Integrating granular data into a multilayer network: an interbank model of the euro area for systemic risk assessment
이 논문은 유럽 지역의 주요 은행 그룹에 대한 감독 및 통계 데이터를 통합하여 다양한 전파 채널을 반영하는 다층 네트워크를 구축함으로써, 단순화된 단일 층 네트워크의 한계를 극복하고 보다 정확한 시스템적 위험 평가 및 스트레스 테스트를 가능하게 하는 실증 기반 접근법을 제시합니다.
원저자:Ilias Aarab, Thomas Gottron, Andrea Colombo, Jörg Reddig, Annalauro Ianiro
과거에 은행 간의 위험을 분석할 때 연구자들은 주로 **단순화된 2D 지도 (평면도)**를 사용했습니다.
비유: 은행 A 와 은행 B 가 서로 돈을 빌려주고, 주식을 사고팔고, 단기 대출도 주고받는 복잡한 관계가 있다고 칩시다. 기존 연구는 이 모든 관계를 뭉개서 "A 와 B 는 서로 100 억 원만큼 연결되어 있다"는 하나의 선으로만 표시했습니다.
문제점: 이는 마치 "서울과 부산이 400km 떨어져 있다"고만 말하고, 그 사이에 고속도로, 일반 도로, 철도, 비행기 노선이 어떻게 다른지는 무시하는 것과 같습니다. 실제로는 **고속도로 (장기 대출)**가 막히면 철도 (단기 자금) 로 우회할 수 있지만, 평면 지도에서는 모든 연결이 똑같이 보이기 때문에 위험을 제대로 예측하지 못했습니다.
2. 이 연구의 혁신: "다층 네트워크 (3D 지도)"
이 논문은 유럽중앙은행 (ECB) 의 방대한 실제 데이터를 모아서, 은행 간 관계를 층 (Layer) 이 여러 겹 쌓인 3D 지도로 만들었습니다.
층 (Layer) 이란? 각 층은 서로 다른 '거래 시장'을 의미합니다.
장기 대출 층: 3 개월 이상 빌려주는 돈 (안정적인 관계).
단기 대출 층: 3 개월 미만, 하루 단위로 빌려주는 돈 (매우 민감한 관계).
주식/채권 층: 서로가 발행한 주식을 사거나 파는 관계.
단기 자금 조달 층: 담보로 잡은 채권을 팔아 현금을 구하는 관계 (레포 시장).
외부 자산 층: 은행들이 모두 같은 회사의 주식을 가지고 있어서, 한 은행이 주식을 팔면 다른 은행도 손해를 보는 '공유 자산' 관계.
핵심 발견: 이 3D 지도를 보니, 같은 은행이라도 층마다 중요도가 완전히 달랐습니다.
어떤 은행은 '장기 대출' 층에서는 아주 작고 안전한 존재였지만, '단기 자금' 층에서는 거대하고 위험한 핵심 연결고리였습니다.
기존 평면 지도 (모든 층을 합친 것) 를 보면, 중요한 은행이 가려지거나 반대로 중요하지 않은 은행이 위험해 보이는 착각이 생깁니다.
3. 실험: "감기 바이러스 시뮬레이션"
연구자들은 이 3D 지도를 바탕으로 두 가지 시나리오를 실행해 보았습니다.
A. DebtRank (부채의 전염)
상황: 한 은행이 갑자기 파산했다고 가정합니다.
결과:
장기 대출 층: 충격이 퍼지는 속도가 느리고, 영향력이 작았습니다. (안정적이라서)
단기 자금 층: 충격이 순식간에 퍼졌습니다. 특히 은행들이 현금을 확보하려고 돈을 아끼기 시작하면 (유동성 부족), 다른 은행들이 순식간에 파산하는 '연쇄 폭발'이 일어났습니다.
교훈: 은행이 파산할 때, '얼마나 많은 돈을 빌려줬는가'보다 **'얼마나 많은 단기 자금을 잃을 것인가'**가 더 치명적일 수 있습니다.
B. 에이전트 기반 모델 (실제 행동 시뮬레이션)
상황: 한 은행이 파산하면, 다른 은행들은 어떻게 반응할까? (돈을 아끼거나, 주식을 팔거나)
결과:
크기보다 위치: 은행이 아무리 거대해도, 네트워크의 '중심'에 있지 않으면 큰 피해를 주지 않았습니다. 반면, 작은 은행이라도 네트워크의 핵심 연결고리에 있으면 큰 파장을 일으켰습니다.
비선형성: 유동성 (현금) 이 조금만 부족해져도 (예: 5% 에서 10% 로), 시스템 전체가 붕괴되는 위험이 기하급수적으로 늘어났습니다. 마치 다리가 조금만 흔들려도 무너지는 것처럼요.
4. 결론: 왜 이 연구가 중요한가?
이 연구는 **"하나의 지도로 모든 것을 판단하면 안 된다"**는 것을 증명했습니다.
