📈 economics

Model Risk Unmasked: An Empirical Reckoning with IRB Capital Requirements

본 연구는 매개변수 불확실성과 부도 확률 및 부도 시 손실률 사이의 강력한 상관관계를 내부등급법 규제 자본 산출에 반영하는 것이 더욱 정확하고 견고하며 안정적인 금융 시스템을 구축하는 데 필수적임을 입증한다.

원저자: Naveen Kumar V, Praveen Gujjar

게시일 2026-06-29

📖 4 분 읽기☕ 가벼운 읽기

원저자: Naveen Kumar V, Praveen Gujjar

원본 논문은 CC BY 4.0 (https://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

핵심 요약: 은행의 안전망

은행을 집 주인에 비유해 봅시다. 집 주인은 지붕에서 떨어질 경우(차입자가 대출금을 갚지 못할 경우)를 대비해 자신을 받아줄 안전망(자본)을 구축하고자 합니다.

이 안전망의 크기를 결정하기 위해 은행은 복잡한 공식을 사용합니다. 이 공식은 두 가지 주요 추측에 의존합니다:

떨어질 확률 (PD): 차입자가 채무 불이행 상태에 빠질 가능성이 얼마나 되는가?
떨어질 때의 충격 (LGD): 만약 실제로 떨어진다면, 은행은 얼마만큼의 돈을 잃게 되는가?

수년 동안 은행들은 이러한 추측들을 마치 완벽한 사실인 것처럼 취급해 왔습니다. 그들은 "떨어질 확률이 2%이고 손실이 50%라는 사실을 100% 확신한다"라고 말하며, 이 고정된 수치들을 바탕으로 안전망을 만듭니다.

문제점: 이 논문의 저자들은 이것이 사실이 아니라, 과거의 기록에 기반한 추정치일 뿐이라고 주장합니다. 마치 날씨를 100% 확실하게 예측할 수 없는 것처럼, 은행도 미래를 100% 알 수는 없습니다. 이러한 "불확실성"을 **추정 위험(Estimation Risk)**이라고 부릅니다. 이 논문은 다음과 같은 질문을 던집니다. 만약 우리의 추측이 약간 틀린다면, 우리의 안전망에는 어떤 일이 벌어질까?

숨겨진 연결 고리: "악천후" 효과

이 논문의 가장 큰 발견은 두 가지 추측 사이에 존재하는 숨겨진 연결 고리입니다.

경기 침체(나쁜 경제 상황)를 하나의 폭풍이라고 생각해 봅시다.

폭풍이 불면, 더 많은 사람이 지붕에서 미끄러져 떨어집니다 (채무 불이행/Defaults 증가).
동시에, 모두가 동시에 우산을 팔려고 하기 때문에 우산 가격이 폭락합니다. 따라서 누군가를 붙잡더라도, 그 우산으로 얻을 수 있는 돈은 줄어듭니다 (손실/Loss 증가).

이 논문은 이 두 가지 현상이 밀접하게 연결되어 있음을 증명합니다. 경제가 나빠지면, 채무 불이행 횟수가 늘어날 뿐만 아니라 손실 규모도 악화됩니다. 이 둘은 마치 한 쌍의 무용수처럼 함께 움직입니다.

실수: 대부분의 은행은 이 두 무용수가 서로 모르는 사이인 것처럼 가정하고 안전망을 계산합니다. 즉, 발생하는 횟수(defaults)와 손실 규모(losses)가 서로 독립적이라고 가정합니다. 하지만 이 논문은 이것이 잘못되었다고 지적합니다. 이 '춤'을 무시하는 것은 결국 너무 작은 안전망을 만드는 결과를 초래합니다.

실험: 37년의 데이터

이를 증명하기 위해 저자들은 탐정처럼 행동했습니다. 그들은 Moody's Investor Service로부터 37년간의 역사적 데이터(1983년부터 2019년까지)를 발굴했습니다. 그리고 가장 안전한 기업부터 가장 위험한 "투기적" 기업에 이르기까지 수천 개의 기업 데이터를 조사했습니다.

그들은 자신들의 가정이 타당한지 확인하기 위해 통계적 테스트(데이터를 위한 거짓말 탐지기 같은 것)를 실시했습니다.

결과 1: 데이터는 정확히 "종 모양의 곡선"(표준적인 종 형태)을 따랐으며, 이는 그들의 수학적 도구가 유효함을 입증했습니다.
결과 2: 그들은 "춤"을 확인했습니다. 채무 불이행과 손실 사이에는 매우 강력하고 통계적으로 증명된 연결 고리가 있었습니다.

