신용 위험 모형: 머턴의 구조 모형에서 머신러닝까지

핵심 결론

신용 위험 모형은 머턴(1974)의 우아한 옵션 이론 체계에서 시작하여 1990년대의 환산형 위험률 모형을 거쳐 현대 머신러닝 파이프라인으로 발전하였습니다. 각 세대는 예측 정확도를 높이지만 무언가 소중한 것을 포기합니다. 구조 모형은 실증적 적합도를 희생하고 경제적 직관을 얻으며, 환산형 모형은 추적 가능성을 얻지만 기업 재무제표라는 앵커를 잃고, 머신러닝은 정확도를 높이지만 해석 가능성을 포기합니다. 실무자들은 이 세 가지를 조합하여 각각 가장 덜 손상을 주는 곳에 활용하는 것이 표준입니다.

주식시장이 신용 위험을 재평가하였습니다

2025년부터 2026년에 걸쳐 지정학적 불확실성이 글로벌 위험 선호도를 압박하면서 투자 등급 및 하이일드 회사채의 신용 스프레드가 크게 확대되었습니다. 이 움직임은 자산운용사, 은행 위험 데스크, 채권 투자자 모두가 지속적으로 직면하는 질문에 다시 주목하게 하였습니다. 거래 상대방이 부도날 확률을 어떻게 추정할 것이며, 그 위험을 감수하는 데 얼마만큼의 보상이 필요합니까?

정답은 어떤 모형 체계를 선택하느냐에 크게 달려 있으며, 각 체계에는 무엇을 볼 수 있고 볼 수 없는지를 결정하는 70년의 연구 역사가 있습니다.

머턴(1974): 자기자본을 기업 자산에 대한 콜 옵션으로

머턴(1974)의 핵심 통찰은 단순하지만 심오합니다. 기업의 자기자본은 경제적으로 기업 자산에 대한 유럽형 콜 옵션과 동등하며, 부채의 액면가가 행사가격입니다. 만기 시 기업의 자산 가치가 부채를 초과하면 주주는 잔여분을 받습니다. 자산이 부채 아래로 떨어지면 주주는 아무것도 받지 못하고 채권자가 손실을 흡수합니다.

이 틀은 부도 문제를 옵션 가격 결정 문제로 변환합니다. 관측 가능한 주가와 변동성을 이용하여 머턴은 블랙-숄즈 공식을 역산함으로써 기업의 자산 가치와 자산 변동성을 추론할 수 있음을 보여주었습니다. 기업의 자산 가치 과정이 기하 브라운 운동으로 모형화될 때, 만기 시 자산 가치가 부채 액면가 아래로 내려가면 부도가 발생합니다.

부도까지의 거리(DD)는 이를 하나의 직관적인 지표로 요약합니다.

DD = (V - F) / (V × sigma_V)

여기서 V는 추정 자산 가치, F는 부도 경계(통상 부채 액면가), sigma_V는 자산 변동성입니다. DD가 5인 기업은 부도가 나려면 자산에 5 표준편차의 불리한 충격이 필요합니다. DD가 1인 기업은 이미 절벽에 가까이 있습니다.

KMV사(이후 무디스에 인수)는 1980년대 말부터 1990년대에 걸쳐 이 통찰을 상업화하였습니다. KMV 모형은 대규모 역사적 데이터베이스에서 부도까지의 거리 값을 실증적 부도율에 대응시켜 예상 부도 빈도(EDF)를 추정합니다. 핵심 공식은 유지되지만 DD에서 EDF로의 대응은 이론적이 아닌 실증적입니다.

구조 모형의 실증적 한계

모든 우아함에도 불구하고 머턴 체계에는 지속적인 실증적 문제가 있습니다. Eom, Helwege, Huang(2004)은 머턴(1974), Leland(1994), Longstaff-Schwartz(1995) 확장 모형을 포함한 다섯 가지 구조적 신용 모형을 실제 회사채 수익률 스프레드와 체계적으로 비교 평가하였습니다.

