포트폴리오 리스크 예측, 어디서 잘못될까? — 주변분포 vs 코퓰라의 진짜 이야기

투자 포트폴리오의 미래 리스크를 예측할 때, 우리가 쓰는 모델은 수십 가지 선택의 연속이다. 그런데 이 선택들 중 진짜로 결과를 좌우하는 건 딱 하나라는 사실을 실증적으로 보여준 연구가 있다.

---

들어가며: 일기 예보의 비유

일기 예보를 떠올려 보자. 내일 서울의 기온을 예측한다고 할 때, 우리는 관측 데이터(기온, 습도, 풍속)를 어떤 수학적 모델에 넣어서 결과를 뽑는다. 이때 "관측 데이터를 어떻게 처리할 것인가"와 "예측 모델 자체를 어떤 걸 쓸 것인가"는 서로 다른 선택이다.

포트폴리오의 리스크를 예측하는 것도 마찬가지다. 예를 들어 "내일 이 포트폴리오의 손실이 상위5%에 들 확률은?"이라는 질문(VaR, Value-at-Risk)에 답하려면, 각 자산의 수익률 분포를 어떻게 모델링할 것인가(주변분포, marginal), 그리고 여러 자산 간의 의존성 구조를 어떻게 연결할 것인가(코퓰라, copula)라는 두 가지 선택을 해야 한다.

그런데 이 두 선택 중에서 어느 쪽이 더 결과를 좌우할까? 직관적으로는 둘 다 중요할 것 같다. 하지만 Fritzsch, Timphus, Weiss三位 연구자가 2021년 발표한 논문은 이 질문에 대해 놀라운 답을 내놓았다.

---

무엇이 문제였나: 모델 리스크의 정체

포트폴리오 리스크 관리에서 가장 무서운 건 모델 리스크(model risk)다. 모델 리스크란, 우리가 쓰는 리스크 모델이 잘못되어 실제 손실을 제대로 잡아내지 못하는 위험을 말한다.2008년 금융위기 때 많은 기관들이 "우리 모델이 안전하다고 했는데 실제로는 파산 직전이었다"를 경험하면서, 모델 리스크는 금융업계의 핵심 관심사가 되었다.

Copula-GARCH 모델은 실무에서 널리 쓰이는 리스크 예측 프레임워크다. GARCH로 각 자산의 변동성을 모델링하고(주변분포), 코퓰라로 자산 간 의존구조를 연결한다. 문제는 이 프레임워크 안에서 어떤 GARCH 변형을 쓸 것인지, 어떤 코퓰라 함수를 쓸 것인지에 따라 결과가 크게 달라진다는 점이다.

기존 연구들은 이 "어떤 걸 쓸 것인가"의 차이를 전체적으로 다뤘을 뿐, 주변분포 때문인지, 코퓰라 때문인지를 분리해서 분석하지 않았다. 이 논문은 바로 그 지점을 파고든다.

---

핵심 아이디어: 분리 실험의 설계

연구팀의 접근법은 놀랍도록 직관적이다. 마치 의학 실험에서 "약A 때문인지, 약B 때문인지"를 확인하기 위해 각각单独로 투여하는 것과 같은思路다.

세 가지 실험 그룹을 설계했다:

1. 주변분포 고정, 코퓰라만 바꾸기: GARCH 모델은 똑같이 두고, 코퓰라 함수만 여러 가지로 바꿔본다. 이렇게 하면 리스크 예측이 달라지는 건 순전히 코퓰라 때문이다.

2. 코퓰라 고정, 주변분포만 바꾸기: 코퓰라는 하나로 고정하고, GARCH 변형을 여러 가지로 바꿔본다. 예측 차이가 나면 그건 주변분포 때문이다.

3. 둘 다 바꾸기: 현실에서처럼 둘 다 동시에 바꿔본다.

이 세 그룹의 예측 오차를 비교하면, 리스크의 원인을 정확히 특정할 수 있다.

그리고 여기서 한 가지 더: 후보 모델이 너무 많으면 선택이 어려우니, 모델 신뢰도 집합(MCS, Model Confidence Set)이라는 통계적 절차를 적용해 "통계적으로 구별할 수 없을 만큼 비슷한 모델들의 집합"을 자동으로 찾아낸다. 이렇게 하면 후보pool을 줄여서 더 일관된 예측을 얻을 수 있다.

