기술 요약: SHARC – 규제 자본을 위한 머신러닝 리스크 모델의 SHAP 기반 해석 가능성

1. 문제 제기

가우시안 프로세스 회귀(Gaussian Process Regression, GPR)를 포함한 비모수적 머신러닝 모델의 규제 자본 추정(ICAAP 및 CCAR) 도입은 "블랙박스"라는 근본적인 거버넌스 장벽에 직면해 있다. GPR 및 관련 아키텍처는 전통적인 모수적 접근 방식(예: GARCH, 역사적 시뮬레이션)보다 예측 우월성을 입증함에도 불구하고, 그 출력값은 분석적 분해 가능성이 결여되어 있다. FRTB(금융상품 거래의 기초 자산 검토), ICAAP Pillar 2, CCAR와 같은 규제 프레임워크는 모델이 감사 가능해야 함을 요구하며, 이는 자본 추정치가 비기술적 감독관이 검증할 수 있는 근본적인 리스크 동인으로 분해될 수 있어야 함을 의미한다. 전통적인 모델은 구조적으로 이를 충족하지만, GPR은 사후 예측 분포(posterior predictive distribution)가 허용 가능한 함수들에 대한 적분으로 정의되므로 특정 입력값이 출력에 기여하는 바를 규명하는 것이 비선형적이고 복잡하다. 본 논문은 고급 ML 아키텍처의 예측 정확도를 희생하지 않으면서 이러한 투명성 장벽을 해결할 필요성을 다룬다.

2. 방법론: SHARC 프레임워크

본 논문은 Hybrid GPR-HS 아키텍처에 SHAP(SHapley Additive exPlanations)을 적용하는 구조화된 설명 가능성 프레임워크인 **SHARC (SHAP for Regulatory Capital)**를 소개한다.

2.1 이론적 토대

SHARC는 협동 게임 이론(Shapley, 1953; Lundberg & Lee, 2017)에서 유도된 모델 불가지론적(model-agnostic) 방법인 SHAP을 활용한다. 이 프레임워크는 규제 감사 요구사항과 직접적으로 매핑되는 네 가지 공리적 특성에 기반한다:

• 국소적 정확성(Local Accuracy): SHAP 값의 합은 모델 출력값과 일치하며, 이는 자본의 완전한 분해를 보장한다(설명되지 않는 "유령" 자본이 존재하지 않음).
• 결측성(Missingness): 입력값이 0인 특징(feature)은 출력에 0의 기여를 하여, 유령 기여(phantom attribution)를 방지한다.
• 일관성(Consistency): 특정 특징의 한계 기여도가 증가하면 해당 SHAP 값은 감소할 수 없으며, 이는 단조성을 보장한다.
• 효율성(Efficiency): 분해 결과의 합은 모델 출력과 베이스라인 간의 차이와 정확히 일치하여 잔여물이 0이 되도록 보장한다.

2.2 Stressed VaR(SVaR)에 대한 적용

본 프레임워크는 일반 VaR가 아닌, 자본 결합 규제 측정치인 **Stressed VaR(SVaR)**에 적용된다. 방법론은 SVaR 계산 함수 $f(\mu, \sigma)$를 설명 대상(target)으로 취급한다.

• 입력 특징: 분석에는 $N$개의 스트레스 GPR 모델에서 파생된 $2N$개의 특징을 사용한다: 포트폴리오 자산에 대한 $N$개의 예측 조건부 평균($\mu_i$)과 $N$개의 예측 조건의 표준편차($\sigma_i$).
• 분해 공식: SHARC 프레임워크는 다음과 같이 분해를 정식화한다:
  $$SVaR_{SHARC} = \phi_0 + \sum_{i} (\phi_{\mu_i} + \phi_{\sigma_i})$$
  여기서 $\phi_0$는 베이스라인 자본(Pre-stress Day 1 SVaR)이며, $\phi_{\mu_i}$는 방향성 평균(손실 규모)의 기여도, $\phi_{\sigma_i}$는 변동성(volatility)의 기여도이다.
• 구현: GPR 사후 분포를 블랙박스로 취급하고 가중 선형 회귀를 통해 값을 추정하기 위해 모델 불가지론적 특성을 가진 Kernel SHAP을 사용한다. 분석은 글로벌 평균 행동보다는 특정 자본 계산을 위한 시점별 해석(T=252에서의 점 단위 출력)에 집중한다.

2.3 시나리오 테스트

프레임워크는 세 가지 뚜렷한 매크로 스트레스 시나리오에 대해 검증되었다:

1. 서아시아 전쟁(West Asia War): 유럽 및 홍콩 시장에 대한 깊은 충격을 특징으로 함.
2. 기후 리스크(Climate Risk): 이질적인 지리적 충격 집중을 특징으로 함.
3. AI 버블/규제 부담(AI Bubble/Regulatory Burden): 미국 기술 섹터(S&P 500)에 대한 깊은 충격을 특징으로 함.

