VaR·ES·스트레스 테스트로 위험을 측정하는 방법

손실 분포와 충격 시나리오를 함께 보는 이유

금융기관의 위험 관리는 손실 분포에서 계산한 정량 지표와 극단 상황을 가정한 시나리오를 함께 사용한다. 이 조합으로 자본 적정성, 손실 흡수력, 한도 관리의 근거를 마련한다. VaR, Expected Shortfall, Stress Testing은 같은 질문을 다루지만 각자 포착하는 위험의 범위가 다르다.

VaR은 손실의 경계선을 제시한다

VaR(Value at Risk)은 특정 보유기간과 신뢰수준에서 초과 손실이 발생하지 않을 최대 손실액을 분위수로 표현한 지표다. 예를 들어 1일 99% VaR은 해당 기간 손실 분포의 1% 하위 꼬리 경계값이다.

계산과 보고가 비교적 단순해 한도 관리에 잘 맞는다. 다만 경계 밖에서 손실이 얼마나 커지는지는 보여 주지 못한다. 비연속적인 꼬리 위험을 충분히 반영하지 못하며, 일부 분포에서는 준응집성도 충족하지 못할 수 있다.

ES는 경계 바깥의 손실을 다룬다

ES(Expected Shortfall, CVaR)는 VaR를 초과한 손실 구간의 평균 손실이다. 꼬리가 두터운 분포와 극단 손실에 대한 민감도를 반영한다.

응집성(coherence)을 충족하므로 포트폴리오를 집계할 때 일관성을 유지하기 쉽고, 위험기여도 분석에도 유리하다. 바젤 시장위험(FRTB)에서는 ES 채택 추세가 있으나 규제 세부는 최신 정보를 확인해야 한다.

스트레스 테스트는 드문 충격을 가정한다

스트레스 테스트는 시장·신용·유동성에 극단적이거나 드문 충격이 발생한다고 가정하고, 포지션 손익과 자본, 유동성 커버리지의 변화를 평가하는 시나리오 기반 기법이다.

역사적 스트레스는 2008 GFC처럼 이미 발생한 사건을 재현한다. 가상 시나리오는 정책금리 급등이나 스프레드 점프를 설정하며, 역스트레스는 파산을 유도하는 조건을 찾는 데 사용한다.

측정값을 신뢰하기 위한 운영 기반

위험 측정은 데이터와 모델, 거버넌스가 함께 맞물려야 한다. 가격·수익률·민감도(그릭스)·신용변수(PD/LGD/EAD)·유동성 지표의 정합성을 검증하고, 결측·이상치 처리와 시간 동기화, 리밸런싱을 반영한다. 법적 엔티티, 데스크, 상품 계층에 따른 계정 맵핑과 데이터 계보(lineage) 관리도 필요하다.

VaR와 ES는 역사적 방법, 파라메트릭 방식(정규, t, EVT), 몬테카를로 경로 시뮬레이션 가운데 선택할 수 있다. 비선형 파생상품은 풀 재평가(full reval) 또는 델타-감마 근사를 적용한다. 상관·공분산은 단순·가중·필터드 방식으로 추정하고, 요인모형이나 공분산 축약(샤링크)으로 안정화할 수 있다.

검증 단계에서는 VaR 초과 횟수와 통계적 적합도를 확인한다. 예를 들어 250영업일 기준 99% VaR의 넘김 횟수를 점검한다. ES는 기대 초과손실 비교와 조인트 점검이 필요하다. 독립 검증(IVU), 챌린지 모델, 온·오프라인 감시를 두고 성능 저하 시 재보정 트리거를 운영한다.

법인·데스크·상품·요인 단위의 집계에는 상관 구조를 반영해야 한다. ES는 응집성을 바탕으로 Shapley, Euler 분해를 이용한 위험기여도 산출이 용이하다. 이 결과는 기여도 기반 헤지, 리스크 버짓팅, 한도 배분으로 이어진다. 위원회 승인 모델 목록, 주기적 모델 검토, 스트레스 캘린더, 비상한도와 손절 규칙도 이 체계 안에 둔다. 규제 및 내부자본(ICAAP/ILAAP) 정합성 점검과 보고 자동화 역시 운영 범위에 포함된다.

데이터에서 보고까지 이어지는 측정 흐름

입력에는 가격·수익률 시계열, 포지션과 민감도, 신용변수, 시장 시나리오가 들어간다. 데이터 정제 뒤 공분산·요인 추정과 재평가 또는 시뮬레이션을 거쳐 VaR·ES·스트레스 손실을 계산한다. 결과는 집계 리포트, 한도 소진, 경보, 경영 보고로 연결된다. 결측이나 이상치가 발생하면 대체 처리를 하고, 수렴 실패 시에는 파라메트릭 폴백과 재시도, 알림을 수행한다.

