VaR 와 CVaR 의 계산 방법 및 한계 분석
금융 분야에서 포트폴리오의 잠재적 손실을 정량화하는 데 가장 널리 사용되는 도구 중 하나는 가치 위험 (Value at Risk, VaR) 과 조건부 가치 위험 (Conditional Value at Risk, CVaR) 입니다. VaR 는 특정 신뢰 수준에서 주어진 시간 기간 동안 포트폴리오가 겪을 수 있는 최대 손실을 측정하는 반면, CVaR 은 손실 분포의 꼬리 부분에서 예상되는 평균 손실을 계산하여 VaR 을 확장합니다. 이 모델들은 규제 준수, 포트폴리오 최적화 및 위험 평가에 필수적이지만, 시장 행동, 변동성 및 분포 형태에 대한 가정에 따라 그 효과는 제한적일 수 있습니다. 본 글에서는 VaR 과 CVaR 의 계산 방식을 살펴보고, 실제 적용에서의 장단점과 근본적인 한계를 비교 분석합니다.
VaR 와 CVaR 의 계산 방식
VaR 계산 방법
VaR 는 일반적으로 역사적 시뮬레이션, 델타-노멀 (Delta-Normal), 몬테 카를로 시뮬레이션 등 세 가지 주요 접근법을 통해 계산됩니다.
역사적 시뮬레이션
이 방법은 과거 수익률을 사용하여 포트폴리오 수익률의 분포를 추정합니다. 과거 변동성이 미래의 위험을 대표한다고 가정하므로 계산 효율성이 높습니다. 예를 들어, 95% VaR 은 역사적 수익률의 5% 백분위수를 식별하여 계산할 수 있습니다.델타-노멀 방법
이 접근법은 자산 수익률이 정규 분포를 따른다고 가정합니다. 따라서 변동성이 낮은 포트폴리오에 적합하며, 수익률의 평균과 표준편차를 사용하여 VaR 을 계산합니다. 그러나 이 방법은 선형 관계만 고려할 뿐, 기본 분포의 왜도나 첨도를 반영하지 못한다는 한계가 있습니다.몬테 카를로 시뮬레이션
이 방법은 무작위 시나리오를 생성하여 잠재적인 미래 수익률을 시뮬레이션합니다. 복잡한 위험 요인, 예를 들어 변동성 군집 현상이나 체제 전환을 포함할 수 있어 매우 유연합니다. 다만, 계산량이 크고 상당한 자원이 필요하다는 단점이 있습니다.
CVaR 계산 방법
CVaR 은 VaR 을 확장하여 손실 분포의 꼬리 부분에서 예상되는 손실을 계산합니다. 일반적인 방법으로는 다음과 같은 것들이 있습니다.
예상 손실 (Expected Shortfall, ES)
ES 는 신뢰 수준 α에 해당하는 최악의 α% 시나리오에서의 평균 손실을 측정합니다. 예를 들어, 95% ES 는 수익률의 5% 백분위수에서 발생하는 평균 손실을 의미합니다.조건부 VaR (CVaR)
CVaR 은 ES 의 일종으로, 역사적 손실 데이터를 사용하여 계산되는 경우가 많습니다. 극단적인 시나리오에서의 손실 규모를 포함함으로써 위험에 대한 더 포괄적인 관점을 제공합니다.기타 방법
일부 모델은 꼬리 상관관계나 변동성 표면 데이터와 같은 추가 위험 요인을 VaR 과 결합하여 정확도를 높입니다.
방법의 선택은 포트폴리오의 복잡성, 데이터 가용성, 그리고 원하는 정밀도에 따라 달라집니다. VaR 은 단순하지만 정규 분포 가정 때문에 꼬리 위험을 과소평가할 수 있으며, CVaR 은 극단적 이벤트에서의 손실 심각성을 고려하여 변동성이 큰 시장에서 더 견고한 성능을 보입니다.
VaR 와 CVaR 의 한계점
가정의 민감성
VaR 과 CVA R 은 수익률, 변동성 및 시장 행동에 대한 가정 위에 서 있습니다. 예를 들어, 델타-노멀 방법은 정상성을 가정하는데, 이는 시장 폭락이나 극단적 이벤트 발생 시 성립하지 않을 수 있습니다. 또한, 몬테 카를로 접근법은 정확한 변동성 표면 데이터를 필요로 하는데, 이는 불완전하거나 오평가될 수 있습니다.
