기술 요약: 금융 소외 계층의 신용 평가를 위한 대안 데이터 활용

1. 문제 정의

본 연구는 전통적인 신용 기록(예: 신용카드 사용, 공식 대출 기록)이 부족한 개인들에게 나타나는 "신용 불투명성(credit invisibility)" 문제를 다룬다. 기존의 신용 보고 시스템에서 이러한 개인들은 데이터 공백으로 인해 고위험군으로 오분류되거나 자동으로 신용이 거절되는 경우가 많으며, 이로 인해 서브프라임 대출로 내몰리거나 금융 서비스에서 완전히 배제되기도 한다. 핵심 문제는 전통적인 스코어링 모델이 데이터의 부재를 상환 능력의 부재와 혼동함으로써, 금융 포용을 제한하고 금융 기관이 잠재적인 우량 고객을 식별하는 것을 방해한다는 점이다.

2. 방법론

데이터 및 실험 설계

본 연구는 2021년부터 2023년까지의 실제 서브프라임 자동차 대출 신청 데이터를 활용한다. 데이터셋의 구성은 다음과 같다:

• 훈련 샘플: 50,000건의 관측치.
• 테스트 샘플: 20,000건의 관측치.
• 타겟 변수: 12개월 관측 기간 동안의 채무 불이행(Default) 상태.

연구는 두 가지 주요 그룹을 포함하는 비교 프레임워크를 구축한다:

1. 베이스라인 모델: 전통적인 신용 변수(신용카드 한도, 과거 잔액, 미결제 계좌, 소득, 총부채 상환 비율, 계좌 보유 기간, 연체 플래그 및 최근 조회 기록)로만 학습됨.
2. 퓨전(Fusion) 모델: 전통적 변수에 **대안 데이터(Alternative Data)**를 결합하여 학습됨.

피처 엔지니어링(Feature Engineering)

대안 데이터 피처는 비신용 결제 행동에 대한 24개월 관찰 창(window)으로부터 도출된다. 구체적으로는 다음과 같다:

• 임대료 납부 이력: 연속적인 임대 계약 횟수, 결제율(예: 최근 90일), 연체 기간 등.
• 공공요금 및 통신비: 고지서 결제율, 결제 지연 일수, 결제 금액의 변동성.
• 안정성 지표: 365일간의 휴대전화 번호 안정성 및 결제 금액의 변화율.

결정적으로, 본 연구는 누락된 기록을 평균/중앙값으로 대체(impute)하거나 삭제해야 할 오류로 취급하지 않고, **정보를 담고 있는 결측 지표(informative missing indicators)**로 취급한다. 이는 제한된 공식 신용 기록을 가진 신청자와 불안정한 상환 행동을 보이는 신청자 간의 구분을 보존하기 위함이다.

모델 아키텍처

연구는 3계층 프레임워크를 채택한다:

1. 베이스라인 계층: 전통적 변수를 사용하여 선형적 리스크 베이스라인을 설정하는 정규화된 로지스틱 회귀 모델.
2. 퓨전 계층: 세 가지 알고리즘에 대안 데이터 피처를 통합:
   • 로지스틱 회귀(Logistic Regression)
   • 랜덤 포레스트(Random Forest)
   • XGBoost
3. 결정 계층: 리스크 통제(채무 불이행 확률), 승인 범위, 그리고 집단 공정성을 동시에 최적화하는 공동 차별 메커즘.

알고리즘 및 최적화:

• 로지스틱 회귀: 해석 가능성과 선형 베이스라인 비교를 위해 사용됨.
• XGBoost: 비선형 피처 상호작용 및 앙상블 학습을 위해 사용됨. 목적 함수는 실제 채무 불이행 라벨과 예측 확률 사이의 손실을 최소화하는 동시에, 리프 노드 가중치와 정규화 파라미터를 통해 모델 복잡도를 제어한다.
• 공정성 제약 조건: 결정 계층은 인종 및 소득 집단에 대한 형평성을 해치면서 승인율을 높이는 것을 방지하기 위해 인구통계적 패리티(Demographic Parity, DP)와 기회 균등(Equal Opportunity, EO) 제약 조건을 포함한다.

평가 지표

성능은 다음을 통해 평가된다:

• 예측력: AUC, KS 통계량, F1 스코어.
• 운영 지표: 대출 승인율 및 12개월 채무 불이행률.
• 공정성 지표: 인종 및 소득 집단 간의 인구통계적 패리티 차이 및 기회 균등 차이.
• 설명 가능성: 글로벌 및 로컬 피처 중요도를 위한 SHAP(SHapley Additive exPlanations) 값, 그리고 로컬 일관성 검사를 위한 LIME.

