Contagion or Macroeconomic Fluctuations? Identifiability in Aggregated Default Data

이 논문은 집계된 디폴트 데이터를 통해 전염 현상을 식별할 수 있는지 연구하여, 거시경제 변동과 전염 효과를 구분하는 것이 모델의 상호작용 메커니즘에 따라 달라지며 특히 로 - 데이비스 (Lo-Davis) 모델에서는 전염의 흔적이 여전히 관찰되지만 토리 (Torri) 모델에서는 거시경제 변동에 흡수되어 식별이 불가능함을 규명합니다.

핵심

이 논문은 "기업들이 파산할 때, 그 파산이 서로의 영향 (전염) 을 받아서 일어난 것인지, 아니면 모두 같은 거시경제 상황 (예: 경기 침체) 때문에 동시에 일어난 것인지, aggregated(집계된) 데이터만으로는 구별할 수 있을까?" 라는 아주 중요한 질문을 던집니다.

저자 모리 신타로 (Shintaro Mori) 는 이 문제를 "미세한 원인을 거시적인 결과에서 찾아낼 수 있는가 (Identifiability)" 라는 관점에서 분석했습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

🍎 비유: "사과 썩기"와 "전염병"

우리가 사과 한 바구니 (기업 포트폴리오) 를 가지고 있다고 상상해 보세요. 시간이 지나면 사과들이 썩기 시작합니다 (기업 파산). 이때 썩은 사과들이 왜 썩었을까요?

1. 시나리오 A (거시경제 요인): 날씨가 갑자기 추워지거나 습도가 높아져서 바구니 전체의 사과가 동시에 조금씩 썩기 시작합니다. (Vasicek 모델)
2. 시나리오 B (전염병 - 누적형): 한 사과가 썩으면, 그 옆에 있는 사과에게도 병균이 옮겨가서 점점 더 많은 사과가 썩습니다. (Lo-Davis 모델)
3. 시나리오 C (전염병 - 임계값형): 단 한 개의 사과가 썩기만 해도, 바구니 전체에 '썩는 신호'가 켜져서 나머지 사과들이 한꺼번에 썩습니다. (Torri 모델)

이 논문은 "우리가 바구니 전체를 통째로 볼 때 (연간 파산 건수만 알 때), 이 세 가지 시나리오 중 어떤 것이 실제로 일어났는지 구별할 수 있을까?" 를 연구했습니다.

---

🔍 연구의 핵심 발견

1. "날씨"가 더 중요했다 (i.i.d. 가정 하에서)

먼저, 매년 날씨가 일정하다고 가정하고 데이터를 분석해 봤습니다.

• 결과: Vasicek 모델 (날씨/거시경제) 이 실제 데이터를 가장 잘 설명했습니다.
• 이유: 거시경제의 영향은 모든 기업에 부드럽게 퍼지기 때문에, 데이터의 모양이 가장 자연스럽고 매끄럽게 맞았습니다. 반면, 전염병 모델들은 데이터의 꼬리 부분 (극단적인 파산) 을 설명하는 데 다소 어색했습니다.

2. "날씨"가 변한다는 사실을 인정하자 (계층적 모델)

하지만 현실에서는 매년 날씨가 변합니다 (경기 호황/불황). 그래서 연구자는 "매년 파산 확률이 변한다"는 사실을 모델에 추가했습니다.

• 놀라운 결과: 연간 파산 건수의 변동성 (왜 어떤 해는 파산이 많고 어떤 해는 적은지) 을 설명하는 주된 원인은 전염병이 아니라, '매년 바뀌는 경제 상황 (날씨)' 이었습니다.
• 비유: 사과가 썩은 건 대부분 '추운 겨울' 때문이지, '한 사과가 썩어서 다른 사과에게 옮긴' 탓은 아니라는 뜻입니다.

3. 하지만 전염병은 완전히 사라지지 않았다 (구별 가능성)

그렇다면 전염병은 아예 없는 걸까요? 아닙니다. 모델에 따라 결과가 달랐습니다.

• Torri 모델 (임계값형 전염):
  • 비유: "한 개만 썩으면 다 썩는다"는 방식입니다.
  • 결과: 경제 상황 (날씨) 의 변화를 설명하면, 이 전염 현상은 완전히 사라져 버렸습니다. 데이터만 보고는 이것이 전염인지, 그냥 나쁜 날씨인지 구별할 수 없게 됩니다. (거시경제 변동에 완전히 흡수됨)
• Lo-Davis 모델 (누적형 전염):
  • 비유: "한 개가 썩으면 옆으로 조금씩, 또 옆으로 조금씩 퍼진다"는 방식입니다.
  • 결과: 경제 상황을 설명한 후에도 작지만 뚜렷한 흔적이 남았습니다. 즉, 거시경제 변동만으로는 설명되지 않는 "작은 전염의 흔적"이 데이터에 남아있어 구별이 가능했습니다.

