💰 quantitative finance

Climate aware lending allocation under NGFS scenarios - A Monte Carlo approach

본 논문은 NGFS 기후 시나리오를 구조적 신용 위험 모델에 통합하여 채무자의 부도 확률을 시뮬레이션하고 대출 포트폴리오 배분을 최적화함으로써, 은행이 기후 전환 및 물리적 위험을 미래 지향적인 신용 위험 결과 및 스트레스 테스트와 연계할 수 있도록 하는 몬테카를로 기반의 프레임워크를 제시한다.

원저자: Marina Palaisti

게시일 2026-10-02

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Marina Palaisti

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

은행들은 미래를 예측하기 위해 오랫동안 과거의 이력에 의존해 왔습니다. 대출 대상자를 결정할 때, 은행들은 경제적 관계가 비교적 안정적으로 유지될 것이라고 가정하며 차입자들이 과거에 어떻게 행동했는지를 살펴봅니다. 이러한 접근 방식은 평상시에는 잘 작동하지만, 역사적 전례가 없는 방식으로 세상이 변할 때는 어려움을 겪습니다. 기후 변화는 바로 그러한 힘 중 하나입니다. 기후 변화는 차입자들에게 두 가지 뚜렷한 유형의 위험을 도입합니다. 즉, 극한의 날씨가 자산을 손상시키고 운영을 방해하는 물리적 위험과, 저탄소 경제로의 전환이 비용, 규제, 시장 수요를 변화시키는 전환 위험입니다. 이러한 힘은 시장 주기보다는 정책에 의해 주도되는 미래 지향적인 것이기 때문에, 전통적인 도구들은 진정한 위험을 포착하지 못하는 경우가 많습니다. 이제 규제 당국은 은행들이 더 나은 녹색 미래를 향한 다양한 경로가 대출의 안전성에 어떤 영향을 미칠지 이해하고, 앞을 내다볼 것을 요구하고 있습니다.

마리나 팔레스티(Marina Palaisti)라는 연구자는 이 질문에 답하기 위한 새로운 방법을 개발했습니다. 이 연구는 향후 3~5년 동안 다양한 기후 시나리오 하에서 대규모 차입자 집단이 어떻게 행동할지를 시뮬레이션하는 컴퓨터 모델을 구축하는 작업을 포함합니다. 추측하는 대신, 이 모델은 중앙은행 및 감독 기관들의 글로벌 그룹인 녹색 금융 시스템 네트워크(NGFS)가 제공하는 구체적이고 구조화된 미래 시나리오를 사용합니다. 이 시나리오들은 저탄소 세계로의 원활하고 질서 있는 전환부터, 정책 변화가 갑작스럽게 일어나고 폭풍으로 인한 물리적 피해가 증가하는 혼란스러운 상황까지 다양합니다. 모델은 이러한 광범위한 이야기를 개별 기업에 미치는 구체적인 효과로 변환하여, 그들의 성장 속도와 부도 가능성을 조정합니다.

연구의 핵심은 1,000개의 가상 기업을 대상으로 한 시뮬레이션입니다. 연구자는 모델에 다양한 기후 시나리오를 입력하여 각 시나리오가 기업의 재무 건전성을 어떻게 변화시키는지 확인합니다. 모델 내에서 기업의 가치는 재화 생산 능력 및 에너지 관리 능력과 연결됩니다. 기후 시나리오가 닥치면, 이는 기업의 성장 엔진에 충격을 주는 것처럼 작용합니다. 예를 들어, 엄격한 탄소세가 도입되는 시나리오는 석탄에 의존하는 공장의 가동을 늦출 수 있고, 더 나은 기술이 도입되는 시나리오는 풍력 에너지 기업의 성장을 도울 수 있습니다. 모델은 각 기업이 임계값 아래로 떨어져 대출을 채무 불이행(디폴트)할 확률을 계산합니다. 이러한 시뮬레이션을 수천 번 실행함으로써, 연구자는 단순히 평균적인 위험뿐만 아니라 전체 차입자 집단 전체에 위험이 어떻게 분포되어 있는지를 볼 수 있습니다.