3. 주요 결과

예측 성능 및 승인율

대안 데이터의 도입은 전통적 데이터만을 사용한 베이스라인과 비교했을 때 모든 알고리즘에서 모델 성능을 유의미하게 향 향상시켰다:

• AUC 개선:
  • 로지스틱 회귀: 0.682에서 0.731로 증가.
  • 랜덤 포레스트: 0.758로 증가.
  • XGBoost: 0.781로 증가.
• 승인율: 대안 데이터를 적용한 XGBoost 모델은 승인율을 기존 41.6%(전통적 베이스라인)에서 **63.7%**로 높였다. 이는 22.1 퍼센트 포인트의 증가를 의미하며, 테스트 세트에서 4,420명의 신청자를 추가로 승인했다.
• 리스크 통제: 승인율의 상당한 증가에도 불구하고, 12개월 채무 불이행률은 **6.8%에서 7.2%**로(0.4 퍼센트 포인트 증가) 미미하게 상승했으며, 이는 통계적으로 유의미하지 않은 것으로 나타났다. 이는 추가 승인이 고위험군에 집중되지 않았음을 시사한다.

피처 중요도

피처 중요도 테스트 결과, 다음의 대안 데이터 변수들이 신용 불투명 계층의 상환 능력을 결정하는 핵심 요소로 식별되었다:

• 적기 임대료 납부.
• 적기 고지서 결제 횟수.
• 전화번호의 장기적 일관성.

공정성 분석

인종 및 소득 집단에 대해 실시된 공정성 테스트 결과, 형평성이 악화되었다는 증거는 발견되지 않았다:

• 인종 집단: 인구통계적 평등 차이는 0.005(p-value: 0.312) 변화하였고, 기회 균등 차이는 0.004(p-value: 0.347) 변화하였다.
• 소득 집단: 인구통계적 형평성 격차는 0.005(p-value: 0.286) 변화하였고, 기회 균등 차이는 0.003(p-value: 0.401) 변화하였다.
  이 결과는 승인 범위를 확대하더라도 소수자나 저소득층에 대한 차별이 심화되지 않았음을 시사한다.

결측 데이터에 대한 절제 연구(Ablation Study)

본 연구는 전통적인 신용 기록의 누락을 단순한 결측치가 아닌 정보가 담긴 신호로 취급하는 것이 필수적임을 발견했다. 데이터를 대체(imputation)할 경우 이질적인 결측 패턴이 압축되어 정보의 희소성과 실제 리스크 사이의 경계가 약화되는 반면, 샘플을 삭제할 경우 신용 불투명 인구의 대표성이 저하되는 문제가 발생했다.

4. 주요 기여

1. 대안 데이터의 경험적 검증: 본 연구는 임대료, 공공요금, 통신비와 같은 대안 데이터가 전통적인 신용 정보를 효과적으로 보완하여, 관찰되지 않은 결제 연속성을 측정 가능한 상환 능력의 근거로 전환할 수 있음을 입증한다.
2. 리스크-형평성 공동 최적화: 제안된 프레임워크는 금융 포용 확대(높은 승인율)와 리스크 관리(최소한의 채무 불이행률 증가) 및 공정성 제약 사이의 균형을 성공적으로 맞추었으며, 승인 기준 완화 시 흔히 발생하는 "리스크 전이(risk spillover)" 현상을 방지했다.
3. 방법론적 엄밀성: 더 복잡한 알고리즘을 사용하는 것 자체의 이점과 대안 데이터의 증분 가치를 분리하기 위해, 강력한 전통적 데이터 기반의 XGBoost 베이스라인과 대안 데이터 모델을 비교함으로써 방법론적 엄밀성을 확보했다.
4. 결측 데이터 처리: 본 논문은 결측치를 구조화된 신호로 취급하는 특정 데이터 처리 전략을 옹호하며, 이것이 표준적인 대체 기법보다 신용 불투명 인구에게 더 적합함을 보여주었다.

5. 의의 및 주장

본 논문은 자사의 접근 방식이 기존의 신용 리스크 평가 관행보다 더 넓은 범위의 금융 서비스 커버리지를 제공한다고 주장한다. 대안 데이터가 단순히 승인 기준을 낮추는 것이 아니라, 전통적인 신용 점수가 놓치는 결정적인 행동 정보를 제공한다는 점을 강조한다.

저자들은 이 방법론이 다음과 같은 효과를 가진다고 단언한다:

• 신용 불명확한 개인들이 고비용 또는 불투명한 차입 채널에 의존하는 대신 공식적인 신용에 접근할 수 있도록 하여 금융 포용을 강화한다.
• 상환 능력과 상관관계가 있는 안정적인 결제 패턴을 식별함으로써 리스크 평가를 정교화한다.
• 인구통계적 형평성을 유지하여 대안 데이터의 혜택이 인종 및 소 income 집단 전반에 걸쳐 공정하게 분배되도록 보장한다.

본 연구는 결과가 서브프라임 자동차 대출 맥락에 특화되어 있으나, 포용적 신용 평가를 위한 대안 데이터 활용에 대한 강력한 경험적 근거를 제공한다고 결론짓는다. 저자들은 이러한 결과의 다른 대출 유형에 대한 일반화 가능성에 대한 한계를 언급하며, 향-후 연구로서 장기 데이터 활용, 다중 시나리오 통합, 그리고 프라이버시 보존 컴퓨팅 기술 등을 제안한다.