---

💡 결론: 우리가 무엇을 배웠는가?

이 논문의 결론은 매우 명확합니다.

1. 거시경제가 주인공: 연간 파산 데이터를 볼 때, 파산이 몰리는 현상 (Clustering) 의 대부분은 경제 상황의 변화 때문입니다.
2. 전염병은 조연: 전염병 효과는 존재할 수 있지만, 그 영향력은 경제 상황보다 훨씬 작습니다.
3. 구별의 한계:
   • 만약 전염병이 "한 번 터지면 다 터지는" 방식 (Torri) 이라면, 우리는 데이터만 보고는 이것이 전염인지, 그냥 나쁜 경제인지 구별할 수 없습니다. (거시경제에 묻혀버림)
   • 하지만 전염병이 "서서히 퍼지는" 방식 (Lo-Davis) 이라면, 약간은 구별할 수 있습니다.

🎯 일상적인 교훈

이 연구는 금융 위기나 기업 파산의 원인을 분석할 때, "무조건 전염병 (시스템 리스크) 탓만 하지 말라" 는 경고를 줍니다. 대부분은 거시경제라는 큰 흐름 때문일 가능성이 높습니다.

하지만 만약 우리가 "서서히 퍼지는 전염" 을 의심한다면, 아주 정교하게 데이터를 분석해야만 그 흔적을 찾아낼 수 있다는 점도 알려줍니다. 단순히 "파산이 몰렸다"고 해서 무조건 전염병이라고 단정 짓는 것은 위험할 수 있다는 뜻입니다.

한 줄 요약:

"사과 바구니가 썩은 건 대부분 '추운 날씨 (거시경제)' 때문이지, '한 사과가 썩어서 옮긴 (전염)' 탓은 아니다. 하지만 만약 썩는 방식이 아주 천천히 퍼지는 거라면, 그 흔적은 아주 미세하게나마 찾을 수 있다."

기술 요약

1. 연구 문제 (Problem)

• 핵심 질문: 집계된 디폴트 데이터 (예: 연별 디폴트 건수) 만으로 기업 간 전염 (Contagion) 효과를 거시경제 변동 (Macroeconomic Fluctuations) 과 구별하여 식별 (Identify) 할 수 있는가?
• 배경: 신용위험 분야에서 디폴트 군집 (Default Clustering) 현상은 널리 관찰되지만, 그 미시적 기원이 한 기업의 디폴트가 다른 기업에 직접 영향을 미치는 '전염'인지, 아니면 공통적인 충격이 모든 기업의 디폴트 확률을 동시에 높이는 '거시경제 요인'인지 구분하기 어렵다.
• 난제: 실제 데이터는 기업 간 네트워크 구조나 개별 디폴트 시점에 대한 정보가 없는 '집계된 데이터 (Aggregated Data)'인 경우가 많다. 집계 과정 (Coarse-graining) 은 일부 상호작용 효과를 억제할 수 있어, 미시적 수준에서 전염이 존재하더라도 집계된 데이터에서는 거시경제 변동과 구별되지 않을 수 있다.

2. 방법론 (Methodology)

저자는 연별 디폴트 건수 데이터를 분석하기 위해 세 가지 대표적인 의존성 구조 (Dependence Structures) 를 비교 분석합니다.

A. 비교 대상 모델

1. Lo-Davis 모델 (누적 전염):
   • 기존 디폴트 건수가 증가할수록 추가 디폴트 확률이 부드럽게 증가하는 누적적 (Cumulative) 전염 메커니즘.
   • 이산형 (Discrete) 혼합 분포를 형성.
2. Torri 모델 (임계값형 전염):
   • 감염성 디폴트가 하나라도 발생하면 전염 상태가 활성화되는 'OR'형 임계값 (Threshold) 메커니즘.
   • 비감염 상태와 감염 상태로 구분되는 이질적인 두 체제 (Two-regime) 구조.
3. Vasicek 모델 (공통 요인):
   • 연속적인 잠재 거시경제 요인 (Common Factor) 에 의해 조건부 독립이 유도되는 모델.
   • 이항 분포의 연속적 혼합 (Continuous Binomial Mixture) 구조.