실생활 비유: 만약 우리가 도시의 교통 체증을 분석할 때, '도로'만 보고 '철도'나 '비행기'를 무시하면, 실제로는 철도가 막혀서 도시 전체가 마비될 수 있다는 사실을 놓치게 됩니다.
정책적 시사점: 규제 당국 (중앙은행 등) 은 이제 은행을 평가할 때, 단순히 "은행이 얼마나 큰가"만 보지 말고, **"어떤 시장 (층) 에서 얼마나 중요한가"**를 층별로 따로따로 봐야 합니다. 그래야만 실제 위기 상황에서 어떤 은행을 먼저 구해야 할지, 어떤 정책을 세워야 할지 정확하게 알 수 있습니다.
한 줄 요약:
"은행 간의 위험은 하나의 평면이 아니라, 서로 다른 성격의 층들이 겹쳐진 복잡한 3D 구조입니다. 이 연구는 실제 데이터를 바탕으로 그 3D 지도를 그려냈고, 어떤 층이 무너지면 도시 전체가 얼마나 큰 타격을 입는지 정확히 예측할 수 있게 해줍니다."
1. 문제 제기 (Problem)
이론과 실증의 괴리: 시스템적 위험과 전염 (Contagion) 에 대한 미시구조 모델 이론은 충격 전파가 다양한 채널 (상대방 노출, 단기 자금 조달 및 롤오버 위험, 증권 상호 보유, 공통 자산의 화재 판매 (fire-sale) 외부 효과 등) 을 통해 발생한다고 강조합니다. 그러나 실증 연구들은 데이터의 통합 난이도로 인해 종종 단일 노출 차원에만 집중하거나, 실제 데이터를 대신하는 스타일라이즈드 (가상) 네트워크를 사용합니다.
데이터 통합의 어려움: 실제 양자 간 노출 (Bilateral exposures) 데이터는 서로 다른 정의, 빈도, 개체 식별자 (Identifier), 통합 기준 (Consolidation rules) 하에 분산되어 있어 (예: AnaCredit, EMIR, SFTDS 등), 이를 일관된 네트워크로 통합하는 것이 현실적으로 매우 어렵습니다.
단일 레이어의 한계: 다양한 상호작용 유형 (단기/장기 신용, 담보부 자금 조달, 증권 보유 등) 을 단일 네트워크로 집계 (Flattening) 하면, 각 채널별 고유한 위상 (Topology) 이 숨겨지고 특정 시장에서 시스템적으로 중요한 기관을 오인할 수 있습니다.
2. 방법론 (Methodology)
저자들은 유로존의 주요 은행 그룹 (Significant Banking Groups) 을 대상으로 한 실증 기반 다층 네트워크를 구축하기 위해 다음과 같은 단계를 거쳤습니다.
A. 데이터 통합 및 전처리
데이터 소스: 다양한 감독 및 통계 데이터를 통합했습니다.
RIAD: 기관 및 계열사 식별 및 은행 그룹 구조 정의.
ROSSI: 주요 은행 그룹 목록 (Sample selection).
AnaCredit: 기업 대출 상세 데이터 (장기/단기 신용).
SFTDS: 증권 금융 거래 (Repo, Buy-sell back 등) 데이터.
CSDB/SHSG: 증권 발행 및 보유 데이터 (증권 상호 보유 및 외부 포트폴리오).
FINREP/COREP: 재무제표 및 자본 정보 (노드 속성 강화).
정합성 확보: 서로 다른 식별자, 통합 기준, 보고 구조를 조율하여 공통의 노드 집합 (은행 그룹) 에 기반한 일관된 노출 행렬을 생성했습니다.
B. 다층 네트워크 구축 (6 개의 레이어)
모든 레이어는 동일한 노드 집합 (은행 그룹) 을 공유하지만, 각 레이어는 서로 다른 전파 채널을 나타냅니다.
증권 상호 보유 (Cross-securities): 은행 간 발행 증권 보유 (주식/채권 통합).
단기 자금 조달 (Short-term funding): Repo 및 Buy-sell back 거래 (담보 제공자에서 수령자로 방향성 부여).
외부 증권 (External securities): 은행 그룹이 외부 발행 증권에 대한 공통 보유를 통해 화재 판매 (Fire-sale) 외부 효과를 모델링하기 위해 투영된 비방향성 그래프 (포트폴리오 겹침 기반).
평탄화된 네트워크 (Flattened network): 모든 레이어를 합산한 단일 집계 네트워크 (비교용 베이스라인).
C. 분석 프레임워크
구축된 네트워크를 기반으로 두 가지 주요 분석을 수행했습니다.
DebtRank 기반 전파 측정:
신용 위험: 자본 버퍼 (Tier 1 자본) 를 기준으로 상대방 부도 시 손실 전파 측정.
유동성 부족: 현금 및 예금 위치를 기반으로 한 유동성 버퍼 (Liquidity Buffer) 를 사용하여 자금 조달/롤오버 위험 측정.