---

결과 — 무엇을 알아냈나

결론부터 말하면: 모델 리스크는 거의 전적으로 코퓰라 선택에서 온다.

구체적으로 살펴보자.

첫째, 코퓰라가 리스크의 주범이다. 주변분포를 고정하고 코퓰라만 바꿨을 때의 예측 변동폭이, 코퓰라를 고정하고 주변분포만 바꿨을 때보다 훨씬 크다. 즉, 어떤 GARCH 변형을 쓰느냐보다 어떤 코퓰라 함수를 쓰느냐가 결과를 압도적으로 더 좌우한다.

둘째, 위기 국면에서 리스크가 폭발한다. 코퓰라에 의한 모델 리스크는 평상시보다 금융위기 같은 스트레스 구간에서 경제적으로 유의미할 정도로 급격히 커진다. 정확히 "리스크 관리가 가장 필요할 때" 모델 리스크가 가장 커지는 역설이 발생한다.

셋째, MCS가 효과적이다. 후보 모델pool에 MCS 절차를 적용하면,1일-ahead VaR·ES 예측의 평균 절대 편차가 크게 개선된다. 즉, "좋은 모델들을 골라내는 것"만으로도 예측 품질이实实在在地 좋아진다.

---

한계와 주의점

이 연구가 보여준 결론은 강력하지만, 몇 가지 전제를 이해해야 한다.

프레임워크의 한계: 분석은 Copula-GARCH框架内에서 이루어졌다. 다른 리스크 모델 구조(예: 직접 몬테카를로 시뮬레이션 기반, 머신러닝 기반)에서는 결론이 달라질 수 있다. 코퓰라의 중요성은 이特定框架에서 확인된 것이다.

후보pool의依赖성: MCS의 성과는 후보 모델pool 구성에 달려 있다. 너무 편향된 모델들만 넣으면 MCS도 좋은 선택을 못 한다. 현실에서는 후보 pool을 신중하게 구성해야 한다.

실시간 적용의 어려움: 위기 국면에서 모델 리스크가 커진다는 발견은 중요하지만, "위기 중에 모델을 바꿔야 한다"는 결론으로 직결되지는 않는다. 위기 중에는 데이터도 불안정하고, 모델 변경 자체가新的리스크를引入할 수 있다.

---

그래서 투자/실무엔?

이 연구가 자기자본 투자 운영에 주는 시사점은 명확하다.

리스크 모델을构建할 때, 코퓰라 선택과 검증에 리소스를 집중해야 한다. 많은 팀들이 GARCH 변형 튜닝에 시간을 쏟지만, 실제로 결과를 좌우하는 건 코퓰라다. 코퓰라 선택을 "어느 정도 해도 비슷하겠지"로处理하면 큰 코페다.

스트레스 시나리오 테스트에서 코퓰라 불확실성을 반드시检查해야 한다. "리스크 관리가 가장 필요할 때 모델 리스크가 가장 크다"는 발견은, 스트레스 테스트 결과에 대한健康的한怀疑를갖게 해준다.单一모델이 아닌 앙상블 접근이更안전하다.

MCS 기반 모델 앙상블을 리스크 한도 설정에 반영할 수 있다. "통계적으로 구별 불가능한 모델들의 예측을平均내면 더 안정적"이라는 실증结果는, 실무에서 바로 적용 가능한접近법이다.

---

함께하기

ohselab은 자기자본 투자에 관한 연구와 실무를 연결하는 작업을 하고 있다.

• 웹사이트: https://ohselab.com
• 연구 소식 구독: 위 링크에서 이메일 등록
• 상담·팔로우: 웹사이트 문의 페이지 이용

---

더 알아보기

• 원본 논문: arXiv:2109.10946 — Fritzsch, Timphus, Weiss (2021)
• 저널: 리스크 관리 분과(q-fin.RM)
• KB5차원 점수: novelty68 / applicability82 / rigor78 / reproducibility45 / insight78
• 관련 논문: python3 scripts/kb.py related 2109.10946로 확인 가능