위험에 대한 가치 모델 (VaR) 과 극한 이론의 적용

금융 시장에서 포트폴리오의 최대 잠재적 손실을 정량화하는 데 있어 **위험에 대한 가치 **(VaR)는 절대적인 역할을 해왔습니다. 특정 기간 동안 주어진 신뢰 수준 하에서 예상되는 손실 한계를 설정함으로써, 투자자와 기관들은 리스크 노출을 평가하고 완화할 수 있었습니다. 그러나 VaR 은 기본 가정인 분포의 안정성에 크게 의존하며, 이는 극단적인 사건이나 꼬리 리스크를 제대로 포착하지 못한다는 단점을 가지고 있습니다. 이러한 한계를 극복하기 위해 **극한 이론 **(EVT)이 등장하여, 전통적인 모델이 간과했던 희귀하고 고영향의 사건을 모델링하는 강력한 프레임워크를 제시했습니다. 본 글에서는 VaR 과 EVT 의 이론적 기반, 상호 비교, 그리고 현대 금융에서의 실용적 적용 가능성을 살펴보겠습니다.

VaR 의 이론적 기반과 한계

VaR 는 1960 년대 피스커 블랙과 마이론 쇼슬스 등 금융 경제학자들이 시장 리스크를 정량화하려는 시도에서 개발되었습니다. 이 모델은 자산 수익률이 정규 분포를 따른다고 가정하며, 일반적으로 95% 또는 99% 신뢰 수준이라는 확률적 임계값을 계산합니다. 예를 들어, 95% VaR 이 100 만 달러라면, 정규성 가정이 성립한다고 볼 때 해당 기간 동안 100 만 달러 이상의 손실을 입는 확률이 5%라는 의미입니다. VaR 은 리스크 노출을 간결하게 요약해내지만, 변동성이 큰 시장에서 성립하지 않을 수 있는 정규성 가정에 의존합니다.

VaR 의 한계는 극단적인 시나리오에서 특히 두드러집니다. 2008 년 금융 위기처럼 포트폴리오가 VaR 임계값을 훨씬 초과하는 손실을 입은 사례에서는 그 한계가 명확히 드러났습니다. 이는 저확률이지만 고영향인 꼬리 리스크를 포착할 수 있는 모델을 필요로 한다는 점을 시사합니다. 통계 이론의 한 갈래인 EVT 는 이러한 한계를 해결하기 위해 분포의 꼬리에서 극단적 값의 행동을 연구합니다. VaR 이 고정된 분포를 가정하는 반면, EVT 는 일반화 극한 값 분포 (GEV) 를 사용하여 더 넓은 데이터 범위를 수용할 수 있는 극단적 사건의 분포를 모델링합니다.

극한 이론의 이론적 토대

EVT 는 희귀 사건과 그 통계적 특성을 연구하는 데 뿌리를 두고 있습니다. 패트릭 빌링슬리의 작업에 기반을 두고, 렌네 드 한과 볼커 스트라센 등 연구자들의 정교화를 거쳐 발전했습니다. 이 이론은 극단적 값의 분포를 모델링하는 세 가지 유형을 식별합니다: 구벨 분포, 프레체 분포, 그리고 바이부 분포. 각각은 서로 다른 데이터 유형에 적합합니다. 예를 들어, 구벨 분포는 많은 수의 독립적인 무작위 변수의 최대값 분포를 모델링하는 데 자주 사용되며, VaR 적용에 특히 관련이 있습니다.

EVT 는 극단적 사건이 희귀하지만 무시할 수 없으며, 사건 간의 상호 의존성을 강조합니다. 이는 정확한 리스크 모델링에 필수적입니다. VaR 이 고정된 분포에 의존하는 반면, EVT 는 데이터의 특성에 동적으로 조정되어 꼬리 리스크를 과소평가하는 위험을 줄입니다. 이는 전통적인 모델이 포착하지 못한 잠재적 손실의 전체 스펙트럼을 반영할 수 있는 변동성이 큰 시장에서 특히 가치 있는 적응성을 제공합니다.

