가치 평가 위험 모델

가치 평가는 금융 자산이나 부채의 공정한 가치를 추정하는 과정이다. 이는 시장 가격이 존재할 경우 해당 가격을 사용하거나, 시장 가격이 존재하지 않을 경우 수학적 모델을 통해 계산된 가치를 의미한다. 가치 평가의 핵심은 미래에 발생할 것으로 예상되는 현금흐름을 적절한 할인율을 적용하여 현재가치로 환산하는 것이다.

반면, 위험은 실제 결과가 예상과 다르게 나타날 가능성, 특히 손실이 발생할 가능성을 의미한다. 금융에서 위험은 크게 시장위험, 신용위험, 유동성위험, 운용위험 등으로 분류된다. 가치 평가 과정은 이러한 다양한 위험 요소를 고려하여 미래 현금흐름의 불확실성을 반영한다.

가치 평가와 위험은 서로 분리되어 고려될 수 없는 밀접한 관계를 가진다. 모든 가치 평가는 본질적으로 미래에 대한 가정과 예측에 기반하므로 불확실성, 즉 위험을 내포한다. 따라서 정확한 가치 평가를 위해서는 해당 자산에 내재된 위험을 정량화하고, 그 위험에 상응하는 할인율 또는 위험 프리미엄을 모델에 반영해야 한다. 위험을 과소평가하면 자산 가치를 높게 평가하게 되고, 반대로 위험을 과대평가하면 가치를 낮게 평가하는 결과를 초래한다.

이 둘의 관계는 다음 표를 통해 요약할 수 있다.

결국, 가치 평가 위험 모델은 가치 평가라는 행위 자체가 내포하고 있는 위험, 즉 가정의 오류나 모델의 결함으로 인해 잘못된 가치 평가가 이루어질 가능성을 식별, 측정, 관리하기 위한 도구이다.

가치 평가 위험 모델의 주요 목적은 금융 기관이 보유한 자산 또는 포트폴리오의 가치가 미래에 발생할 수 있는 다양한 위험 요인에 의해 얼마나 변동할 수 있는지를 정량적으로 측정하고 예측하는 것이다. 이를 통해 기관은 잠재적 손실 규모를 사전에 파악하고, 적절한 위험 한도를 설정하며, 충분한 자본을 확보하는 등 위험을 사전에 관리할 수 있는 의사결정의 근거를 마련한다. 궁극적으로는 기관의 재무 건전성을 유지하고 갑작스러운 손실로부터 보호하는 데 그 목적이 있다.

이러한 모델의 필요성은 금융 시장의 복잡성과 상호연계성이 증대되면서 더욱 부각되었다. 전통적인 재무제표 분석만으로는 파생상품, 구조화 상품 등 복잡한 금융 상품의 위험을 포착하거나, 다양한 자산 간의 상관관계가 위험에 미치는 영향을 평가하기 어렵다. 또한, 금융 규제 당국은 바젤 협약과 같은 국제 기준을 통해 금융 기관이 내부 위험 모델을 활용해 위험 가중 자산을 계산하고 규제 자본을 산출하도록 요구하고 있다. 따라서 모델은 규제 준수를 위한 필수 도구이기도 하다.

모델은 단순한 위험 측정을 넘어 기업의 전략적 자원 관리에 핵심적인 역할을 한다. 예를 들어, 리스크 애피타이트에 기반한 위험 한도 설정, 거래 상대방에 대한 신용 한도 부여, 스트레스 테스트 및 시나리오 분석 수행, 경제 자본 배분 최적화 등 다양한 경영 활동의 기초를 제공한다. 효과적인 위험 모델링은 불확실성을 체계적으로 관리함으로써 기업 가치를 창출하고 지속 가능한 성장을 도모하는 데 기여한다.

시장 위험 모델은 금융 기관이 보유한 포트폴리오가 시장 변동성으로 인해 발생할 수 있는 잠재적 손실을 측정하고 관리하기 위한 도구이다. 이 모델의 핵심은 미래의 불확실한 시장 환경 하에서 자산 가치의 변동을 정량화하는 것이다. 가장 널리 사용되는 지표로는 VaR(Value at Risk)과 ES(Expected Shortfall)가 있으며, 이들은 금융 산업과 규제 당국의 표준 위험 측정 도구로 자리 잡았다.