결과는 선택한 기후 시나리오가 매우 중요하다는 것을 보여줍니다. 서로 다른 시나리오는 매우 다른 위험 패턴을 만들어냅니다. 정책 대응이 지연되고 날씨로 인한 물리적 피해가 증가하는 한 시나리오에서는, 위험이 비교적 고르게 퍼져 있어 많은 기업이 완만한 어려움에 직면합니다. 반면, 녹색 경제로의 전환이 갑작스럽고 급격한 충격으로 발생하는 다른 시나리오에서는 위험이 더 불균형해집니다. 이전에 안전했던 일부 기업들이 갑자기 높은 위험에 직면하는 반면, 다른 기업들은 안정적인 상태를 유지합니다. 연구에 따르면, 전환이 질서 있고 조율된 상태일 때 이 특정 시뮬레이션에서 포트폴리오의 평균 위험이 실제로 가장 높았으며, 갑작스러운 경각심을 주는 시나리오가 평균 위험이 가장 낮았습니다. 이는 시나리오의 심각성이 단순히 날씨가 얼마나 나빠지느냐에 달려 있는 것이 아니라, 경제가 변화에 어떻게 반응하느냐에 달려 있음을 강조합니다.

계산된 위험을 사용하여, 연구자는 그다음으로 실질적인 질문을 던졌습니다. 은행이 안전을 유지하면서 수익을 극대화하고자 한다면 어떻게 돈을 빌려야 하는가? 모델은 각 기후 시나리오 하에서 어떤 부문이 가장 매력적으로 보이는지를 보여주는 가이드 역할을 합니다. 물리적 재난이 주요 위협인 시나리오에서 모델은 풍력이나 수력과 같은 회복 탄력성이 있는 인프라에 더 많이 대출할 것을 제안합니다. 전환이 갑작스럽고 혼란스러운 시나리오에서는, 빠르게 변화하는 시장에서 더 가치 있을 수 있는 깨끗한 천연가스나 탄소 포집 시스템과 같은 '가교(bridge)' 기술 쪽으로 선호도를 옮깁니다. 흥란하게도, 가장 극단적인 시나리오에서도 모델은 화석 연료 부문에 대한 대출을 완전히 끊지는 않지만, 깨끗한 대안들에 비해 그 규모를 대폭 축소합니다.

이 연구는 이러한 결과가 시뮬레이션과 모델에 구축된 가정에 따라 특정된다는 점을 강조합니다. 결과는 기후 시나리오가 기업 수준의 데이터로 어떻게 변환되는지에 달려 있으며, 모델은 아직 개별 기업이 어떻게 적응할지 또는 특정 위치가 기업에 어떤 영향을 미칠지에 대한 모든 세부 사항을 포착하지는 못합니다. 그러나 이 프레임워크는 은행들이 고차원의 기후 서사를 실제 대출 채권의 위험과 연결할 수 있는 명확하고 투명한 방법을 제공합니다. 이는 기후 위험이 단일한 숫자가 아니라, 세상이 나아가는 경로에 따라 변하는 복잡한 지형임을 보여줍니다. 이러한 종류의 미래 지향적 분석을 사용함으로써, 은행들은 과거를 돌아보는 것을 넘어 서로 다른 기후 미래가 가져올 구체적인 도전 과제에 대비할 수 있습니다.

기술 요약: NGFS 시나리오 하에서의 기후 인지적 대출 배분

문제 정의

본 논문은 전방향적(forward-looking) 기후 리스크를 신용 리스크 관리 및 자본 배분에 통합하는 과제를 다룬다. 전통적인 신용 리스크 프레임워크는 과거 데이터와 안정적인 경제 관계에 의존하므로, 정책 주도적이고 시나리오 의존적이며 전방향적인 특성을 가진 기후 리스크에는 적합하지 않다. 규제 당국은 NGFS(Network for Greening the Financial System) 기후 시나리오를 내부 자본 적정성 평가 프로세스(ICAAP) 및 스트레스 테스트를 위한 포트폴리오 수준의 손실 및 자본 영향으로 변환할 수 있는 도구를 요구하고 있다.

핵심 문제는 제약 조건이 있는 최적화 문제로 정의된다. 금융 기관은 부도 리스크와 분산 제약 조건을 준수하면서 기대 이자 수익을 극대화하기 위해 총 자본 예산 $K$ 를 $N$ 개의 채무자에게 배분하고자 한다. 목적 함수는 각 채무자 $i$ 에 대한 최적 대출 금액 $x_i$ 를 결정하는 것이며, 다음과 같다:
$\max_{x_1, \dots, x_N} \sum_{i=1}^N x_i \eta_i (1 - PD_i)$
단, $\sum x_i = K$ 및 $0 \le x_i \le \kappa K$ 를 만족해야 한다. 여기서 $\eta_i$ 는 위험 조정 이자율이고 $PD_i$ 는 부도 확률이다. 결정적인 과제는 $PD_i$ 가 정적인 값이 아니라, 기업 수준의 역학을 변화시키는 기후 시나리오 경로(전환 리스크 및 물리적 리스크)의 함수라는 점이다.