3. 주요 결과

3.1 프레임워크 충실도 및 추적 가능성

SHARC 분해는 SVaR 출력을 기저의 시나리오 설계에 일관되게 매핑한다. 서아시아 전쟁 시나리오에서는 EURO STOXX 50의 평균 성분( -40% 충격에 의해 유도됨)이 주요 동인으로 나타난 반면, 완만한 충격을 받은 지수들(FTSE 100, Nikkei 225)은 완화 요소로 작용했다. 마찬가지로 AI 버블 시나리오에서는 S&P 500의 평균 성분(기술 섹터의 -45% 충격)이 지배적이었다. 이는 Hybrid GPR-HS 아키텍처가 비선형 구조를 통해 시나리오 입력을 충실히 전달함을 확인시켜 주며, SHARC가 이 전달 과정을 투명하게 만든다는 것을 입증한다.

3.2 스트레스 상황에서의 평균(Mean)의 변동성(Variance) 대비 우위

본 논문의 주요 분석적 발견은 스트레스 조건하에서 관찰되는 비선형 리스크 분해 패턴이다:

• 정상 조건: 변동성(volatility)이 일반적으로 VaR/ES 계산을 주도하며, 이는 기존 문헌(McNeil et al., 2015)과 일치한다.
• 스트레스 조건: 강력한 스트레스 조건(예: 252일 동안 -40%의 손실을 강제하는 경우) 하에서는, 평균 수익 성분(방향성 손실 규모)이 최종 SVaR을 결정하는 데 있어 변동성 성분보다 일관되게 우세하게 나타난다.
• 메커니즘: 시나리오가 극단적인 음(-)의 방향성 손실을 규정할 때, 내재된 일일 평균 수익률은 매우 깊은 음의 값을 갖게 되며, 이것이 자본을 결정짓는 구속 요인(binding constraint)으로 작용한다. 이 과정에서 변동성 성분은 존재하지만 부차적인 역할에 머문다.

3.3 규제 문서화 산출물

SHAP Force Plot은 핵심적인 규제 출력물로 식별된다. 이는 특정 터미널 SVaR(예: 서아시아 전쟁의 경우 -2.2231%)을 베이스라인, 평균 기반, 변동성 기반 성분으로 잔여 없이 시각적으로 분해하여 보여준다. 이를 통해 규제 당국은 어떤 지수 노출이 자본 요구량을 유발하며 그 정도가 얼마인지 즉각적으로 식별할 수 있어, FRTB 및 ICAAP 문서화 표준을 충족할 수 있다.

4. 의의 및 기여

본 논문은 GPR 채택을 가로막는 규제 장벽을 해결하는 네 가지 주요 기여를 주장한다:

1. 공리적 규제 매핑: SHAP의 네 가지 공리를 FRTB, ICAAP, CCAR 문서화 요구사항에 공식적으로 매핑하여, SHAP을 이론적으로 근거가 확실한 설명 가능성의 토대로 확립하였다.
2. SHARC 프레임워크: SVaR을 베이스라인, 평균 기반, 변동성 기반 성분으로 구조화하여 분해함으로써, Hybrid GPR-HS 내에서 자본 동인을 투명하게 해석할 수 있게 한다.
3. 경험적 검증: SHARC가 다양한 매크로 시나리오 전반에서 SVaR 출력을 시나리오 설계와 일관되게 정렬함을 입증하여, 프레임워크의 충실도와 감사 가능한 추적 가능성을 확인하였다.
4. 실무적 거버넌스 템플릿: SHARC 분해를 다음과 같은 실행 가능한 리스크 거버넌스 규칙으로 변환한다:
   • 자본 한도 설정: 스트레스 상황에서 평균 성분이 SVaR의 80% 이상을 기여할 경우, 리스크 관리자는 변동성 기반 헤징(예: 옵션)보다 포지션 축소를 우선시해야 한다. 이는 변동성을 줄이는 헤지가 방향성 손실 규모에 대해서는 효과적이지 않을 수 있기 때문이다.
   • 시나리오 검증: SHAP 순위와 입력 충격 크기 사이의 불일치는 시나리오 설계 오류를 식별하는 신호가 될 수 있다.
   • 보고: Force plot은 ICAAP/CCAR 제출을 위한 직접적인 증빙 자료로 활용된다.

5. 결론

본 논문은 SHARC가 Hybrid GPR-HS를 완전히 감사 가능한 자본 엔진으로 변모시킨다고 결론짓는다. "블랙박스" 문제를 해결함으로써, 금융 기관은 FRTB, ICAAP, CCAR의 엄격한 투명성 및 문서화 표준을 준수하면서도 비모수적 ML 모델의 예측 우월성을 활용할 수 있다. 연구 결과는 스트레스 상황에서 자본 요구량이 변동성 확대보다 방향성 손실 규모에 의해 더 많이 결정된다는 점을 시사하며, 이는 포지션 관리 및 헤징 전략에 직접적인 시사점을 제공한다. 이 프레임워크는 단순한 학술적 연구를 넘어, 규제 리스크 거버넌스를 위한 실전 투입 가능한 도구로서 제시된다.