Modeling dependency between operational risk losses and macroeconomic variables using Hidden Markov Models

1. 문제 정의 (Problem Statement)

• 배경: 금융 기관은 운영 리스크 (내부/외부 프로세스, 인력, 시스템 실패 등으로 인한 손실) 를 신용 리스크 및 시장 리스크와 동등하게 관리해야 합니다. 바젤 II 의 고급 측정 접근법 (AMA) 은 내부 모델을 허용했으나, 바젤 IV 로의 전환과 함께 표준화된 접근법이 강조되면서 내부 모델의 중요성은 '경제적 자본 (Economic Capital)' 산정 및 스트레스 테스트를 위해 여전히 필수적입니다.
• 기존 방법론의 한계:
  • 손실 분포 접근법 (LDA): 전통적으로 손실 빈도 (Poisson 과정) 와 심각도 (Lognormal, Pareto 등) 를 독립적으로 가정하는 합성 푸아송 과정 (Compound Poisson Process, CPP) 을 사용합니다.
  • 정적 가정의 문제: CPP 는 사건 발생이 독립적이고 시계열적 기억 (memory) 이 없으며, 손실 분포가 정상적 (stationary) 이라고 가정합니다. 그러나 실제 운영 리스크는 금융 위기, 자연재해, 전쟁 등 특정 시기에 집중되는 '정세 전환 (Regime Switching)' 특성을 보입니다.
  • 거시경제 변수의 부재: 기존 모델들은 거시경제 충격 (예: 시장 변동성) 이 운영 리스크에 미치는 영향을 동적으로 반영하지 못합니다. 스트레스 테스트에서는 이러한 거시경제 변수와 손실 간의 관계를 정량화하는 것이 필수적입니다.
• 연구 목표: 운영 리스크 손실의 시계열적 의존성과 거시경제 변수 (예: 변동성 지수) 간의 관계를 포착할 수 있는 동적 모델링 프레임워크를 개발하고, 이를 통해 스트레스 테스트 시나리오 하에서 더 정확한 손실 예측 (VaR) 을 가능하게 하는 것입니다.

2. 방법론 (Methodology)

저자들은 다변량 숨은 마르코프 모델 (Multivariate Hidden Markov Model, HMM) 을 제안하여 운영 리스크 손실과 거시경제 변수 간의 의존성을 모델링합니다.

A. 모델 구조

• 숨은 상태 (Latent State, $X_n$): 관찰할 수 없는 운영 리스크 환경의 상태 (예: 정상 상태 vs 위기 상태) 를 나타내는 이산형 마르코프 체인입니다.
• 관측 변수 (Observation, $Y_n$): 2 차원 가우시안 벡터로 구성됩니다.
  • $Y_n^1$: 거시경제 공변량 (Macro-economic covariate, 예: VSTOXX).
  • $Y_n^2$: 운영 리스크 손실 (Operational loss).
• 의존성 메커니즘: 두 관측 변수는 직접적으로 연결되는 것이 아니라, 공통의 숨은 상태 $X_n$을 통해 의존성을 가집니다. 즉, 거시경제 충격이 숨은 상태의 전이를 유발하고, 이 상태가 손실 분포의 평균과 분산에 영향을 미칩니다.

B. 추정 및 예측 알고리즘

• 파라미터 추정: 관찰된 데이터 시계열을 기반으로 모델 파라미터 (초기 분포 $\pi$, 전이 행렬 $A$, 방출 확률 밀도 함수 $\theta$) 를 추정하기 위해 기대값 최대화 (EM) 알고리즘 (Baum-Welch 알고리즘) 을 사용합니다.
  • Forward 알고리즘: 주어진 모델에서 관측 시퀀스의 확률 (Likelihood) 계산.
  • Backward 알고리즘: 미래 관측치를 고려한 상태 확률 계산.
  • Forward-Backward 알고리즘: 상태의 사후 확률 (Filtered/Smoothed probabilities) 계산.
• 예측 (Quantile Estimation):
  • 미래 시점 ($N+1$) 의 운영 리스크 손실 분포를 예측하기 위해, 현재까지의 관측치를 기반으로 숨은 상태의 사후 확률을 계산합니다.
  • 전이 확률을 이용해 다음 상태 $X_{N+1}$을 시뮬레이션하고, 해당 상태에 따른 가우시안 분포에서 손실 $Y_{N+1}^2$을 샘플링합니다.
  • 이를 반복하여 생성된 표본을 통해 90 백분위수 (VaR) 를 추정합니다.

C. 데이터 전처리

• 운영 리스크 데이터의 극단값 (Heavy tails) 이 가우시안 가정의 파라미터 추정을 왜곡할 수 있으므로, 사분위수 범위 (IQR) 기반의 필터링을 적용하여 이상치를 제거하고 정규 분포에 근사되도록 데이터를 정제했습니다.