방법론

본 논문은 NGFS 단기 시나리오(2024)를 기업 수준의 가치 역학에 내재화하는 구조적 신용 리스크 프레임워크를 제안한다. 방법론은 다음 네 가지 주요 단계로 진행된다.

1. 기업 수준의 배출량 및 생산 모델링

기업은 순 현재 가치(NPV) 이익을 극대화하기 위해 배출 전략 $\gamma_i$ 를 선택하는 최적화 에이전트로 모델링된다.

비용 구조: 기업은 에너지 생산에 대한 이차 비용(quadratic costs)과 배출 벤치마크로부터의 편차에 따른 규제적 벌금 또는 보상에 직면한다.
생산 역학: 로그 생산 수준 $p_t^i$ 는 확률 미분 방정식(SDE)을 따른다. 드리프트(drift) 항 $\mu_i$ 는 배출 선택 및 자본 비용 노출을 나타내는 레버리지 페널티( $x_i \eta_i$ )를 포함한 기후 요인에 의해 조정된다.
최적 전략: 본 논문은 볼록한 비용 구조 하에서 최적의 배출 정책의 존재성과 유일성을 입증하며, 이차 비용 하에서의 최적 전략에 대한 폐쇄형 해(closed-form solution)를 도출한다.

2. 구조적 부도 모델링

기업 가치 $V_t^i$ 는 예상되는 미래 현금 흐름(기후 관련 손실 차감 후)의 현재 가치에서 예상 물리적 손실(EPL)을 뺀 값으로 정의된다.

부도 조건: 기업 가치가 부채 임계값 $L_i(t)$ 아래로 떨어질 때 부도가 발생한다.
가치 함수: 가치 프로세스는 생산 성장, 비용 및 물리적 손실을 통합하는 결정론적 함수 $h_i(t, x)$ 를 통해 로그 생산 프로세스와 연결된다.
드리프트 조정: NGFS 시나리오 충격(전환 및 물리적 리스크)은 섹터 수준의 조정을 위해 매핑되며, 이는 기업의 생산 프로세스 드리프트를 수정한다. 이를 통해 기후 조정된 드리프트 $\tilde{\mu}_i^\theta$ 가 생성된다.

3. 의존성 및 시뮬레이션 (몬테카를로)

체계적 리스크 요인의 공분산 행렬에 대한 주성분 분석(PCA)을 사용하여 공동 부도 및 체계적 리스크를 모델링한다.

차원 축소: 체계적 리스크 벡터 $X_t$ 는 첫 두 개의 주성분(고유값 $\nu_1, \nu_2$ )에 의해 근사되어, 고차원의 상관관계 구조를 두 개의 직교하는 요인( $G_1, G_2$ )으로 축소한다.
부도 확률 추정: 몬테카를로 시뮬레이션( $M=5000$ 회 추출)을 사용하여, 특정 시나리오 하에서 각 채무자의 부도 확률( $PD_i$ )을 추정하기 위해 개별적(idiosyncratic) 및 체계적(systemic) 충격을 시뮬레이션한다. 부도 조건은 개별 상태 $A_t^i$ 와 체계적 임계값 $X_t^i$ 간의 비교로 변환된다.

4. 제약 조건이 있는 최적화

추정된 $PD_i$ 값은 선형 계획법 솔버에 입력되어 최적의 대출 배분 $x_i$ 를 결정한다. 이 최적화는 단일 채무자에 대한 과도한 집중을 방지하기 위해 분산 캡( $\kappa = 0.05$ )을 준수하면서 위험 조정 수익을 극대화한다.

주요 기여

NGFS 시나리오의 구조적 통합: 본 연구는 NGFS 단기 시나리오를 구조적 포트폴리오 신용 리스크 모델에 직접 내재화하여, 높은 수준의 기후 내러티브를 기업 수준의 부도 역학 및 자본 신호로 연결한다.
시나리오 의존적 드리프트 조정: 전환 및 물리적 리스크 충격이 기업 가치 역학의 드리프트를 조정하는 메커니즘을 도입하여, 섹터 수준의 기후 영향을 채무자별 신용도 지표로 변환한다.
다루기 쉬운 포트폴리오 최적화: PCA와 선형 계획법을 사용하는 계산 가능한 접근 방식을 제공하여 다양한 기후 경로에 따른 대출 배분 패턴을 평가함으로써, 기존 신용 모델에 대한 전방향적 오버레이를 제공한다.
합성 포트폴리오 분석: 1,000개의 채무자로 구성된 합성 포트폴리오를 활용함으로써, 은행의 독점적 데이터가 없는 상황에서도 프레임워크의 작동 원리를 입증하고 모델 리스크 및 캘리브레이션 의존성을 강조한다.