이들의 핵심 발견은 구조 모형들이 회사채를 체계적으로 잘못 가격 책정한다는 것입니다. 원래 머턴 모형은 대부분의 채권에 대해 실제보다 너무 낮은 스프레드를 예측하는 경향이 있으며, 그 차이가 큰 경우도 많습니다. 더 정교한 구조 모형은 과소 예측 문제의 일부를 해결하지만 새로운 문제를 도입합니다. 즉, 위험도가 높은 기업에 대해서는 스프레드를 과대 예측합니다. 전체 신용 등급 스펙트럼에 걸쳐 잘 보정된 스프레드 예측을 생성하는 구조 모형은 없습니다.

이 실증적 실패의 배경에는 세 가지 구조적 문제가 있습니다. 첫째, 모형은 부도가 채권 만기 시에만 발생할 수 있다고 가정하지만 실제로 기업은 언제든지 재무적 어려움에 처할 수 있습니다. 둘째, 기하 브라운 운동은 기업 자산 동태를 제대로 설명하지 못합니다. 점프, 평균 회귀, 확률적 변동성 모두 중요합니다. 셋째, 모형은 부채 만기를 주어진 것으로 받아들이고 실제 기업이 직면하는 복잡한 자본 구조, 약정 구조, 전략적 부도 유인을 무시합니다.

이는 사소한 보정 문제가 아닙니다. 이론적 처리 가능성과 실증적 충실도 사이의 근본적인 긴장을 반영합니다.

환산형 모형: 강도와 위험률

Jarrow와 Turnbull(1995)이 독립적으로 개발하고 Duffie와 Singleton(1999)이 확장한 환산형(또는 강도 기반) 접근법은 기업 자산과의 구조적 연결을 완전히 포기합니다. 대신 부도는 확률적 강도 매개변수(흔히 람다로 표기)를 가진 포아송 과정의 첫 번째 도래로 모형화됩니다.

위험률(또는 부도 강도) lambda(t)는 시간 t까지 생존했을 때의 순간 조건부 부도 확률입니다. lambda(t)가 알려진 과정을 따른다면, 시간 t에서 T까지의 생존 확률은 다음과 같습니다.

P(T까지 생존) = E[exp(-t부터 T까지 lambda(s) ds의 적분)]

이 공식은 수학적으로 단기 금리 이자율 모형에서의 무이표채 가격 결정과 유사합니다. 실제로 Duffie와 Singleton(1999)은 부도 가능한 채권이 부도 강도와 부도 손실률을 통합한 수정 할인율을 사용하는 무위험 채권과 정확히 같은 방식으로 가격 결정될 수 있음을 보여주었습니다. 이는 위험률 과정의 아핀 명세 하에서 실용적인 닫힌 형식 해를 생성합니다.

구조 모형에 비한 실용적 장점은 상당합니다. 첫째, 환산형 모형은 관측 불가능한 기업 자산 가치를 추론할 필요 없이 단순한 수익률 곡선 스트리핑 기법을 사용하여 관측 가능한 신용 스프레드에 직접 보정될 수 있습니다. 둘째, 부도 확률의 복잡한 기간 구조를 자연스럽게 처리합니다. 셋째, 같은 수학적 체계 내에서 상관된 부도와 신용 파생상품 가격 결정을 수용하도록 확장될 수 있습니다.

반면 경제적 내용의 상실이라는 트레이드오프가 있습니다. 위험률 lambda(t)는 부도가 언제 발생하는지를 설명하는 통계적 객체이며, 왜 발생하는지 또는 어떤 기업 수준의 변수가 이를 유발하는지에 대해서는 아무것도 말하지 않습니다.

알트만 Z-점수: 머신러닝의 원형 분류기

현대 머신러닝 이전에는 Z-점수가 있었습니다. 알트만(1968)은 다중 판별 분석을 사용하여 다섯 가지 재무 비율의 선형 함수를 구성하여 부도 기업과 비부도 기업을 구분하였습니다.

Z = 1.2 X1 + 1.4 X2 + 3.3 X3 + 0.6 X4 + 1.0 X5

여기서 X1은 운전자본/총자산, X2는 이익잉여금/총자산, X3은 EBIT/총자산, X4는 자기자본 시장가치/총부채 장부가치, X5는 매출액/총자산입니다.

Z가 2.99 이상인 기업은 안전 구역으로, 1.81 이하인 기업은 위험 구역으로 분류됩니다. 그 사이의 회색 구역은 모호합니다. 알트만의 원래 표본은 파산 1년 전에 약 95%의 분류 정확도를 달성하였습니다.

