기업 여신 실무 활용과 한계¶

5.1 기업 여신에서의 6대 활용 영역¶

차주 부도확률(PD) 산출¶

기업 여신의 핵심은 차주의 부도확률을 정확히 추정하는 것이다. 미니모델링은 이 과정에서 재무비율 원시 데이터를 부도 예측력이 극대화된 형태로 전처리하는 역할을 한다. 최종 산출물인 EDF(Expected Default Frequency)는 차주 등급 부여의 기초가 된다.

Moody's CRD 데이터 규모

RiskCalc는 전 세계 25개 지역별 모델을 운영하며, Moody's의 CRD(Credit Research Database)는:

250만 개 기업
1,300만 건 재무제표
20만 건 이상의 비상장 기업 부도 데이터

미니모델링의 변환곡선은 이 방대한 데이터로부터 추정된다.

출처: Moody's KMV EDF RiskCalc v3.1 Whitepaper (2004), RiskCalc Factsheet

내부등급법(IRB) 준거¶

바젤 II/III 내부등급법(IRB Approach)에서는 은행 자체 추정치에 의한 PD, LGD, EAD 산출을 허용한다. 이때 은행의 PD 모형은 최소 5년 이상의 부도율 데이터에 기반해야 하며, 비선형성 반영 및 모형의 설명 가능성이 감독당국의 핵심 검토 항목이다.

미니모델링은 이 두 가지 요건을 동시에 충족하는 구조이므로, 내부등급법 승인을 목표로 하는 은행에게 매력적인 방법론이다.

여신 가격결정(Loan Pricing)¶

EDF가 정확할수록 리스크 프리미엄 책정이 정교해진다. 미니모델링에 의해 산출된 EDF는:

등급 간 차별적 가격결정
위험 조정 수익률(RAROC) 산출
경제적 자본(Economic Capital) 배분

의 기초 입력이 된다.

포트폴리오 모니터링 및 조기경보¶

Moody's Analytics는 RiskCalc의 EDF를 포트폴리오 수준에서 모니터링하는 도구를 제공한다:

산업별·지역별·규모별 EDF 분포 벤치마킹
리스크 지표 시계열 분석
스트레스 테스트 EDF 시계열

Ratio Diagnostics

미니모델링의 변환곡선은 개별 비율의 기여도를 분해할 수 있게 하므로, 특정 기업의 EDF 변동이 어떤 재무비율의 변화에 기인하는지를 진단하는 데 활용된다. 이것이 Moody's가 말하는 "ratio diagnostics"이다. 소매 CSS에서 스코어 변동의 원인을 개별 변수 기여점수로 분해하는 것과 같은 원리다.

재무제표 불완전 시 대응¶

중소기업 여신에서는 재무제표가 불완전한 경우가 빈번하다. Moody's의 최신 접근법에서는 재무제표 전체를 확보하지 못한 경우에도 일부 변수의 미니모델링 결과와 근린 기업(Near-Neighbors) 정보를 결합하여 EDF를 추정하는 체계를 구축했다.

평균 대입의 함정

이전 버전에서는 누락 변수에 대해 지역·산업 평균을 대입(mean imputation)했으나, 이 방식이 부도확률을 체계적으로 과소 추정하는 문제가 있어 개선되었다. 재무제표가 불완전한 기업은 그 자체가 위험 신호일 수 있기 때문이다.

매출채권 신용한도(Trade Credit Limit) 산정¶

RiskCalc의 EDF 산출물은 기업 간 거래에서의 신용한도 결정에도 활용된다. 매출 규모, PD 수준별로 보수적·표준·적극적 한도 시나리오를 제공하며, 미니모델링에 의한 정교한 PD가 이 한도의 정밀도를 좌우한다.

5.2 적용 조건: 왜 재무비율에서만 워킹하는가¶

미니모델링은 모든 유형의 변수에 범용적으로 적용되는 기법이 아니다. 실무에서 LOWESS 기반 미니모델링이 재무비율(financial ratios) 항목에 한정되어 사용되는 데에는 통계적으로 명확한 이유가 있다.