VaR 과 EVT 의 비교 분석

VaR 은 리스크를 측정하는 직관적인 방법을 제공하지만, 정확한 리스크 평가를 위해서는 종종 더 세분화된 정보가 필요합니다. VaR 계산은 고정된 분포를 가정하므로 극단적인 시나리오에서는 오차가 발생할 수 있습니다. 예를 들어, 정규 분포 기반의 VaR 계산은 분포가 왜곡이나 첨도를 고려하지 않기 때문에 시장 하락 시 손실 발생 확률을 과소평가할 수 있습니다.

반면, EVT 는 GEV 분포를 사용하여 분포의 꼬리를 모델링함으로써 더 세밀한 접근법을 제공합니다. 이는 비정규 수익률을 가진 시장에서 극단적 손실을 더 정확하게 표현할 수 있게 합니다. VaR 모델에 EVT 를 통합한 "EVT 기반 VaR"은 꼬리 리스크를 포착하는 능력을 향상시킵니다. 포트폴리오 관리의 맥락에서 EVT 는 금융 위기 같은 극단적인 시장 상황에서 손실을 더 신뢰할 수 있는 추정치를 제공할 수 있습니다.

VaR 과 EVT 의 통합은 또한 변동성 군집 현상을 해결합니다. 금융 수익률이 시간이 지남에 따라 변동성이 증가하는 이러한 현상은 전통적인 VaR 모델이 종종 고려하지 않아 특정 기간에 리스크를 과대평가하게 만들었습니다. EVT 는 변화하는 변동성 패턴에 동적으로 적응하여 리스크 평가에 더 견고한 프레임워크를 제공합니다.

금융 및 보험 분야에서의 적용

EVT 의 금융 분야 적용은 VaR 모델링을 넘어선 복잡한 리스크 관리 도전에 대한 해결책을 제공합니다. 포트폴리오 관리에서 EVT 기반 VaR 모델은 극단적인 시나리오에서 잠재적 손실을 더 정확하게 추정하여 투자자가 정보에 기반한 결정을 내릴 수 있게 합니다. 2008 년 위기 당시 전통적인 VaR 모델이 기관이 겪은 손실을 과소평가한 점은 더 탄력적인 리스크 모델의 필요성을 부각시켰습니다. EVT 는 극단적 손실의 분포를 포착함으로써 포트폴리오 리스크에 대한 더 포괄적인 시각을 제공합니다.

보험 업계에서도 EVT 는 자연재해나 사이버 공격과 같은 희귀 고영향 사건 발생 확률을 평가하는 데 사용됩니다. 보험 기업들은 EVT 를 사용하여 보험료율과 준비 자금을 정확하게 계산하여 극단적 사건에서 발생할 수 있는 손실을 커버할 수 있도록 보장합니다. 희귀 사건 발생 확률이 높은 재보험 및 재해 모델링 분야에서 EVT 는 꼬리 리스크를 모델링할 수 있는 능력으로 특히 가치 있습니다.

EVT 의 과제와 한계

EVT 의 장점에도 불구하고 몇 가지 도전 과제가 존재합니다. EVT 모델의 복잡성은 고급 통계 기법과 컴퓨팅 파워를 필요로 하는 계산 비용 증가를 초래할 수 있습니다. 또한 EVT 의 정확성은 이용 가능한 데이터의 품질과 양에 의존하는데, 이는 실제 상황에서는 제한적일 수 있습니다. 예를 들어, GEV 분포는 극단적 사건 간의 독립성을 가정하는데, 이는 실제 세계의 사건이 종종 상관관계가 있다는 가정과 충돌할 수 있습니다.

또 다른 한계는 EVT 에 대해 널리 받아들여지는 표준 프레임워크가 부족하여 일관성 부족이 있다는 점입니다. 이는 다양한 기관이나 연구자가 서로 다른 방법론을 사용할 때 해석의 차이를 야기할 수 있습니다. 그럼에도 불구하고, 극단적 리스크를 이해하고 관리하는 데 있어 EVT 는 현대 금융 리스크 관리의 필수적인 도구가 되고 있습니다.