현대 머신러닝 관점에서 보면 Z-점수는 소규모 레이블 데이터셋에서 판별 분석을 사용하여 훈련된 선형 분류기입니다. 그 특성 집합은 합리적입니다. 유동성(X1), 수익성(X2, X3), 레버리지(X4), 자산 효율성(X5)을 포착합니다. 한계도 명확합니다. 선형이고 다섯 가지 특성만 사용하며, 시간 및 산업별로 재보정이 필요하고, 다른 거시경제 시대의 제조업체를 위해 설계되었습니다.

Z-점수는 최첨단이어서가 아니라 해석 가능성 덕분에 규제 신고, 약정 모니터링, 감사 가능성이 중요한 포트폴리오 스크리닝에 유용하기 때문에 여전히 널리 인용되고 사용됩니다.

머신러닝: 그래디언트 부스팅이 추가한 것

그래디언트 부스팅 의사결정 트리(특히 XGBoost와 LightGBM)로의 전환은 고전적 판별 모형과 로지스틱 회귀에 비해 세 가지 실질적인 개선을 가져왔습니다.

첫째, 비선형성입니다. 재무 비율은 복잡한 방식으로 상호작용합니다. 높은 레버리지를 가진 기업은 고금리 환경에서는 위험하지만 금리가 낮을 때는 관리 가능합니다. 트리 기반 모형은 분석가가 사전에 명시하지 않아도 이러한 상호작용을 포착합니다.

둘째, 특성 풍부성입니다. 현대 ML 신용 모형은 회계 데이터, 시장 데이터(주가, 주식 변동성, 신용 스프레드), 거시경제 지표, 산업 지표를 수집하며 일부 구현에서는 실적 발표와 공시의 텍스트 특성도 포함합니다. 머턴 모형은 두 가지 입력을 사용하지만 현대 그래디언트 부스팅 모형은 200개 이상을 사용할 수 있습니다.

셋째, 누락 및 불균형 데이터 처리입니다. 기업 부도는 드문 사건입니다. 그래디언트 부스팅 구현은 표본 가중치와 비용 민감 손실 함수를 통해 클래스 불균형을 기본적으로 처리하며, 이는 거짓 음성(놓친 부도)이 거짓 양성보다 훨씬 비용이 많이 드는 신용 분류에서 매우 중요합니다.

실증적 성과는 실제적입니다. 여러 연구와 신용 데이터셋에 걸쳐 그래디언트 부스팅은 ROC 곡선 아래 면적(AUC) 및 콜모고로프-스미르노프(KS) 통계량과 같은 표본 외 부도 예측 지표에서 로지스틱 회귀와 알트만 방식의 판별 모형을 지속적으로 능가합니다. 풍부한 시장 특성을 가진 데이터셋에서 로지스틱 회귀보다 일반적으로 5~10 AUC 포인트 개선되는 것이 일반적입니다.

비용은 해석 가능성입니다. 500개의 트리와 수백 개의 특성을 가진 그래디언트 부스팅 모형은 Z-점수처럼 감사할 수 없습니다.

뉴럴 위험률 모형

가장 최근의 방법론적 최전선은 신경망을 위험률 모형화 체계에 적용하여 환산형 모형의 수학적 구조와 딥러닝의 표현력을 결합합니다.

Kvamme 외(2019)와 관련 연구는 신경망 아키텍처를 사용하여 이산 시간 위험률 모형을 재구성합니다. 위험률 함수에 대한 매개변수 형식을 명시하는 대신, 네트워크는 각 시간 단계에서 공변량에서 조건부 부도 확률로의 매핑을 학습합니다. 이를 통해 아핀 강도 모형의 제한적인 함수 형식 가정 없이 위험률에 대한 기업 수준 및 거시 변수의 비선형 효과를 포착할 수 있습니다.

Gunnarsson 외(2021)은 유사한 체계를 기업 신용 위험에 구체적으로 적용하였으며, 뉴럴 위험률 모형이 위험률의 시간적 동태가 가장 중요한 장기 부도 예측에서 로지스틱 회귀와 그래디언트 부스팅 모두를 능가한다는 것을 발견하였습니다. 이 장점은 횡단면적 스냅샷이 놓치는 방식으로 약정 압력과 현금 소진의 시간 경로가 정보를 제공하는 재무적 스트레스 초기 단계의 기업에서 특히 두드러집니다.