재무비율: 연속적 분포가 LOWESS를 가능하게 한다¶

부채비율, 유동비율, 이자보상배율 등 재무비율은 0%에서 수백%까지 연속적으로 분포한다. x축 전 구간에 걸쳐 관측치가 충분히 퍼져 있으므로:

각 점에서 bandwidth 내에 이웃 관측치가 풍부하여 WLS 회귀가 안정적
비선형 관계(예: 부채비율이 일정 수준까지는 완만하다가 특정 구간 이후 부도율이 급등)를 정밀하게 포착 가능
고유한(unique) x값이 충분하여 곡선의 해상도가 높음

CPS(신용거래정보) 항목: 이산적 분포가 LOWESS를 무력화한다¶

반면, 소매 CSS에서 사용하는 연체 건수, 대위변제 건수 등 CPS 항목은 분포 특성이 근본적으로 다르다:

값의 대다수가 0에 집중 (정상 거래자가 대부분)
1 이상의 값은 극소수이며, 2 이상은 더욱 희소
고유한 x값이 0, 1, 2, 3... 몇 개에 불과

이런 분포에서 LOWESS를 적용하면:

0 부근에서만 이웃이 밀집하고, 1 이상 구간은 bandwidth 내 관측치가 부족하여 곡선이 불안정
사실상 이산형(discrete) 변수에 연속형 smoothing 기법을 적용하는 셈이므로 방법론적으로도 부적합
고유 x값이 몇 개뿐이면 "짧은 직선을 이어붙여 곡선을 만드는" LOWESS의 메커니즘 자체가 작동하지 않음

소매 CSS에서의 자연스러운 대안: WoE 구간화¶

CPS 항목은 이산적 값 자체가 자연스러운 범주가 된다 (0건 / 1건 / 2건 이상 등). 따라서 연속적 smoothing 대신 WoE 구간화 방식이 적합하다. 본 가이드북의 Part 3 변수 선택 섹션에서 다루는 WoE 기반 접근이 소매 CSS에서 표준이 된 배경에는 이런 데이터 분포 특성의 차이가 있다.

정리

항목 유형	분포 특성	적합한 변환 기법
재무비율 (부채비율, ROA 등)	0~수백%, 연속 분포	LOWESS 미니모델링
CPS 항목 (연체 건수 등)	0에 집중, 이산 분포	WoE 구간화

미니모델링은 "x축 전 구간에 걸쳐 데이터가 충분히 퍼져 있어야 한다"는 전제 조건 위에서 작동한다. 이 조건을 충족하는 것이 재무비율이고, 충족하지 못하는 것이 CPS 항목이다.

5.3 국내 은행 신용평가 체계와의 접점¶

국내 시중은행의 기업 신용평가시스템은 계량 모형(재무평가)과 비계량 모형(비재무평가)으로 이원화되어 있다. 미니모델링과 직접적으로 관련되는 영역이 바로 이 계량 모형이다.

국내 적용 맥락에서의 차이점¶

항목	Moody's RiskCalc	국내 은행 일반 관행
변환 방식	LOWESS 기반 비모수 미니모델링	로지스틱 회귀 기반 선형/구간화 변환이 다수
부도 데이터	CRD: 250만 기업, 20만+ 부도 건	개별 은행 자체 부도 데이터 (수천~수만 건 수준)
산업 조정	세분화된 산업 더미 + EDF 조정	업종별 모형 분리 또는 업종 더미 변수
규제 목적	바젤 II/III IRB 준거용 PD 모형	동일 (고급/기본 내부등급법 승인 목적)
비재무 반영	FSO(Financial Statement Only) 모드 분리	재무 + 비재무 결합등급 (결합비율 상이)
모형 설명력	변환곡선 시각화로 항목별 검증 가능	회귀계수 기반 설명이 주류

시사점¶

국내 은행이 내부등급법 정교화를 위해 LOWESS 기반 미니모델링을 도입할 경우, 비선형 포착력과 모형 투명성 간의 균형이라는 이점이 있다. 다만:

국내 부도 데이터의 절대적 규모가 Moody's CRD 대비 제한적이므로, 대역폭(bandwidth) 선택 시 과적합 위험에 대한 별도의 검토가 필요하다
금융위원회의 AI 기반 신용평가모형 검증체계(2023년 마련)에서 요구하는 알고리즘 설명 가능성 기준과의 정합성도 확인해야 한다

5.4 한계와 고려사항¶

대역폭 선택의 민감성¶

LOWESS의 핵심 파라미터인 대역폭(\(f\))은 사전에 이론적으로 결정되지 않는다. 너무 작으면 과적합(overfitting), 너무 크면 과소적합(underfitting)이 발생한다. Moody's는 교차검증(cross-validation)을 통해 이를 조율하지만, 부도 데이터가 희소한 산업군에서는 안정적 추정이 어려울 수 있다.

데이터 의존성¶

미니모델링의 변환곡선은 전적으로 학습 데이터에 의존한다. 데이터의 시간적 안정성(temporal stability)이 보장되지 않으면, 과거 변환곡선이 미래를 대변하지 못하는 구조적 변화(structural break)에 취약하다. RiskCalc는 이를 위해 walk-forward 검증과 k-fold 교차검증을 수행하며, 파라미터 안정성을 별도로 모니터링한다.

산업·지역 특수성¶

동일 비율이라도 산업과 지역에 따라 부도와의 관계가 다르다. Moody's는 이를 위해 25개 지역별 모형을 별도로 개발하며, 산업 조정(industry adjustment)을 모형에 내장한다. 단일 글로벌 변환곡선을 적용하는 것은 방법론적으로 적절하지 않다.

회계기준 변화¶

IFRS 전환 등 회계기준 변경은 재무비율의 분포 자체를 구조적으로 변화시킨다. 미니모델링의 변환곡선은 이전 회계기준 하의 데이터로 추정되었으므로, 기준 변경 시 재추정(recalibration)이 필수적이다.

소매 CSS에도 동일하게 적용되는 한계

위 네 가지 한계 — 대역폭 민감성, 데이터 의존성, 산업 특수성, 회계기준 변화 — 는 소매 CSS의 WoE 변환에도 본질적으로 동일하게 적용된다. 구간화의 구간 수가 대역폭에 대응하고, WoE 패턴의 시간적 안정성이 데이터 의존성에 대응한다. 모형 재개발(redevelopment) 주기를 설정하는 근거가 여기에 있다.

재추정(Recalibration)의 용이성과 진짜 어려움¶

미니모델링의 본질이 weight & smoothing인 만큼, 재추정 작업 자체는 어렵지 않다. 새로운 시점의 데이터가 축적되면:

최신 데이터로 LOWESS를 다시 돌려 smoothing 곡선 재추정
새로운 lookup table로 교체

이것이 전부다. Bandwidth도 기존 값을 유지하거나, 교차검증으로 재조정하는 선택지가 있다. 소매 CSS에서 WoE 테이블을 주기적으로 재산출하는 것과 본질적으로 같은 난이도의 작업이다.

진짜 어려운 것은 재추정 자체가 아니라, 그 결과를 해석하는 것이다:

이전 곡선과 새 곡선의 차이가 노이즈인지 실제 변화인지 구분해야 한다
구조적 변화(structural break)가 발생했는지 — 즉, 재무비율과 부도 간의 관계 자체가 변했는지 — 를 판단해야 한다
곡선이 바뀌었다면, 그것이 단순히 데이터 구성의 변동(예: 특정 산업 비중 변화)에 의한 것인지, 아니면 경제 환경의 근본적 변화에 의한 것인지를 구분해야 한다

이 판단이 기계적으로 수행될 수 없기 때문에, 모형 재개발 주기마다 변환곡선의 시간적 안정성(temporal stability) 검증이 필수적으로 수반된다. RiskCalc가 walk-forward 검증과 파라미터 안정성 모니터링을 별도로 수행하는 이유가 여기에 있다.