비가산성 특성
VaR 은 가산성이 없으며, 포트폴리오를 결합했을 때의 위험은 개별 위험의 단순 합이 아닙니다. 이는 포트폴리오 다각화가 이루어졌을 때 오류 있는 위험 평가를 초래할 수 있습니다. CVaR 은 극단적 시나리오에서의 예상 손실을 고려함으로써 이 문제를 해결하지만, 본질적으로 비가산적 위험 상호작용을 고려하지는 않습니다.
극단적 이벤트에서의 과대평가
VaR 과 CVaR 은 꼬리 위험을 포착하도록 설계되었지만, 역사적 데이터의 샘플 크기가 제한되어 극단적 이벤트에서의 손실을 과대평가할 수 있습니다. 예를 들어, 2008 년 금융 위기 동안 VaR 모델은 실제 손실 규모를 포착하지 못해 위험을 현저히 과소평가했습니다.
독립성 부재
VaR 계산에서 독립성 가정이 시장이 자기상관관계나 변동성 군집을 보일 때 문제가 될 수 있습니다. 이는 시장 충격을 지속하지 않는다는 모델의 가정 때문에 꼬리 위험이 과소평가될 수 있습니다.
규제 및 시장적 도전
규제 프레임워크는 VaR 을 위험 측정 도구로 의무화하지만, 그 한계로 인해 적합성에 대한 논쟁이 계속되고 있습니다. 예를 들어, 2015 년 시장 폭락은 VaR 이 예상치 못한 손실을 포착하는 데 부적절함을 보여주며, CVaR 같은 대안 위험 측정 도구에 대한 요구를 제기했습니다. 또한 금융 기구의 복잡성 증가와 비선형 시장 행동의 상승은 VaR 과 CVaR 을 뒷받침하는 전통적 가정에 도전하고 있습니다.
비교 분석
VaR 와 CVaR 의 장단점
VaR 은 단순성과 해석의 용이성으로 인해 계산 자원이 제한된 기관에서 위험 관리 도구로 선호됩니다. 그러나 정상 분포 가정과 꼬리 위험 포착 부재로 인해 손실 과소평가를 초래할 수 있습니다. 반면, CVaR 은 극단적 시나리오에서의 예상 손실을 포함함으로써 위험에 대한 더 세밀한 이해를 제공합니다. 복잡성은 있지만, 정확성이 중요한 규제 맥락에서는 종종 선호됩니다.
실제 사례 및 연구 결과
2008 년 금융 위기는 VaR 의 한계를 드러냈으며, 많은 기관이 모기지 연동 채권 (MBS) 의 위험을 과소평가했습니다. 반면, 바젤 위원회에서 사용된 CVaR 모델과 같은 CVaR 기반 모델은 이러한 결함을 해결하기 위해 적응되었습니다. 예를 들어, 2015 년 시장 폭락은 꼬리 위험과 변동성 군집을 고려하는 CVaR 기반 위험 관리 프레임워크 개발을 촉발했습니다.
규제 및 시장적 함의
바젤 위원회와 유럽 증권 및 시장 감독당국 (ESMA) 과 같은 규제 기관은 CVaR 을 더 견고한 위험 측정 도구로 사용해야 한다고 점점 더 강조하고 있습니다. 그러나 CVaR 의 채택은 고급 계산 자원의 필요성과 고품질 역사적 데이터의 가용성 같은 도전 과제를 안고 있습니다.
결론
VaR 과 CVaR 은 금융 위험을 정량화하는 데 필수적인 도구이지만, 그 효과는 가정의 정확성과 분석되는 포트폴리오의 복잡성에 달려 있습니다. VaR 은 단순성을 제공하지만 꼬리 위험과 비가산적 상호작용을 포착하는 데 한계가 있어 변동성이 크거나 복잡한 시장에는 적합하지 않습니다. CVaR 은 이러한 한계를 해결함으로써 더 포괄적인 위험 관점을 제공하지만, 고급 계산 능력을 요구합니다. 금융 시장이 진화하고 규제 요구 사항이 더욱 엄격해짐에 따라, 두 방법의 적절한 활용과 보완이 더욱 중요해지고 있습니다.