순환 아키텍처(LSTM, GRU)는 시간적 구조를 직접 처리합니다. 모형에 재무 비율의 단일 기간 스냅샷을 입력하는 대신, 순환 네트워크는 재무제표와 시장 가격의 시계열을 처리하여 부도에 앞서는 궤적을 학습합니다. 이는 숙련된 신용 분석가가 비공식적으로 하는 것에 더 가깝습니다. 그들은 가장 최근 공시만 보는 것이 아니라 추세를 봅니다.

트레이드오프는 데이터 요구량입니다. 뉴럴 모형은 과적합을 피하기 위해 그래디언트 부스팅보다 훨씬 더 큰 훈련 표본이 필요하며, 기업 부도 데이터셋은 부도의 희귀성으로 인해 본질적으로 제한적입니다.

실무자의 체계: 무엇이 어디에 사용됩니까?

은행과 대형 자산운용사의 투자 등급 신용 평가는 일반적으로 KMV 방식의 EDF 추정치와 판단적 오버레이를 혼합하여 사용하는 경향이 있습니다. 구조 모형이 경제적으로 근거 있는 앵커를 제공하고 분석가가 모형이 볼 수 없는 요인(경영 품질, 소송 위험, 전략적 포지셔닝)을 조정합니다.

하이일드 및 레버리지드 론 데스크는 전통적인 기본 분석과 함께 점점 더 그래디언트 부스팅 모형을 사용합니다. 모형이 더 면밀한 주의가 필요한 이상치를 식별하면 분석가가 모형의 우려가 실제 악화를 반영하는지 아니면 데이터 아티팩트인지 결정합니다.

부실 채권 및 신용 특수 상황 실무자들은 일반적으로 상향식 기본 분석과 구조 모형 산출물에 가장 많이 의존합니다.

계량적 신용 헤지펀드와 핀테크 대출업체가 뉴럴 위험률 모형의 주요 도입자입니다. 이들은 이러한 모형을 지원하는 데이터 볼륨과 기술 인프라를 갖추고 있으며 규제 은행보다 모형 형식에 대한 규제 제약이 적습니다.

각 모형이 잃는 것

각 모형이 무엇을 희생하는지 이해하는 것은 무엇을 얻는지 이해하는 것만큼 중요합니다. 머턴 모형은 특정 경제적 구조를 부과합니다. 그 구조가 잘못되면(특히 복잡한 자본 구조를 가진 기업의 경우 자주 그렇습니다), 모형은 무작위가 아닌 체계적으로 실패합니다. 환산형 모형은 시장 가격에 잘 적합하지만 부도 메커니즘에 대해서는 침묵합니다. 그래디언트 부스팅은 강력하지만 인과관계가 없습니다. 훈련 데이터의 패턴과 부도 간의 상관관계를 학습하며, 경제 체제가 전환될 때 그 상관관계가 표본 외에서 붕괴될 수 있습니다.

이 체계들 중 어느 것도 틀리지 않습니다. 각각은 같은 복잡한 경제적 현실에 대한 서로 다른 근사입니다.

한계

모든 유형의 신용 모형은 공통적인 한계를 공유합니다. 부도 데이터셋은 지원하려는 모형 복잡성에 비해 작습니다. 수십 년의 데이터가 있더라도 투자 등급 부도는 표본 외 검증을 신뢰할 수 없게 만들 만큼 드뭅니다. 한 신용 사이클에서 훈련된 모형은 다음 사이클에서 체계적으로 편향된 예측을 생성할 수 있습니다. 신용 위험과 시스템 위험 간의 상호작용(불황기에 부도가 집중되는 경향)은 거시 구성 요소 없이는 모형화하기 어렵습니다.

규제 요건이 별도의 제약을 부과합니다. 바젤 III/IV의 적용을 받는 은행은 해석 가능성과 감사 가능성 기준을 충족하는 모형을 사용해야 합니다. 이는 심층 신경망이 표본 외 성능에서 우수하더라도 규제 자본 계산에는 효과적으로 사용하기 어렵게 합니다.