信用Risk 管理에 관한 硏究

Abstract

금융자유화의 진전과 함께 1997년의 외환위기등 최근의 국내외적인 금융환경의 변화로 인해 신용리스크의 중요성이 증대되고 있다. 기술의 변화속도가 빠르고 시장에서의 경쟁이 치열해짐에 따라 과거에 우량하고 건전했던 기업의 신용도가 언제 추락하고 더 나아가 기업이 부실해질지 예측하기 힘든 상황이 되었다. 이같은 환경하에서는 금융기관이 신용리스크를 얼마나 효율적으로 관리하고 이전할 수 있느냐가 경쟁력의 중요한 요인이 된다. 이러한 금융환경변화에 적응하기 위해서 금융기관은 금융기관의 경영전략․정책에 부합하는 리스크 관리체제의 필요성을 절감하게 되었고 업무추진과정에서 발생하는 리스크를 점검하여 내부적인 의사결정의 효율성 제고와 경영자원의 효과적인 배분을 가능하게 하는 등 리스크 관리시스템의 중요성을 인식하고 개발에 노력을 기울이게 되었다. 측정해야 하는 리스크는 다양하지만 현재 신용리스크 측정의 문제가 가장 중요하게 대두됨에 따라 신용리스크 측정기법의 개발과 발전을 위한 노력들이 계속되고 있다. 특히 이를 통한 시장리스크와 신용리스크의 통합적 리스크관리가 현실적으로 필요해졌다. 따라서 먼저 신용리스크의 개념에 대해 살펴보고 신용등급평가와 신용리스크 측정의 차이에 대해서 알아보았다. 다음으로 신용리스크 측정기법의 발전과정을 살펴보았는데 종합평점법, 판별분석법, 도산확률법(CreditMetrics, KMV의 EDF, CreditRisk+등은 도산확률법으로 분류가능)등이 있었다. 국내에서의 기존연구를 보면 리스크의 원천분석, 손실한도의 설정, 민감도한도의 설정, 리스크 측정시스템과 한도 관리과정의 수립 등 개념적인 신용리스크 관리는 이루어졌으나 실제적인 활동은 없었다. 이는 국내 신용리스크관리의 현주소를 말해주는 것이다. 신용리스크가 있는 금융상품의 가격을 결정하는 방법에는 구조적 접근방법, 축약적 접근방법이 있다. 그러나 신용리스크 관리에 대한 구조적 및 축약적 접근방법이 이자율에 민감한 금융상품의 포트폴리오에 적용됐을 때는 제한된 가치일 수 있다는 것과 시장리스크와 신용리스크 측정시 표준적인 접근방법일 수 있는지는 의문이다. 또한 모형의 사후검증의 어려움과 자료 축적의 문제는 신용리스크 측정모형의 연구에 한계로 작용하고 있다. 현대 포트폴리오 투자이론을 기초로 하여 신용리스크를 측정하는 이론에는 JP Morgan의 CreditMetrics, 옵션이론을 이용한 KMV의 EDF Model, CSFP의 CreditRisk+, CASA의 Neural Network Model, CreditPortfolioView 등이 있는데 이중 CreditMetrics, KMV, CreditRisk+, CreditPortfolioView는 신용리스크관리의 표준적인 방법이 되어 오고 있다. CreditMetrics는 자산가치의 변동을 확률분포로 나타내고 난수 시뮬레이션을 통해 리스크 크기를 계산, 은행간 상관을 반영하여 신용등급 추이의 시나리오를 작성하고, 시나리오별 자산가치를 계산하여 자산가치 분포로부터 신용리스크를 계산한다. KMV의 EDF(Expected Default Frequency)모델은 주가의 의해 신용리스크를 측정하는 모델로서 블랙-숄즈 옵션모델에 의해 자산의 시장가치와 변동성 및 채무의 장부가치 등을 이용하여 도산시점(Default Point)을 추정한다. CreditMetrics, KMV 방법론은 구조적 접근방법에 기초한 것이고, CreditRisk+, CreditPortfolioView 방법론은 채무불이행에 대한 통계적 접근방법에 기초한 것이다. 이러한 모형들은 신용리스크 측정이라는 동이란 목적으로 만들어졌으나 그 모형이 기반하고 있는 가정과 수학적 토대에 따라서 다른 가치를 생산해 낼 것이다. 따라서 이 결과에 대한 검증이 쉽지 않기 때문에 어떤 방법론이 더 우수하다는 판단을 내릴 수는 없다. 그러므로 바람직한 신용리스크 관리를 위해서는 각 금융기관(은행뿐 아니라)의 현재 리스크 관리 상태를 정확히 진단하고 이에 맞는 리스크 관리기법을 선택하고 발전시켜야 한다. 본 연구를 토대로 국내 금융기관의 현실을 돌이켜 보면 국내 금융기관의 신용리스크 관리체제 개선의 핵심과제는 통계학적 확률개념에 입각한 신용리스크의 계량적 방법론의 도입이다. 리스크의 계량화를 통한 포트폴리오 리스크 관리가 이루어져야 하는 것이다. 이러한 계량적 바탕 위에서 신용리스크를 분석하고 이를 신용프리미엄 및 대손충당금의 활용을 통해 관리해 나가야한다.;This article explains why Credit Risk modelling has such a focus of interest for practitioner and financial supervisors and reviews the current state of credit risk measurement. Credit risk management is the next great risk management challenge for the coming years. The new BIG 1998 capital requirements for market risks allows banks to the internal models to assess regulatory capital related to both general market risk and credit risk for their trading books. In recent years, securitization and other financial innovations have provided unprecedented opportunities for bank to reduce substantially their regulatory capital requirements with little or no corresponding reduction in their