KMV 모델과 LDA로 보는 신용·운영리스크 정량화

시장 기반 신용위험과 손실 기반 운영리스크

신용위험과 운영리스크는 금융기관의 손익 및 자본적정성에 직접 영향을 준다. KMV Model은 시장가치에서 기업의 부도 여유를 추정하고, Loss Distribution Approach(LDA)는 손실 사건의 빈도와 규모를 조합해 연간 손실을 모델링한다.

두 방법은 Basel II/III 프레임워크와 내부자본 적정성 평가(ICAAP)에 연결해 활용할 수 있다. 규제 동향은 수시로 바뀔 수 있으므로 최신 정보 확인이 필요하다.

KMV는 자산가치에서 부도 여유를 추정한다

KMV Model은 Merton Framework에 기반한 구조적 신용위험 모형이다. 주식시장 정보를 사용해 기업의 자산가치와 자산 변동성을 역추정한 뒤, 부채구조와 비교해 부도 여유 거리(Distance to Default, DD)를 계산한다.

DD는 경험적 매핑을 거쳐 1년 부도확률(EDF)로 이어진다. 이 과정에는 시가총액, 주가변동성, 무위험이자율, 부채의 만기와 규모, 관측기간이 기본 입력으로 들어간다.

주식가치와 변동성으로부터 Black–Scholes 식을 역산해 총자산가치 (V)와 자산 변동성 (\sigma_A)를 구한다. 고정점 반복이나 뉴턴 방식으로 수렴을 유도하며, 시장 노이즈를 줄이기 위해 변동성 평활화를 적용할 수 있다.

부도 기준점(Default Point, DPT)은 일반적으로 단기부채 + 0.5×장기부채 또는 이와 유사한 대용치로 근사한다. 만기불일치와 부채 구조의 변화를 반영하려면 이를 정기적으로 다시 평가해야 한다.

DD는 다음 식으로 계산한다.

[ DD = \frac{\ln(V/DPT) + (\mu_A - 0.5\sigma_A^2)T}{\sigma_A\sqrt{T}} ]

DD를 EDF로 전환할 때는 기관별 보정이 필요하다. 내부·외부 부도표를 기반으로 보정하고, 포트폴리오 특성에 맞춰 캘리브레이션한다. 주가 변동성, 레버리지, 금리 충격이 DD와 EDF에 미치는 민감도를 분석하고, 시나리오별 레버리지 경로를 통해 한계 위험도 점검한다.

LDA는 빈도와 심도를 결합해 꼬리 손실을 계산한다

LDA는 손실 빈도(Frequency)와 손실 규모(Severity)를 각각 확률분포로 적합한 뒤, 이를 합성해 연간 총손실분포를 만드는 접근이다. 연간 손실분포의 높은 신뢰수준, 예를 들어 99.9%에서 VaR 또는 Expected Shortfall를 산출해 경제적 자본을 추정한다.

입력에는 내부·외부 손실 데이터, 희소하고 큰 손실을 보완하기 위한 시나리오, 환경 및 통제 지표가 포함된다. 빈도는 Poisson이나 Negative Binomial, 심도는 Lognormal·Burr·GPD 등을 꼬리 적합성에 따라 선택한다. 보고 임계값에 따른 트렁케이션과 인플레이션·스케일링 보정도 함께 고려한다.

합성분포는 몬테카를로, FFT, Panjer 재귀 방식으로 계산할 수 있다. 고신뢰수준의 tail을 추정할 때는 EVT 기반 혼합을 적용할 수 있으며, 데이터가 부족한 영역은 시나리오 기반 보완으로 다룬다.

산출된 99.9% VaR/ES를 바탕으로 총자본을 구하고, 사업부별 스탠드얼론 결과와 상관구조를 반영해 분해한다. KRI 및 RCSA와 피드백 루프를 구성하면 통제 개선이 분포 모수에 미치는 변화를 추적할 수 있다.

모델 검증, 백테스트, 주기적 리프리팅은 LDA 운영의 일부다. AMA에서 SMA로 전환되는 환경처럼 규제가 바뀔 수 있으므로 최신 정보를 확인하며 설계해야 한다.