시뮬레이션: "만약에" 게임

저자들은 슈퍼컴퓨터 시뮬레이션(몬테카를로 방식)을 사용하여 1,000만 번의 "만약에(What If?)" 게임을 실행했습니다. 그들은 다음과 같이 물었습니다:

만약 채무 불이행률에 대한 우리의 추측이 약간 틀린다면?
만약 손실에 대한 우리의 추측이 약간 틀린다면?
만약 두 요소가 서로 연결되어 있어서, 두 추측이 동시에 틀린다면?

충격적인 결과:
두 요소 사이의 연결 고리를 무시했을 때, 안전을 위해 추가로 필요한 자본은 완만했습니다. 하지만 연결 고리(즉, "춤")를 포함했을 때, 요구되는 안전망의 크기는 폭발적으로 증가했습니다.

평균적인 기업의 경우: 진정으로 안전해지기 위해 은행은 약 **38%**의 자본을 더 확보해야 했습니다.
위험한 기업의 경우: 은행은 약 **66%**의 자본을 더 확보해야 했습니다.

만약 은행들이 기존의 단순한 방식(연결 고리를 무시하는 방식)을 고수한다면, 그들은 사실 위험한 상태임에도 불구하고 안전하다고 믿으며 외줄 타기를 하는 것과 같습니다.

시사점: 더 큰 안전망을 향한 촉구

이 논문은 현재의 규제(Basel II/III)가 숫자의 불확실성과 채무 불이행 및 손실 간의 연결 고리를 간과하고 있기 때문에 지나치게 낙관적이라고 결론짓습니다.

저자들의 권고 사항:
은행은 단순히 최선의 추측에만 의존해서는 안 됩니다. 그들은 자신의 추측이 틀릴 수 있다는 점을 고려하여 버퍼(추가 자본)를 구축해야 합니다.

만약 은행이 단순하고 구식인 수학 모델을 사용한다면, 최소 40% 더 많은 자본을 보유하도록 강제되어야 합니다.
만약 더 위험한 대출을 다룬다면, 이 버퍼는 훨씬 더 높아야 합니다 (66%).

이것이 왜 중요할까요?
다음 "폭풍"(금융 위기)이 닥쳤을 때, 만약 은행들이 떨어지는 것과 손실이 발생하는 것 사이의 연결 고리를 무시하여 충분한 안전망을 만들지 않았다면, 금융 시스템 전체가 붕ฤ될 수 있습니다. 우리의 추측이 불확실하며 나쁜 일들이 동시에 일어날 수 있다는 점을 인정함으로써, 우리는 실제로 폭풍 속에서도 살아남을 수 있는 강한 금융 시스템을 구축할 수 있습니다.

기술 요약: 모델 리스크의 폭로: IRB 자본 요구사항에 대한 실증적 고찰

문제 제식 (Problem Statement)
본 논문은 바젤 II/III 하의 신용 규제 자본을 위한 내부등급법(IRB) 프레임워크의 결정적인 결함을 다룬다. Gordy(2003)가 도입한 점근적 단일 리스크 요인(ASRF) 모델은 99.9% 분위수 가치평가(VaR)를 기준으로 자본 충당금을 계산하기 위한 구조적 아키텍처를 제공하지만, 일반적으로 모델 파라미터, 특히 부도 확률(PD)과 부도 시 손실률(LGD)을 기지(known)의 상수로 취급한다. 저자들은 이러한 "천진한(naïve)" 접근 방식이 추정 리스크(파라미터 불확실성)를 간과한다고 주장한다. 또한, 기존 문헌(예: Löffler, 2003; Tarashev, 2010)은 PD와 LGD를 독립적으로 취급하거나 LGD를 일정하게 유지하는 것과 같은 단순화된 가정에 의존해 온 경우가 많았다. 본 논문은 현실에서 이러한 파라미터들이 서로 상관되어 있으며, 특히 부도율은 상승하고 회수율은 동시에 하락하는 경제 침체기에 그러하다는 점을 상정한다. 이러한 의존성과 파라미터 추정의 내재적 불확실성을 무시하는 것은 실제 규제 자본 요구사항을 심각하게 과소평가하는 결과를 초래한다.

방법론 (Methodology)
본 연구는 Moody's Investor Service로부터 얻은 37년(1983~2019년)간의 역사적 데이터를 바탕으로, 모든 등급 및 투기 등급 기업 발행인을 모두 포함하는 실증적 접근 방식을 채택하였다.