VaR는 특정 신뢰 수준(예: 99%)과 기간(예: 1일) 내에 초과할 것으로 예상되는 최대 손실액을 단일 숫자로 나타낸다. 예를 들어, 1일 99% VaR가 100만 원이라면, 다음 1일 동안 손실이 100만 원을 초과할 확률은 1%에 불과하다는 것을 의미한다. 반면, ES는 VaR의 한계를 보완하는 지표로, VaR 임계값을 초과하는 손실들의 평균값을 계산한다. 따라서 VaR가 '최악의 경우' 중 비교적 양호한 수준을 보여준다면, ES는 그 최악의 경우를 초과하는 극단적 손실의 평균적 심각도를 파악하는 데 더 유용하다.

이러한 모델을 구축하는 방법론은 크게 세 가지로 나뉜다.

각 방법론은 장단점을 가지며, 기관의 위험 프로필, 데이터 가용성, 계산 자원에 따라 선택된다. 현대의 시장 위험 모델링은 이러한 전통적 방법에 더해 스트레스 테스트와 시나리오 분석을 필수적으로 결합한다. 이는 역사적 데이터에만 의존하는 모델의 한계를 보완하고, 미래에 발생할 수 있으나 과거에는 관찰되지 않은 극단적 사건(테일 리스크)에 대한 취약성을 평가하기 위함이다.

신용 위험 모델은 채무자가 계약상 의무를 이행하지 못할 가능성인 신용 위험을 정량화하고 관리하기 위해 사용되는 수학적 및 통계적 도구이다. 이 모델은 주로 채무불이행 확률, 부도시 손실액, 그리고 채무자 신용등급 마이그레이션과 같은 핵심 요소를 추정하는 데 초점을 맞춘다. 주요 목적은 금융 기관의 신용 포트폴리오에 내재된 잠재적 손실을 측정하고, 적절한 신용 한도를 설정하며, 규제 자본 요구액을 산출하는 데 있다.

주요 모델링 방법론은 크게 구조적 모델과 축소형 모델로 구분된다. 구조적 모델은 블랙-숄즈 모델을 기반으로 하여, 기업의 자산 가치가 부채 수준 아래로 떨어질 때 부도가 발생한다는 가정에 기초한다. 대표적인 모델로는 코크스-인겔솔-로스 모델이 있다. 반면, 축소형 모델은 부도 사건을 외생적 확률 과정으로 모델링하며, 채권 시장 가격이나 신용 파생상품 가격 데이터에서 직접 부도 강도를 추정한다. 이는 자이스-터너블-싱글턴 모델 등이 해당된다.

실무에서 널리 사용되는 모델로는 바젤 위원회의 규제 표준에도 반영된 신용위험 VaR 모델이 있다. 또한, 개별 거래 상대방의 신용 위험을 평가하기 위해 신용평가 모델이 개발되어 활용된다. 주요 신용평가 모델의 예는 다음과 같다.

이러한 모델들은 신용 스프레드 예측, 예상부도빈도 계산, 경제적 자본 할당 등 다양한 의사결정에 필수적인 입력값을 제공한다. 그러나 모델의 정확성은 기저 가정, 사용된 역사적 데이터의 기간과 품질, 그리고 경제 환경의 구조적 변화에 크게 의존한다는 한계를 지닌다.

유동성 위험 모델은 자산을 손실 없이 신속하게 현금화할 수 없는 위험 또는 자금 조달이 어려워지는 위험을 정량화하고 관리하기 위한 도구이다. 이 모델은 크게 시장 유동성 위험과 자금 조달 유동성 위험으로 구분하여 접근한다. 시장 유동성 위험 모델은 특정 자산을 매도할 때 발생할 수 있는 가격 할인(마진 콜) 또는 실행 지연을 측정하며, 자금 조달 유동성 위험 모델은 만기 부채 상환 또는 담보 요구에 필요한 현금을 조달하지 못할 가능성을 평가한다.

주요 측정 지표로는 LCR과 NSFR이 있다. LCR은 단기적인 스트레스 상황下 30일 동안 순현금 유출을 감당할 수 있는 고품질 유동 자산의 보유 정도를 평가한다. NSFR은 1년 이상의 장기적 관점에서 안정적인 자금 조달 원천이 필요한 자산을 얼마나 충당하는지 측정한다. 또한, 스트레스 테스트는 다양한 시나리오(예: 신용등급 하락, 시장 동조화) 하에서의 유동성 잠재적 고갈을 시뮬레이션한다.

모델 구축 시 주요 고려사항은 다음과 같다.

이러한 모델은 금융기관이 유동성 버퍼를 적정 수준으로 유지하고, 유동성 위험에 대한 취약성을 사전에 인지하여 위기 상황에 대비하는 데 핵심적인 역할을 한다.