입력부터 산출까지의 처리 흐름

⤢✕

의사결정과 자본 관리에 연결하는 방식

KMV는 한도 설정과 가격 책정에 EDF를 활용하고, 차등 스프레드 산정이나 리밸런싱 주기 단축에 연결할 수 있다. DD가 급락하는 상황을 조기경보로 탐지하고, 공시 이벤트와 레버리지 변화를 반영하는 용도에도 맞는다. 금리 및 변동성 시나리오에 따른 EDF 분포 이동을 보면 포트폴리오 스트레스도 평가할 수 있다.

LDA는 99.9% 자본을 경영계획에 연결하고 손실흡수능력을 점검하는 데 사용된다. 시나리오와 RCSA를 통합하면 통제 강도 개선에 따른 분포 모수 변화를 추적할 수 있다. KRI 경보 임계값을 넘었을 때 분포를 재추정하고 자본 영향을 시뮬레이션하는 운영도 가능하다.

시장기반 EDF는 신용등급과 별개로 부도 예측에 필요한 정보를 제공하며, PD 민감도 기반의 자본효율화에도 쓰인다. LDA의 합성분포는 tail 리스크를 계량화하고 99.9% 수준 자본 추정 편차를 줄이는 데 목적이 있다. 시나리오를 병합하면 희소 영역의 추정 안정성도 개선할 수 있다.

모델 성능보다 먼저 관리할 운영 조건

두 모델 모두 입력→처리→출력의 흐름을 표준화해야 재현성과 감사추적성을 확보할 수 있다. 데이터 품질관리, 모델 검증·승인, 성능 모니터링은 공통 거버넌스 요소다.

데이터는 결측·이상치·임계 초과 여부를 사전 검증하고, 버전과 계보를 관리한다. 다만 정제 기준을 지나치게 엄격히 적용하면 표본이 줄어들어 꼬리 적합성이 낮아질 수 있다.

기본분포와 EVT를 결합하면 과적합을 피하는 데 도움이 되지만, 복합모형은 해석가능성을 낮추고 운영비용을 높일 수 있다. LDA는 FFT나 Panjer를 사용해 런타임을 줄일 수 있고, KMV는 벡터화와 캐시 적용을 고려할 수 있다. 근사화를 넓히면 정확도가 낮아질 수 있으므로 검증 범위도 함께 확대해야 한다.

Basel 가이드라인과 내부정책의 정합성을 유지하고 문서화를 강화해야 한다. 규제 업데이트가 발생하면 모델과 자본 산출 로직을 다시 개발해야 할 부담이 생길 수 있으므로 최신 정보 확인이 필요하다.

항목	KMV (Credit Risk)	LDA (Operational Risk)
성능	종목 수 n에 선형 확장, 반복해법 수렴 의존	시뮬레이션 횟수/FFT 복잡도에 비례
확장성	대형 포트폴리오 배치 처리 용이	사업부·유형별 세분화 시 계산량 증가
일관성	시장데이터 품질에 민감	희소데이터·임계값 설정에 민감
안정성	변동성 급변 시 DD 변동 확대	꼬리 분포 선택에 따른 자본 변동 큼
운영 편의	데이터 자동수집·일일 재계산 용이	분포 재적합·시나리오 통합 절차 필요

Python으로 확인하는 DD와 연간 손실 VaR

전제조건은 다음과 같다.

• 환경: Python 3.10+, numpy 1.26+, scipy 1.11+, pandas 2.1+ 권장
• 목적: 교육용 데모, 실제 적용 전 내부 보정·검증 필수

KMV DD 계산

# pip install numpy scipy
import numpy as np
from scipy.stats import norm
from scipy.optimize import brentq

def kmv_dd(mkt_cap, equity_vol, short_debt, long_debt, r=0.03, T=1.0, tol=1e-6, maxit=100):
    DPT = short_debt + 0.5 * long_debt

    def solve_V_sigmaA(E, sigma_E, D, r, T):
        # 고정점 반복: V 추정 ↔ sigma_A 갱신
        V = E + D  # 초기값
        sigma_A = sigma_E  # 초기값
        for _ in range(maxit):
            def E_model(V_guess):
                if V_guess <= 0:
                    return -E
                sA = max(1e-6, sigma_E * E / (max(1e-9, V_guess) * max(1e-6, norm.cdf(
                    (np.log(V_guess/D) + (r + 0.5*(sigma_A**2))*T)/(max(1e-9, sigma_A)*np.sqrt(T))
                ))))
                d1 = (np.log(V_guess / D) + (r + 0.5 * sA**2) * T) / (sA * np.sqrt(T))
                d2 = d1 - sA * np.sqrt(T)
                return V_guess * norm.cdf(d1) - D * np.exp(-r * T) * norm.cdf(d2) - E