결과

본 연구는 네 가지 NGFS 시나리오(재난 및 정책 정체(DAPS), 파리 협정으로 가는 고속도로(HWTP), 갑작스러운 각성(SWUC), 갈라지는 현실(DiRe))에 대해 결과를 시뮬레이션한다.

부도 확률 분포: 절대적인 $PD$ 는 여전히 낮지만(일반적으로 1.5% 미만), 횡단면적 분포는 크게 달라진다.
- HWTP (질서 있는 전환)는 가장 높은 평균, 중앙값 및 상위 꼬리 $PD$ 를 생성한다.
- SWUC (급격한 전환)는 가장 낮은 평균 및 중앙값 $PD$ 를 생성한다.
- DAPS와 DiRe는 서로 다른 물리적 및 전환 리스크 노출을 반영하여 분산되거나 클러스터링된 분포를 보인다.
- 참고: 이러한 순위는 모델에 의해 도출된 것이며 캘리브레이션에 따라 달라질 수 있는 결과이지, 시나리오의 심각성을 나타내는 경험적 척도는 아니다.
대출 배분 패턴:
- DAPS: 자본이 탄력적인 저탄소 인프라(풍력, 수력, 바이오매스)에 집중된다.
- HWTP: DAPS와 유사하게 풍력과 수력을 선호하며, 전환 지원 섹터(태양광, 원자력, 이산화탄소 포집)에 대한 배분은 더 작다.
- SWUC 및 DiRe: "가교(bridge)" 기술(클린 가스)과 완화 기술(이산화탄소 포집)이 가장 큰 배분을 받는 혼합된 포트폴리오를 생성하며, 운송 및 제조업 섹터도 함께 포함된다. 화석 연료 섹터가 완전히 배제되지는 않으나 제한적이고 캡이 씌워진 배분을 받는다.
강건성: 민감도 검사를 통해 분산 캡이 퇴행적인 코너 솔루션(corner solutions)을 피하는 데 필수적임을 확인했다. 배분 결과는 독립적인 몬테카를로 추출에 대해 안정적이지만, 개별 채무자의 순위는 시뮬레이션 노이즈로 인해 변동될 수 있다.

의의 및 한계

의의:
본 논문은 은행이 NGFS 시나리오를 섹터 수준의 신용 리스크 및 포트폴리오 손실 결과와 연결할 수 있는 실행 가능한 프레임워크를 제공한다고 주장한다. 이는 기후 리스크에 가장 민감한 노출을 식별하고 기존 모델에 전방향적 오버레이를 추가함으로써 ICAAP 및 기후 스트레스 테스트를 지원한다. 또한 기후 금융, 불확실성 하의 포트폴리오 최적화, 스트레스 테스트 연구를 연결함으로써 문헌에 기여한다.

한계:
저자는 결과가 NGFS 시나리오 설계 및 섹터 수준의 영향 추정치에 의존하며, 이는 여전히 불확실하다는 점을 명시하고 있다.

이질성: 모델은 섹터 분류별로 충격을 매핑하며, 섹터 내 이질성(예: 기업 수준의 탄소 집약도, 지리적 노출, 적응 능력)을 완전히 포착하지 못한다.
정적 부채: 기업의 부채를 일정하게 유지하여 동적인 구조조정이나 재금융을 무시한다.
리스크 요인: 기후 리스크는 드리프트 성분을 통해서만 유입되며, 변동성 변화, 팻 테일(fat-tailed) 결과 및 점프 리스크는 제외되었다.
합성 데이터: 분석에는 합성 포트폴리오가 사용되었으므로, 실제 적용을 위해서는 실제 은행 수준의 데이터에 대한 경험적 검증이 필요하다.

본 논문은 이 프레임워크가 신용도와 포트폴리오 탄력성에 대한 시나리오 영향을 탐색하는 데 유용한 도구이지만, 경험적 신용 모델을 대체하기보다는 시나리오 분석용 오버레이로 간주되어야 한다고 결론짓는다.