가치 평가 위험 모델 구축의 첫 단계는 모델링의 기초가 될 데이터를 수집하고 정제하는 작업이다. 이 과정의 질은 최종 모델의 신뢰성과 유용성을 직접적으로 결정한다.

데이터 수집은 시장 데이터, 거래 데이터, 고객 데이터, 거시경제 지표 등 모델의 범위에 필요한 모든 유형의 원천 데이터를 식별하고 확보하는 것에서 시작한다. 데이터 소스는 내부 시스템, 외부 데이터 벤더, 공공 기관 등 다양하다. 수집 시에는 데이터의 역사적 기간, 빈도(일별, 월별 등), 그리고 시계열의 연속성이 충분한지 검토해야 한다. 특히 스트레스 테스트나 극단적 사건 분석을 위해서는 시장 충격기와 같은 특수 기간의 데이터 포함이 필수적이다.

수집된 원시 데이터는 분석에 적합한 형태로 전처리되어야 한다. 이 단계에는 결측치 처리, 이상치 식별 및 조정, 데이터 형식 표준화 작업이 포함된다. 예를 들어, 휴장일 등으로 인한 결측치는 전일 가격 유지, 보간법 등을 통해 적절히 채워넣어야 한다. 또한, 서로 다른 소스에서 수집된 데이터 간의 일관성(예: 통화 단위, 시간대)을 검증하고 조정하는 작업도 수행된다. 전처리 후 데이터는 일반적으로 훈련용, 검증용, 테스트용 세트로 분할되어 모델 개발과 성능 평가에 활용된다.

모델 설계 단계에서는 위험 노출을 정량화하기 위한 수학적 프레임워크를 구축한다. 이는 일반적으로 특정 확률 분포를 가정하고, 역사적 데이터나 몬테카를로 시뮬레이션을 통해 미래의 위험 시나리오를 생성하는 방식을 취한다. 설계 시에는 모델의 복잡성과 계산 효율성 사이의 균형, 그리고 해당 금융 상품이나 포트폴리오의 특성을 정확히 반영할 수 있는지가 주요 고려 사항이다.

모델 검증은 설계된 모델이 의도한 대로 작동하고 신뢰할 수 있는 결과를 산출하는지 독립적으로 평가하는 과정이다. 검증은 일반적으로 사전 검증과 지속적인 모니터링으로 구분된다. 주요 검증 기법은 다음과 같다.

검증 과정에서 모델의 가정이 현실과 얼마나 부합하는지, 데이터 샘플링 방법이 적절한지, 그리고 모델 리스크를 초래할 수 있는 오버피팅 문제가 없는지 철저히 분석한다. 검증 결과는 모델의 수정, 보완 또는 재설계로 이어질 수 있으며, 이 과정은 금융 규제 당국의 내부 모델 승인을 받기 위한 필수 요건이기도 하다.

모델 오류는 가치 평가 위험 모델이 내재한 구조적 결함이나 구현 과정에서의 실수로 인해 발생합니다. 이는 잘못된 수학적 공식 선택, 코딩 버그, 또는 알고리즘 오류를 포함합니다. 예를 들어, 복잡한 파생상품의 가격을 계산하는 모델에서 수치적 방법의 오차가 누적되면 실제 가치와 모델이 산출한 가치 사이에 큰 차이가 발생할 수 있습니다.

모델의 가정은 현실 세계의 복잡성을 단순화하기 위해 필수적이지만, 이 가정이 현실과 맞지 않을 때 모델 위험이 증폭됩니다. 대표적인 예로, 많은 시장 위험 모델은 자산 가격의 변동이 정규 분포를 따른다고 가정합니다. 그러나 실제 금융 시장에서는 극단적 사건이 정규 분포가 예측하는 것보다 훨씬 빈번하게 발생하는 팻 테일 현상이 관찰됩니다. 이로 인해 VaR 같은 모델은 위험을 과소평가할 수 있습니다.

가정의 문제는 신용 위험 모델에서도 나타납니다. 예를 들어, 기업 간 상관관계가 일정하거나 특정 패턴을 따른다고 가정하는 경우, 금융 위기 시 모든 자산의 가치가 동시에 하락하는 현상을 제대로 포착하지 못할 수 있습니다. 모델이 특정 시장 환경(예: 낮은 변동성과 안정적인 성장기)에서만 검증되었다면, 환경이 급변할 때 그 유효성이 크게 떨어집니다.

따라서 모델의 가정을 지속적으로 검토하고, 다양한 시나리오와 스트레스 테스트를 통해 가정이 깨졌을 때의 영향을 평가하는 것이 모델 위험을 관리하는 핵심 절차입니다.