            # V 루트 탐색
            lo, hi = max(1e-3, E*0.1), (E + 10*D)
            try:
                V_new = brentq(E_model, lo, hi, maxiter=200)
            except ValueError:
                V_new = V  # 범위 실패 시 유지

            # sigma_A 갱신
            d1 = (np.log(V_new / D) + (r + 0.5 * sigma_A**2) * T) / (max(1e-9, sigma_A) * np.sqrt(T))
            N_d1 = norm.cdf(d1)
            sigma_A_new = max(1e-6, sigma_E * E / (max(1e-9, V_new) * max(1e-6, N_d1)))

            if abs(V_new - V) < tol and abs(sigma_A_new - sigma_A) < tol:
                V, sigma_A = V_new, sigma_A_new
                break
            V, sigma_A = V_new, sigma_A_new
        return V, sigma_A

    V, sigma_A = solve_V_sigmaA(mkt_cap, equity_vol, DPT, r, T)
    mu_A = r  # 위험중립 근사(내부 보정 필요)
    DD = (np.log(V / DPT) + (mu_A - 0.5 * sigma_A**2) * T) / (sigma_A * np.sqrt(T))
    return {"DPT": DPT, "V": V, "sigma_A": sigma_A, "DD": DD}

# 예시 입력
out = kmv_dd(
    mkt_cap=5e9,       # 시가총액
    equity_vol=0.35,   # 연간 주가 변동성
    short_debt=1.2e9,
    long_debt=2.0e9,
    r=0.03, T=1.0
)
print(out)  # EDF 매핑은 기관 경험적 보정 필요

DD를 EDF로 바꾸는 과정에는 기관 내부의 캘리브레이션과 경험적 분포 또는 부도표가 필요하다.

LDA 연간 손실 VaR 계산

# pip install numpy scipy
import numpy as np
from scipy.stats import poisson, lognorm

def lda_var(loss_counts, loss_severities, alpha=0.999, years=200000, threshold=10000.0):
    # 간단한 추정: 빈도=Poisson, 심도=Lognormal (임계 이상 데이터)
    losses = np.array([x for x in loss_severities if x >= threshold], dtype=float)
    lam = np.mean(loss_counts)  # 연간 사건수 평균
    # Lognormal 모수 추정
    logx = np.log(losses)
    mu, sigma = np.mean(logx), np.std(logx, ddof=1)
    s = sigma
    scale = np.exp(mu)

    # 합성분포 몬테카를로
    N = poisson.rvs(mu=lam, size=years, random_state=42)
    annual = np.zeros(years)
    rng = np.random.default_rng(42)
    for i, n in enumerate(N):
        if n > 0:
            sev = lognorm.rvs(s=s, scale=scale, size=n, random_state=rng)
            annual[i] = sev.sum()
    var = np.quantile(annual, alpha)
    es = annual[annual >= var].mean() if np.any(annual >= var) else var
    return {"lambda": lam, "mu": mu, "sigma": sigma, "VaR": var, "ES": es}

# 예시 입력
res = lda_var(
    loss_counts=[3, 2, 4, 1, 3, 2, 5, 2, 3, 4],          # 10개년 사건수
    loss_severities=[5e3, 2e4, 1.5e5, 8e4, 3e4, 6e5, 9e4, 1.2e5, 2.1e5, 7e4, 3.3e5],
    alpha=0.999,
    years=100000,
    threshold=10000
)
print(res)

임계 미만 데이터에 따른 보고 편향, 외부 손실 및 시나리오의 병합, 분포 적합성 검증을 함께 검토해야 한다.

모듈형 설계로 유지하는 모델 거버넌스

KMV는 시장정보에 기반해 DD와 EDF를 산출하므로 조기경보와 가격 책정에 활용할 수 있다. 다만 부채구조와 변동성 민감도를 체계적으로 관리해야 한다.

LDA는 빈도와 심도를 분리해 추정하고 합성분포로 tail 자본을 산출한다. 데이터 희소성, 꼬리 적합성, 시나리오 통합이 운영 결과를 결정한다.

입력·처리·출력의 표준화, 모델 거버넌스, 재현성 및 감사추적성을 함께 갖추고, 규제 변화에 대응할 수 있도록 모듈형 설계와 문서화를 유지해야 한다. 최신 정보 확인도 필요하다.