B. 분석 단계

1. i.i.d. 가정 하의 적합도 분석:
   • 연도별 파라미터가 일정하다고 가정 (정적 모델).
   • 실제 데이터 (1920~2023 년, ALL, SG, IG 등급) 에 대한 최대우도추정 (MLE) 및 꼬리 행동 (Tail Behavior) 비교.
2. 계층적 확장 (Hierarchical Extension):
   • 연도별 디폴트 확률 ($p_t$) 이 거시경제 조건에 따라 변동한다고 가정 (동적 모델).
   • 분산 분해 (Variance Decomposition): 연간 디폴트 건수의 변동성을 다음 세 가지로 분해하여 분석.
     • $Var(L_t) = E[Var(L_t|p_t)]$ (i.i.d. 변동) + $E[Dependence]$(전염/의존성) +$Var(E[L_t|p_t])$(연도별$p_t$ 변동).
   • 이를 통해 '연내 전염'과 '연간 거시경제 변동' 중 어떤 것이 데이터 변동을 주도하는지 식별.

3. 주요 결과 (Key Results)

A. i.i.d. 가정 하의 결과

• 적합도: Vasicek 모델이 모든 등급 (ALL, SG, IG) 에서 가장 낮은 음의 로그우도 (Negative Log-Likelihood) 를 보이며 가장 잘 적합됨.
• 꼬리 행동: Vasicek 모델은 실제 데이터의 꼬리 (Tail) 분포를 가장 잘 재현함. 반면, Torri 모델은 꼬리가 급격히 감소하여 극단적 사건을 과소평가하고, Lo-Davis 모델은 Vasicek 보다는 덜 적합함.
• 시사점: i.i.d. 가정 하에서는 연속적인 혼합 메커니즘 (Vasicek) 이 이산적인 전염 메커니즘보다 집계된 디폴트 군집을 더 잘 설명함.

B. 계층적 모델 (Time-varying) 의 결과

• 변동성의 주원인: 연간 디폴트 건수 변동의 대부분은 연도별 디폴트 확률 ($p_t$) 의 변동 (거시경제 요인) 에 의해 설명됨. 전염 효과는 부차적인 역할만 함.
• 모델별 식별성 차이:
  • Torri 모델: 거시경제 변동 ($p_t$) 을 도입하면, 임계값형 전염 효과는 거의 0 에 수렴함. 즉, 집계된 데이터 수준에서 임계값 전염은 거시경제 이질성과 구별되지 않고 흡수됨.
  • Lo-Davis 모델: 거시경제 변동이 도입되더라도 작지만 지속적인 전염 성분 (Infection Component) 이 분산 분해와 꼬리 행동에서 여전히 관찰됨.
• 꼬리 위험 (Tail Risk):
  • 계층적 Lo-Davis 모델은 실제 데이터의 꼬리 분포를 가장 균형 있게 재현함.
  • 계층적 Torri 모델과 Vasicek 모델은 꼬리 위험을 과대평가하는 경향이 있음 (특히 IG 등급).

4. 주요 기여 및 결론 (Contributions & Conclusion)

1. 식별성 (Identifiability) 에 대한 명확한 결론:

   • 집계된 데이터 (Coarse-grained data) 에서 임계값형 전염 (Threshold-type contagion, Torri) 은 거시경제 변동과 구별 가능한 안정적인 성분을 남기지 못함. 즉, 집계 데이터만으로는 이러한 전염 메커니즘의 존재를 입증하기 어려움.
   • 반면, 누적 전염 (Cumulative contagion, Lo-Davis) 은 거시경제 변동과 중첩되더라도 작지만 구별 가능한 (Distinguishable) 잔여 성분을 남김.

2. 디폴트 군집의 본질:

   • 집계된 연별 디폴트 데이터의 군집 현상은 강력한 전염 효과보다는 시간에 따라 변하는 신용 조건 (Time-varying credit conditions) 에 의해 주로 주도됨.
   • 전염이 존재한다면, 분산의 주원인이 아니라 꼬리 모양을 미세하게 조정하는 (Refining) 부차적인 역할만 수행함.

3. 모델링 관점:

   • 세 모델은 모두 이항 혼합 (Binomial Mixture) 의 관점에서 해석될 수 있음.
   • Lo-Davis 모델은 두 층위 (전염 메커니즘과 거시경제 변동) 가 부분적으로 구별되는 반면, Torri 와 Vasicek 모델은 집계 수준에서 서로 더 강하게 중첩됨을 보여줌.

5. 의의 (Significance)

이 연구는 거시경제 변동과 전염 효과를 구분하는 것이 집계된 데이터만으로는 매우 어렵다는 점을 통계적으로 입증했습니다. 특히, 어떤 종류의 전염 메커니즘이 데이터에 식별 가능한 서명을 남기는지를 규명함으로써, 신용위험 모델링 시 과도한 전염 가정을 경계하고, 거시경제 요인의 시간적 변동성을 적절히 반영하는 계층적 모델의 중요성을 강조합니다. 또한, 미시적 네트워크 데이터가 부재한 상황에서 집계 데이터의 한계와 가능성을 명확히 제시했다는 점에서 실용적 가치가 높습니다.