데이터 품질 위험은 가치 평가 위험 모델이 의존하는 입력 데이터의 정확성, 완전성, 적시성, 일관성에 결함이 있을 때 발생한다. 부정확하거나 오래된 시장 데이터, 불완전한 거래 내역, 표준화되지 않은 고객 정보는 모델 출력의 신뢰성을 근본적으로 훼손한다. 특히 금융 위기 시기처럼 시장 변동성이 극심할 때 데이터 수집 및 처리 시스템의 지연이나 오류는 모델이 현실을 반영하지 못하게 하는 주요 원인이 된다.

데이터 편향 위험은 사용된 데이터 집합이 분석 대상 현상을 대표하지 못하거나 체계적인 왜곡을 포함할 때 나타난다. 예를 들어, 상대적으로 안정적인 시장 기간의 데이터만으로 훈련된 모델은 극단적 사건(테일 리스크)을 과소평가할 수 있다. 또한, 특정 지역이나 산업에 편중된 데이터는 포트폴리오 전반의 위험을 왜곡하여 측정하게 만든다.

데이터 관련 위험을 관리하기 위해 금융 기관은 데이터 거버넌스 체계를 구축한다. 이는 데이터의 정확성을 검증하는 프로세스, 역사적 데이터의 기간과 주기를 정의하는 기준, 그리고 다양한 시나리오와 스트레스 조건 하에서 데이터 소스를 테스트하는 절차를 포함한다. 내부 모델 승인을 요구하는 규제 당국은 데이터 품질과 적합성에 대한 엄격한 검증을 필수 조건으로 제시한다[2].

바젤 규제 프레임워크는 국제결제은행 산하 바젤 은행감독위원회가 제정한 국제 은행 규제 기준이다. 이 프레임워크는 은행이 적절한 자본을 보유하도록 유도하여 금융 시스템의 안정성을 확보하는 것을 목표로 한다. 특히 가치 평가 위험 모델의 사용과 관련된 자본 요구사항을 명시함으로써, 모델 기반 위험 관리의 규제적 토대를 제공한다.

프레임워크는 바젤 I, 바젤 II, 바젤 III로 진화해왔다. 바젤 I은 신용 위험에 대한 최소 자본 요구사항을 도입했으며, 바젤 II는 운영 위험을 추가하고 신용 위험 측정을 위한 내부 모델(예: VaR)의 사용을 허용하는 등 모델의 역할을 확대했다. 최종적으로 바젤 III는 금융위기 이후 모델의 한계를 보완하기 위해 스트레스 테스트와 레버리지 비율 같은 모델에 덜 의존하는 보완적 지표를 강화했다.

바젤 규제는 은행이 내부 모델을 사용할 경우 충족해야 할 엄격한 요건을 제시한다. 주요 요건은 다음과 같다.

이러한 규제 프레임워크는 은행으로 하여금 모델의 개발, 운영, 검증 과정을 공식화하고 문서화하도록 요구한다. 결과적으로 모델 위험을 관리하고 모델 오용으로 인한 자본 부족 사태를 방지하는 데 기여한다.

금융 기관이 자체 개발한 가치 평가 위험 모델을 규제 목적으로 공식적으로 사용하기 위해서는 규제 당국의 승인을 받아야 한다. 이 승인 요건은 모델의 건전성과 신뢰성을 보장하고, 규제 자본 계산의 일관성을 유지하기 위해 마련되었다. 일반적으로 승인을 받으려면 모델이 엄격한 정성적 및 정량적 기준을 충족해야 한다.

정성적 요건에는 효과적인 모델 리스크 관리 체계의 구축이 포함된다. 이는 명확한 모델 관리 정책, 모델 개발·검증·감독을 담당하는 독립적인 부서의 존재, 그리고 모델의 적절한 사용과 이해를 위한 내부 통제 및 문서화 절차를 의미한다. 또한, 모델의 가정과 한계를 이해하고 모델 결과를 비판적으로 검토할 수 있는 숙련된 인력의 보유도 필수적이다.

정량적 요건은 모델의 성능을 수치적으로 평가하는 기준을 말한다. 여기에는 역사적 백테스팅과 스트레스 테스트 결과가 핵심적이다. 역사적 백테스팅은 모델이 예측한 위험(예: VaR)과 실제 발생한 손실을 비교하여 모델의 정확성을 검증한다. 스트레스 테스트는 극단적이지만 합리적인 시나리오 하에서 모델과 포트폴리오의 취약성을 평가한다. 승인 과정에서는 모델이 다양한 시장 조건에서도 견고하게 작동하는지 입증해야 한다.