overall economic risks - a process termed "Regulatory Capital Arbitrage". The most regulatory capital arbitrage(RBC) revolves around the four guiding principles; (ⅰ)Concentrate credit risk and cherry picking (ⅱ)Securitization with partial recourse (ⅲ)Remote-origination (ⅳ)Indirect credit enhancement. Over the past decade, commercial banks have devoted many resources to developing internal models to better quantify their financial risks and assign economic capital. But the current modelling technologies have significant weakness. Recently, banks have extended these efforts into the field of credit risk modelling. However, the development of the corresponding regulatory standards for credit risk models is mich more challenging than for market risk models. An important question for both banks and their regulators is evaluation the accuracy of a model's forecasts of credit losses. A major impediment to model validation(or "backtesting") is the small number of forecast accuracy. That is while VaR models for daily, market risk calculations generate about 250 forecasts in 1 years, credit risk models can generally produce only one forecasts per year due to their longer planning horizons. Broadly speaking, the new credit risk models may be classified into (ⅰ) mark-to-market, portfolio-theoric models such as JP Morgan's CreditMetrics, or the Merton-style model implemented by the consulting firm KMV, and (ⅱ) default-mode models such as CSFP's CreditRisk+ or approach advocated by Mckinsey's CreditPortfolioView. The default-mode models estimate the distribution of portfolio value at some future date allowing for credit quality declines. Direct comparison with these models is impossible because of the different assumption and mathematical methodologies. In the CreditMetrics approach, the distribution of the future value of a loan is estimated using the probabilities that the rating of the loan will change and assuming that the yields in the event of a such a change are a set of known constants based on forward yield curve. the rating(which together with spreads proxy for loan value) may either be generated internally by the bank in question or taken from agencies such as Moody's or Standard and Poors. By contrast KMV's approach uses the Merton(1974) model to deduce loan value changes from changes in equity market capitalization and leverage levels. The actuarial approach as proposed by Credit Suisse Financial Products with CreditRisk+ and which only focuses on default. Default for individual bonds or loans is assumed to follow an exogenous Possion process. Mackinsey proposes CreditPortfolioView which is a discrete time multi period model where default probabilities are conditional on the macro variables like unemployment, the level of interest rates, the growth rate in the economy, which to a large extent drive the credit cycle in the economy.