⤢✕

지표별 역할과 운영 특성

항목	VaR	ES	Stress Testing
성능(계산비용)	낮음~중간, 실시간 가능	중간~높음, 꼬리평균 계산 비용	시나리오 수·모델 복잡도에 비례, 높음
확장성(대규모 포트폴리오)	우수, 근사 사용 용이	우수, 응집성 덕분에 집계 일관	시나리오 병렬화로 확장 가능하나 비용 큼
일관성/이론적 성질	제한, 꼬리 정보 손실	우수, 응집성 충족	확률론적 일관성 밖, 보완적 용도
안정성(샘플 민감도)	중간, 분위수 점프 가능	상대적으로 안정, 꼬리 평균화	시나리오 설계에 민감
운영 편의	한도/알람에 적합	자본·버짓팅·기여도 분석 적합	경영 의사결정·레질리언스 점검에 적합

포트폴리오에서의 활용 방식

트레이딩북의 일일 한도 관리에서는 1일 97.5% ES와 99% VaR을 함께 산출하고, 한도 대비 소진율과 경보를 운영한다. 백테스트 결과에 따라 윈도우와 가중치를 조정하며, 신상품은 모델 검증이 끝나기 전까지 보수적 상향 계수를 적용한다.

경로의존적이거나 비선형적인 파생상품 포트폴리오에서는 몬테카를로 풀 재평가로 ES를 계산하고 델타-감마 근사와 비교 검증할 수 있다. 요인별 ES 기여도는 헤지 우선순위를 정하는 근거가 된다.

신용 포트폴리오에는 PD/LGD 상향과 상관 점프 시나리오를 적용해 손실을 추정하고 산업·지역 농도위험을 진단한다. 역스트레스로 취약한 조합을 찾은 뒤 한도와 익스포저를 축소할 수 있다.

자산운용의 리스크 버짓팅에서는 전략별 ES 기여도를 기준으로 예산을 배분한다. 금리 200bp↑, 달러 5%↑와 같은 시장 스트레스 상황에서 목표 손실 제약을 지키는지도 확인한다.

측정 체계가 만드는 변화

ES를 도입하면 동일 신뢰수준에서 VaR 대비 평균 1030% 높은 꼬리 비용을 추정해 보수적인 자본 확보가 가능하다. 이 차이는 기관과 자산군에 따라 달라진다. 필터드 공분산과 축약을 적용하면 백테스트 초과 비율의 변동성이 1525% 감소할 수 있다. 중요도 샘플링과 같은 근사·샘플링을 도입하면 몬테카를로 시뮬레이션 비용을 30~50% 절감할 수 있다.

스트레스 기반의 가시성은 경영진이 선제적 헤지와 디리스크 결정을 내리는 데 도움을 준다. 일관된 지표, 리포팅, 한도 체계는 규제와 감사 대응력도 높인다.

구현에서 선택할 지점

역사적 방법은 단순하고 직관적이지만 레짐 전환에 민감하며 데이터 품질이 성능을 좌우한다. 파라메트릭 방식과 EVT는 꼬리 추정력을 개선할 수 있지만 모형 가정 리스크가 있다. 몬테카를로는 가장 유연한 대신 계산비용이 크므로 재평가 캐시와 경로 축약이 필요하다.

계산은 포지션에서 데스크, 법인으로 이어지는 계층적 병렬화와 시뮬레이션 분산 처리로 설계할 수 있다. 재현성을 위해 난수 시드를 관리한다. 델타-감마, 경량 프라이싱, 시나리오 클러스터링, 샘플 재가중(Filtered Historical Simulation)은 근사전략으로 활용된다.

운영 단계에서는 VaR 초과 이벤트를 다중 검정하고 ES 예측오차를 점검하며 CCAR/ICAAP 정합성을 유지한다. 스트레스 시나리오는 연 1~2회 업데이트한다. 모형변경관리(MCR)와 비상 폴백을 정의하고, 규제 업데이트는 최신 정보를 확인한다.

역사적 VaR과 ES 계산 예시

전제: Python 3.10+, numpy/pandas 설치

import numpy as np
import pandas as pd

# 예시 수익률(일간, 음수는 손실)
np.random.seed(7)
returns = pd.Series(np.random.standard_t(df=5, size=1000) * 0.01)  # fat-tail 예시

alpha = 0.99  # 99% VaR
loss = -returns  # 손실 관점

VaR = loss.quantile(alpha)
ES = loss[loss >= VaR].mean()  # VaR 초과구간 평균

print(f"1일 99% VaR: {VaR:.4%}")
print(f"1일 99% ES : {ES:.4%}")

VaR은 꼬리의 경계를, ES는 그 경계를 넘는 구간의 평균 손실을 나타낸다. 산출값은 표본과 분포 가정에 따라 달라진다.

VaR은 한도 관리에, ES는 자본·버짓팅과 위험기여도 분석에 적합하다. 스트레스 테스트는 확률적 지표가 포착하지 못하는 상황을 보완하는 경영 의사결정 도구다. 세 지표를 함께 운용하려면 데이터 품질, 모델 검증, 병렬 계산과 집계 체계가 뒷받침되어야 한다.