미시구조 에이전트 기반 모델 (Agent-Based Model):
[26] 의 모델을 확장하여 실제 노출 데이터를 사용.
장기 시장 (상대방 위험) → 단기 시장 (유동성 호딩) → 외부 증권 시장 (화재 판매) 순서의 전파 시나리오 구현.
초기 부도 발생 시 추가 부도 수와 시스템 전체 자본 손실을 추적.
3. 주요 기여 (Key Contributions)
측면 (Measurement): 유로존 주요 은행 그룹을 위한 다층 노출 네트워크를 최초로 구축했습니다. 이질적인 감독/통계 데이터를 통합하여 일관된 통합 기준과 공통 노드 집합을 가진 실증 기반 네트워크를 제공했습니다.
구조 (Structure): 레이어 간 연결성 (Connectivity) 과 중심성 (Centrality) 에서 뚜렷한 이질성이 존재함을 입증했습니다. 특히, 집계된 (단일 레이어) 네트워크는 채널별 고유 구조를 숨기고 시스템적 중요 기관을 잘못 식별할 수 있음을 보였습니다.
시스템적 위험 분석의 함의 (Implications): 실제 데이터를 기반으로 기존에 주로 가상 네트워크에서 연구되던 전파 모델 (DebtRank, 에이전트 기반 모델) 을 적용했습니다. 이를 통해 시장 세그먼트에 따라 시스템적 영향력과 전파 패턴이 어떻게 달라지는지, 그리고 레이어 인식 (Layer-aware) 측정이 기존 접근법과 어떻게 다른지 실증했습니다.
4. 주요 결과 (Results)
레이어 간 이질성:
연결성: 신용 및 자금 조달 레이어는 스케일 프리 (Scale-free) 특성을 보이며 우측으로 치우친 분포를 가진 반면, 증권 상호 보유 레이어는 더 균일한 분포를 보였습니다.
중심성: 페이지랭크 (PageRank) 와 매개 중심성 (Betweenness) 은 소수의 기관에 집중되어 있었으나, 근접 중심성 (Closeness) 은 코어 - 페리퍼리 (Core-Periphery) 구조를 명확히 보여주었습니다.
시스템적 중요성의 채널 의존성:
특정 은행이 장기 신용 시장에서는 시스템적 중요도가 낮을 수 있지만, 단기 자금 조달 (Repo) 시장에서는 매우 중요할 수 있습니다.
유동성 버퍼의 비선형성: 유동성 버퍼 계수 (β) 가 증가할수록 (유동성 압박 심화), 전파 효과 (DebtRank) 는 비선형적으로 급증했습니다. 특히 Repo 시장에서의 전파가 단기 신용 시장보다 훨씬 컸습니다.
에이전트 기반 모델 시뮬레이션:
소수의 기관이 초기 충격 시 대규모 연쇄 부도 (Cascades) 를 유발했습니다.
크기 vs 네트워크 위치: 은행의 규모 (자산) 만으로는 시스템적 위험을 설명하지 못했습니다. 네트워크 내 위치와 특정 시장에서의 연결성이 더 중요한 결정 요인이었습니다.
비선형 전파: 유동성 버퍼가 낮아질수록 (β=0.2), 소수의 주요 기관이 전체 시스템 자본의 50% 이상을 위협하는 극단적인 연쇄 부도를 발생시켰습니다.
집계 네트워크의 한계: 단일 집계 네트워크를 사용할 경우, 레이어 간 상호작용으로 인한 비선형 효과를 과소 또는 과대 평가할 수 있으며, 특정 채널의 위험을 정확히 포착하지 못합니다.
5. 의의 및 결론 (Significance)
정책적 시사점: 이 연구는 시스템적 위험 평가와 스트레스 테스트가 레이어 인식 (Layer-aware) 방식으로 수행되어야 함을 강조합니다. 단일 집계 네트워크에 의존하는 것은 특정 시장의 취약점을 놓칠 수 있습니다.
데이터 기반 접근: 거시건전성 및 미시건전성 감독을 위해 실제 감독 데이터를 통합한 정교한 네트워크 모델을 제공함으로써, 이론적 모델과 실증 현실 사이의 간극을 좁혔습니다.
미래 방향: 이 프레임워크는 다양한 시장 세그먼트의 미세 구조적 특성을 고려한 유연하고 표적화된 거시/미시 건전성 정책 도구 설계에 기초를 제공하며, 다중 채널 전염 메커니즘을 평가하는 구체적인 실증적 토대가 됩니다.
결론적으로, 이 논문은 복잡한 금융 네트워크의 다층적 특성을 실제 데이터로 정밀하게 측정하고, 이를 통해 기존 단일 레이어 모델이 놓칠 수 있는 시스템적 위험을 포착할 수 있음을 입증했다는 점에서 중요한 학술적 및 정책적 기여를 하고 있습니다.