은 모델 파라미터를 고정된 점 추정치(point values)로 취급하는 표준 관행에 있습니다. 이러한 접근 방식은 이러한 추정치를 둘러싼 내재적 불확실성(인식론적 및 통계적 불확실성 모두)을 무시하며, 이는 가치평가액(VaR)과 같은 리스크 척도를 심각하게 왜곡할 수 있습니다. 현재의 민감도 분석은 종종 이러한 불측성을 정량화하지 못하거나 이를 관리하기 위한 통합적인 프레임워크를 제공하지 못합니다.

방법론
본 논문은 파라미터 불확실성을 처리하기 위해 파라미터를 상수가 아닌 추가적인 리스크 요인으로 모델링하는 통합 프레임워크를 제안합니다. 이는 파라미터를 확률 분포로 대체하고 이를 모델에서 "적분하여 제거(integrating them out)"하는 과정을 포함합니다. 방법론은 포트폴리오 손실이 체계적 리스크 요인( $X$ )과 개별적 요인( $\epsilon$ )으로부터 도출되는 표준 바시섹(Vasicek) 스타일의 토이 모델을 사용하여 입증됩니다. 이 접근 방식은 세 가지 특정 파라미터의 불확실성을 다룹니다:

LGD의 불확실성: LGD를 고정된 스칼라로 취급하는 대신, 저자는 부도를 상태의 집합, 구체적으로는 전액 회수 또는 전액 손실이라는 이진 결과로 모델링합니다. 이는 LGD 불확실성을 PD 영역으로 전이시킵니다. 기술적으로, 기대 LGD( $q$ )는 PD에 흡수되어 유효 PD를 $p \cdot q$ 로 변환합니다.
PD의 불확실성: PD는 종종 작은 표본으로부터 보정된다는 점을 인식하여, 본 논문은 PD( $p$ )의 불확실성을 표본 크기 $N$ 에 의해 스케일링된 이항 분포의 분산과 일치하는 분포(구체적으로 바시섹 분포 변수)를 사용하여 모델링합니다. 주요 분석 결과에 따르면, 바시섹 분포를 따르는 PD를 포트폴리오 모델에 삽입하는 것은 수학적으로 자산 상관계수를 조정하는 것과 동일합니다. 유효 상관계수는 $\varrho + \beta - \varrho \cdot \beta$ 가 되며, 여기서 $\beta$ 는 PD 불확실성의 분산을 나타냅니다.
상관계수의 불확실성: 자산 상관계수( $\varrho$ )의 불확실성을 다루기 위해, 체계적 리스크 요인은 더 이상 표준 정규 분포를 가정하지 않습니다. 대신, 본 논문은 정규 체계적 요인을 스케일링된 $t$ -분포로 대체할 것을 제안합니다. 이는 상관계수 파라미터가 역-카이제곱 분포를 따른다고 가정함으로써 달성되며, 이를 정규 변수와 곱하면 $t$ -분포 변수가 생성됩니다. 자유도( $\nu$ )는 경험적 상관 분포의 상대적 표준 편차를 기준으로 보정됩니다.

주요 결과
$p=0.01, \varrho=0.1, q=0.5$ , 신뢰 수준 99.9%인 토이 예제를 사용한 결과는 다음과 같습니다:

기초 VaR: 0.0387.
LGD 불확실성: LGD를 이진 리스크 요인으로 취급했을 때 VaR는 0.0460으로 증가했습니다.
PD 불확실성: PD 불확실성(표본 크기 $N=1000$ 가정)을 반영했을 때 VaR는 0.0431로 증가했습니다.
상관계수 불확실성: 상대 표준 편차가 0.25인(결과적으로 $\nu=36$ 인) 상관계수 불확실성을 모델링했을 때 VaR는 0.0425로 증가했습니다.
결합 효과: 모든 불확실성을 결합했을 때, 효과는 "가산적(additive) 이상"인 것으로 나타났으며, 이는 이 설정에서 모델 리스크의 분산 효과가 없음을 나타냅니다. 결합된 VaR는 0.0574로 상승했습니다(기초 대비 187 베이시스 포인트 증가).

또한, 본 논문은 유도된 PD 불의 상관계수 조정을 Basel II 상관계수 스트레스 함수와 비교하였으며, 두 함수 모두 낮은 PD를 스트레스한다는 점은 동일하지만 함수 형태는 크게 다르다는 점을 언급했습니다.

의의 및 주장
저자는 이 방법론이 포괄적이면서도 구현하기 쉬운 "통합적 관점"을 제공한다고 주장합니다. 본 연구의 주요 기여는 단순히 모델 리스크를 관리하는 것에서 모델 리스크를 측정 가능한 것으로 전환하는 데 있습니다. 파라미터를 리스크 요인으로 취럼으로써 기관은 다음을 수행할 수 있습니다:

모델 리스크에 미치는 영향에 따라 파라미터의 순위를 매길 수 있습니다.
단순한 민감도 분석을 넘어, 파라미터를 얼마나 스트레스 테스트해야 하는지에 대한 강건한 정량화 단계로 나아갈 수 있습니다.
다음과 같은 방식으로 업계 표준 모델(예: CreditMetrics)에 이 기술을 확장할 수 있습니다:
- LGD를 위한 전이 이벤트(migration event)로 부도를 구성합니다.
- PD 불확실성을 위해 섹터 내 상관관계를 조정합니다.
- 다변량 정규 분포를 다변량 $t$ -분포로 대체합니다.

본 논문은 이러한 방법들이 정량화 및 관리를 위한 시작점을 제공하기는 하지만, 모델 리스크를 완전히 제거하는 것은 아니라는 점을 인정하며 겸허하게 결론을 맺습니다. 또한, 실제 포트폴리오에서는 고유한 특성이나 음(-)의 상관관계가 존재할 수 있으므로, 동질적인 토이 모델에 비해 상관계수 불확실성의 영향력이 덜 지배적일 수 있습니다. 저자는 향후 연구가 리스크 요인 자체의 분포적 가정에 대한 모델 리스크를 다루기 위해 네트워크나 AI 기반의 벤치마크 모델을 포함할 수 있음을 시사합니다.