분포 가정 및 검증:
- 저자들은 부도 지점( $k = \Phi^{-1}(PD)$ )과 LGD를 결합 가우시안(jointly Gaussian) 랜덤 변수로 모델링한다.
- 이들은 **샤피로-윌크 검정(Shapiro-Wilk test)**을 사용하여 단변량 및 이변량 분포에 대한 가정을 검증한다. 모든 p-값이 0.50보다 높다는 결과는 데이터가 정규성 가설을 기각하지 않음을 확인해주며, 이는 파라미터 불확실성을 모델링하기 위해 가우시안 프레임워크를 사용하는 것을 뒷받침한다.
의존성의 실증적 추정:
- 본 연구는 부도 지점( $k$ )과 LGD 사이의 상관관계를 명시적으로 추정한다.
- 37년간의 데이터셋에 대해 피어슨 상관계수를 사용한 결과, 강력하고 통계적으로 유의미한 양의 상관관계가 발견되었다: 모든 등급 발행인의 경우 0.717, 투기 등급 발행인의 경우 0.599이다. 이는 높은 부도 확률이 높은 부도 시 손실률과 연관되어 있음을 확인시켜 준다.
자본 계산 프레임워크:
- 천진한 접근법 (Naïve Approach): 점 추정치( $\hat{PD}, \hat{LGD}$ )를 고정된 값으로 사용하여 자본( $RC_{naïve}$ )을 계산한다.
- 올바른 접근법 (Correct Approach): $PD $와$ LGD $를 불확실성을 가진 랜덤 변수로 취급하여 기대 손실 분포의 99.9% 분위수를 통해 자본($ RC$)을 계산한다.
- 시뮬레이션: 저자들은 모델 리스크에 따른 자본 가산액(add-on)을 계산하기 위해 몬테카를로 시뮬레이션(1,000만 회 반복)을 활용하며, 가산액은 다음과 같이 계산된다:
  $Add\text{-}on = \frac{(RC - RC_{naïve}) + (E[L] - EL_{naïve})}{RC_{naïve}}$
강건성 검증 (Robustness Checks):
- 분석은 99% 신뢰 수준(이전 연구들과 일치)과 50개의 채무자(obligors)로 구성된 유한 포트폴리오를 사용하여 반복되었다. 결과는 일관되게 나타났으며, 이는 파라미터 간의 의존성이 신뢰 수준이나 포트폴리오 규모와 관계없이 모델 리스크의 주된 동인임을 확인해 준다.

주요 결과 (Key Results)
시뮬레이션 결과는 파라미터 불확실성과, 더 결정적으로 PD와 LGD 사이의 상관관계를 무시하는 것이 자본 필요량을 상당 부분 과소평가하게 만든다는 것을 보여준다:

불확실성의 영향: 부도 지점( $k$ )의 불확실성은 LGD 불확실성 단독보다 모델 리스크에 더 많이 기여한다.
의존성의 영향:
- PD와 LGD가 독립적이라고 가정할 때, 규제 자본 가산액은 모든 등급 포트폴리오에서 18.67%, 투기 등급 포트폴리오에서 **39.54%**이다.
- 실증적으로 관찰된 상관관계를 반영할 경우, 가산액은 모든 등급의 경우 38.48%, 투기 등급의 경우 **65.97%**로 급증한다.
편향에 대한 결론: 모델 리스크를 전혀 고려하지 않는 천진한 IRB 접근 방식은 실제 규제 자본에 대해 상당히 하향 편향된 추정치를 제공한다. 독립적인 시나리오와 상관관계가 있는 시나리오 사이의 차이는 모든 등급 포트폴리오에서 약 20 퍼센트 포인트, 투기 등급 포트폴리오에서 약 26 퍼센트 포인트의 과소평가를 나타낸다.

의의 및 주장 (Significance and Claims)
본 논문은 세 가지 주요 기여를 주장한다:

실증적 검증: 저자들은 37년간의 데이터를 통해 부도 지점과 LGD에 대한 가우시안 가정이 타당함을 입증함으로써, 자본 가산액 계산에 사용된 이론적 프레임워크를 정당화하는 강력한 통계적 증거를 제공한다.
지배적 리스크 동인의 식별: 저자들은 PD-LGD 의존성이 모델 리스크의 주요 원인임을 입증한다. 이 연결 고리를 무시하는 것은 자본 완충력을 심각하게 잘못 계산하게 만들며, 특히 투기 등급 자산에 대해 그러하다.
정책적 시사점: 저자들은 모델 리스크에 근거하여 자본 요구량을 높일 수 있는 옵션을 제거한 현재의 바젤 III 규제 프레임워크가 불충분할 수 있다고 주장한다. 저자들은 단순한 점 추정치 계산에 의존하는 은행들이 추정 리스크를 감당하기 위해 훨씬 더 높은 자본 완충력(모든 등급의 경우 최소 40%, 투기 등급의 경우 66%)을 보유하도록 요구되어야 한다고 제언한다.

본 연구는 결론적으로, 보다 정교한 접근 방식이 금융 안정성을 위해 필수적이라고 밝힌다. 파라미터 불확실성과 PD-LGD 관계의 주기적 특성을 고려함으로써, 금융 기관은 리스크를 더 잘 관리하고 경제 침체기에 자본 완충력이 부족할 때 발생하는 시스템적 취약성을 방지할 수 있다.