3. 주요 기여 (Key Contributions)

1. 다변량 HMM 프레임워크의 적용: 기존 HMM 이 주로 시계열 데이터의 숨은 상태 식별에 사용되던 것과 달리, 거시경제 변수를 관측 벡터의 일부로 직접 통합하여 운영 리스크 예측에 활용했습니다.
2. 동적 스트레스 테스트 지원: 정적인 분포 가정을 넘어, 거시경제 충격이 운영 리스크의 '정세 (Regime)'를 어떻게 변화시키는지 동적으로 포착할 수 있는 모델을 제시했습니다. 이는 스트레스 테스트 시나리오 분석에 필수적입니다.
3. 공변량 포함의 타당성 검증: 모든 운영 리스크 유형에서 거시경제 변수가 유용한 것은 아님을 실증적으로 증명했습니다. 특정 이벤트 유형 (예: 사기) 에서는 의존성이 명확하지만, 다른 유형 (예: 물리적 손상) 에서는 효과가 미미함을 보여주었습니다.

4. 실험 결과 (Results)

연구는 바젤 II 의 7 가지 이벤트 유형 중 내부 사기 (Internal Fraud) 를 중심으로 분석했으며, 다른 유형들과 비교했습니다.

• 데이터: 2000 년 1 월부터 2018 년 6 월까지의 은행 운영 손실 데이터 (익명화 및 재조정) 와 EURO STOXX 50 변동성 지수 (VSTOXX) 를 사용했습니다.
• 모델 설정:
  • 시간 집계 단위: 분기 (Quarterly), 월 (Monthly), 주 (Weekly).
  • 숨은 상태 수 ($K$): 2, 3, 4 개.
  • 비교: 거시경제 변수 포함 여부 (VSTOXX 포함 vs 미포함).
• 주요 발견:
  1. 정세 전환 (Regime Switching) 포착: 운영 손실은 정상 상태와 위기 상태 (고손실) 를 오가는 정세 전환 특성을 보입니다. 2007-2009 금융 위기 기간에 고손실 정세가 명확히 관찰되었습니다.
  2. 주파수 (Frequency) 의 영향:
     • 분기/월 단위: 표준 HMM 만으로도 정세 전환을 잘 포착합니다.
     • 주 단위: 데이터의 노이즈가 많아 표준 HMM 은 상태가 빈번하게 전환되는 비현실적인 결과를 보입니다.
     • VSTOXX 의 효과: 주 단위 데이터에서 VSTOXX 를 포함하면 모델의 상태 전환이 안정화되고, 실제 위기 기간과 더 잘 일치하는 정세 감지 능력을 보입니다. 이는 거시경제 변수가 고빈도 데이터의 노이즈를 보정하고 구조적 변화를 식별하는 데 도움을 줍니다.
  3. 예측 정확도 (MSE):
     • 내부 사기 (ET1) 및 외부 사기 (ET2): VSTOXX 를 포함했을 때 90 백분위수 예측 오차 (MSE) 가 크게 감소했습니다. 특히 주 단위 데이터에서 개선 효과가 두드러졌습니다.
     • 물리적 손상 (ET5) 및 시스템 고장 (ET6): VSTOXX 포함 여부에 따라 예측 정확도에 큰 차이가 없거나 오히려 악화되었습니다. 이러한 리스크는 금융 시장 변동성보다는 운영/기술/환경 요인에 더 민감함을 시사합니다.
  4. 상태 수 (K) 의 영향: 데이터가 부족한 분기/월 단위에서는 상태 수가 너무 많으면 (K=4) 과적합 (Overfitting) 이 발생하여 성능이 저하되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실무적 의의: 이 연구는 운영 리스크 관리 및 스트레스 테스트에서 단일한 모델이 모든 리스크 유형에 적용될 수 없으며, 리스크 유형별 특성에 맞는 공변량 (Covariate) 선택이 필수적임을 보여줍니다.
• 규제적 시사점: 바젤 IV 및 스트레스 테스트 (CCAR, EBA) 환경에서, 거시경제 시나리오가 운영 리스크에 미치는 영향을 정량화하는 유연한 도구를 제공합니다.
• 향후 연구 방향:
  • 가우시안 가정의 한계를 극복하기 위해 Student-t 분포나 타일 분포 (Heavy-tailed distributions) 로의 확장 필요.
  • 기후 변화, 지정학적 리스크, 사이버 보안 지표 등 다양한 새로운 거시경제/외부 변수의 통합 가능성 탐구.

요약하자면, 이 논문은 운영 리스크 손실이 거시경제 환경과 동적으로 연관되어 있음을 증명하고, 이를 모델링하기 위해 다변량 HMM을 제안했습니다. 특히 내부 사기와 같은 특정 리스크 유형에서는 변동성 지수 (VSTOXX) 를 모델에 포함함으로써, 고빈도 데이터에서의 예측 정확도를 획기적으로 향상시키고 위기 시나리오 하에서의 리스크 감지 능력을 강화할 수 있음을 실증했습니다.