승인 후에도 모델은 지속적인 모니터링과 정기적인 검증을 받아야 하며, 모델이나 시장 환경에 중대한 변경이 있을 경우 재승인을 받아야 할 수 있다. 이러한 요건들은 바젤 위원회의 규제 프레임워크(예: 바젤 III)에 근거하며, 국가별 규제 당국(예: 한국의 금융위원회 및 금융감독원)이 세부 지침과 승인 절차를 운영한다.

전통적인 통계 기반 모델의 한계를 극복하고 복잡한 비선형 관계를 포착하기 위해 머신러닝과 인공지능 기술이 가치 평가 위험 모델링 분야에 활발히 도입되고 있다. 이러한 기술은 방대하고 다양한 빅데이터를 처리하고 패턴을 학습하는 데 뛰어난 능력을 보인다. 특히 신경망, 랜덤 포레스트, 그래디언트 부스팅 같은 알고리즘은 시장 데이터의 복잡한 상호작용을 모델링하거나 기존에 식별하기 어려웠던 신용 위험의 선행 지표를 발견하는 데 활용된다.

머신러닝의 적용은 모델의 예측 정확도 향상과 새로운 위험 요인 발굴이라는 두 가지 측면에서 기여한다. 예를 들어, 시장 위험 측정을 위한 VaR 모델에서 머신러닝은 변수 간의 복잡한 의존 구조를 더 정교하게 반영할 수 있다. 또한, 비정형 데이터(뉴스 텍스트, 소셜 미디어 감정, 위성 이미지 등)를 분석하여 기업의 신용 상태 변화를 조기에 예측하는 모델도 개발되고 있다[3].

그러나 머신러닝 모델의 도입은 새로운 종류의 모델 위험을 동반한다. 가장 큰 문제는 블랙박스 문제로, 모델의 의사결정 경로와 논리를 해석하기 어려워 신뢰성 검증과 규제 당국의 승인을 얻는 데 장애물이 될 수 있다. 또한, 과적합으로 인한 표본 외 성능 저하, 데이터 편향의 증폭, 계산 복잡성 증가 등이 주요 관리 과제이다.

이러한 한계를 극복하기 위해 설명 가능한 인공지능 기술의 연구가 병행되고 있다. SHAP, LIME 같은 기법은 복잡한 머신러닝 모델의 예측 결과에 대한 국소적 해석을 제공한다. 금융기관은 모델 개발 초기 단계부터 해석 가능성과 감사 추적성을 고려한 모델 설계 원칙을 수립해야 한다. 규제 당국 또한 전통적 모델과 머신러닝 모델에 대한 통합된 검증 기준 마련을 위해 노력하고 있다.

기후 관련 금융 위험 모델링은 기후 변화로 인해 발생할 수 있는 금융 시스템의 취약성을 평가하고 측정하기 위한 모델링 접근법을 포괄한다. 이는 기후 변화가 금융 자산의 가치와 금융 기관의 건전성에 미치는 영향을 정량화하려는 노력이다. 주요 위험은 일반적으로 물리적 위험과 전환 위험의 두 가지 범주로 구분된다[4].

물리적 위험 모델링은 극한 기상 현상(예: 홍수, 가뭄, 산불)과 기후 패턴의 점진적 변화(예: 해수면 상승, 평균 기온 상승)가 자산과 사업 운영에 미치는 직접적인 영향을 평가한다. 반면, 전환 위험 모델링은 탄소 중립 사회로의 이행 과정에서 발생하는 정책 변화, 기술 발전, 시장 선호도 변화 등이 특정 산업이나 기업의 수익성과 자산 가치에 미치는 영향을 분석한다. 예를 들어, 탄소세 도입이나 규제 강화는 화석 연료 관련 산업에 재정적 부담을 줄 수 있다.

이러한 모델링은 기존의 가치 평가 위험 모델에 새로운 위험 요소를 통합해야 하므로 복잡한 도전 과제를 안고 있다. 기후 위험은 장기적이고 불확실성이 크며, 역사적 데이터가 미래를 충분히 반영하지 못할 가능성이 높다. 따라서 시나리오 분석과 스트레스 테스트가 핵심적인 방법론으로 활용된다. 금융 당국과 국제 기구는 점차 금융 기관에 기후 위험 노출을 평가하고 공개할 것을 요구하고 있으며, 이는 바젤 규제 프레임워크 및 TCFD 권고사항과 같은 규제 프레임워크의 발전으로 이어지고 있다.