투자를 위한 경제 20. 시스템적 리스크(Network Contagion)를 계량지표로 모니터링하는 실전 프레임워크

2008년 리먼브라더스 하나의 파산이 어떻게 전 세계 금융시장을 마비시켰을까? 2010년 그리스 재정위기가 왜 유럽 전체로 번져갔을까? 2020년 3월 단 몇 주 만에 모든 자산이 동시에 폭락한 이유는 무엇일까? 답은 "시스템적 리스크"에 있다. 개별 기업이나 국가의 문제가 복잡하게 얽힌 금융 네트워크를 통해 전염되면서 시스템 전체를 위험에 빠뜨리는 현상이다. 이런 보이지 않는 위험을 사전에 포착하고 대비할 수 있는 계량적 모니터링 시스템을 구축해보자.

시스템적 리스크의 본질과 특징

시스템적 리스크는 개별 리스크의 단순 합이 아니다. 금융기관들 간의 복잡한 연결고리를 통해 증폭되고 전파되는 "네트워크 효과"가 핵심이다. 한 은행의 파산이 거래 상대방인 다른 은행들에게 손실을 입히고, 이것이 연쇄적으로 확산되면서 전체 시스템을 마비시킨다.

전통적인 리스크 모델들은 정규분포를 가정하고 "꼬리 위험"을 과소평가했다. 하지만 실제 금융시장에서는 극단적 사건들이 이론보다 훨씬 자주 발생한다. 특히 위기 상황에서는 모든 자산의 상관관계가 1에 수렴하면서 분산투자 효과가 사라진다.

시스템적 리스크의 또 다른 특징은 "비선형성"이다. 작은 충격이 임계점을 넘으면 기하급수적으로 확산된다. 2007년 서브프라임 모기지 시장은 전체 미국 주택시장의 3% 정도에 불과했지만, 이것이 글로벌 금융위기의 도화선이 됐다.

프로사이클리컬리티(Pro-cyclicality)도 시스템적 리스크를 증폭시키는 요인이다. 호황기에는 위험을 과소평가해 레버리지가 증가하고, 불황기에는 위험을 과대평가해 디레버리징이 일어난다. 이런 집단 행동이 변동성을 키우고 시스템을 불안정하게 만든다.

네트워크 연결성 지표

금융 네트워크의 연결성을 측정하는 첫 번째 지표는 "연결도(Degree)"다. 각 금융기관이 몇 개의 다른 기관과 직접 연결되어 있는지를 나타낸다. 연결도가 높은 기관은 "시스템적으로 중요한 금융기관(SIFI)"으로 분류되며, 이들의 문제는 시스템 전체에 큰 영향을 미친다.

"중심성(Centrality)" 지표는 네트워크에서 각 노드의 중요도를 측정한다. 매개 중심성(Betweenness Centrality)은 다른 노드들 사이의 최단 경로에 얼마나 자주 등장하는지를, 근접 중심성(Closeness Centrality)은 다른 모든 노드와의 평균 거리를 나타낸다.

JPMorgan Chase, Bank of America 같은 대형 은행들은 높은 중심성을 가진다. 이들이 문제를 일으키면 수많은 다른 기관들이 직간접적으로 영향을 받는다. 2008년 리먼브라더스 파산이 그토록 충격적이었던 이유도 이 은행이 글로벌 금융 네트워크의 핵심 허브였기 때문이다.

전염성 지표와 확산 모델

전염성을 측정하는 대표적 지표는 "그레인저 인과관계(Granger Causality)"다. 한 기관의 과거 정보가 다른 기관의 미래 움직임을 예측하는 데 도움이 되는지를 통계적으로 검증한다. 그레인저 인과관계가 강할수록 전염 위험이 높다고 본다.

"조건부 가치위험(CoVaR)" 모델은 한 기관이 극단적 손실을 볼 때 다른 기관이 입을 수 있는 최대 손실을 추정한다. 예를 들어 Goldman Sachs가 5% VaR 손실을 볼 때 Morgan Stanley의 예상 손실을 계산하는 식이다.

"한계기여위험(Marginal Expected Shortfall)" 지표는 특정 기관이 시스템에서 사라질 때 전체 위험이 얼마나 줄어드는지를 측정한다. 이 값이 클수록 해당 기관이 시스템적으로 중요하다는 의미다.

네트워크 전염 모델은 충격이 어떻게 확산되는지를 시뮬레이션한다. 초기 충격을 받은 노드에서 시작해, 연결된 노드들로 순차적으로 전파되는 과정을 모델링한다. 이를 통해 어떤 기관의 파산이 가장 큰 시스템적 영향을 미칠지 예측할 수 있다.

상관관계 기반 리스크 지표

DCC-GARCH(Dynamic Conditional Correlation) 모델은 시간에 따라 변하는 상관관계를 추정한다. 평상시에는 낮던 상관관계가 위기 시 급격히 높아지는 패턴을 포착할 수 있다. 2020년 3월처럼 모든 자산이 동시에 폭락하는 상황을 사전에 감지하는 데 유용하다.

"상관관계 서프라이즈" 지표는 현재 상관관계가 과거 평균에서 얼마나 벗어나는지를 측정한다. 상관관계가 급격히 높아지면 시스템적 스트레스가 증가하고 있다는 신호로 해석한다.

주성분분석(PCA)을 활용한 "공통 팩터" 분석도 유용하다. 첫 번째 주성분이 전체 변동성의 많은 부분을 설명한다면, 시장이 하나의 공통 요인에 크게 의존하고 있다는 뜻이다. 이는 시스템적 위험이 높다는 신호로 해석된다.

유동성 리스크 지표

시스템적 리스크는 종종 유동성 위기와 함께 나타난다. TED 스프레드(3개월 LIBOR - 3개월 국채 금리)는 은행 간 신용 위험과 유동성 위험을 동시에 반영한다. 정상적으로는 10~40bp 수준이지만, 위기 때는 200bp를 넘기도 한다.

OIS(Overnight Index Swap) 스프레드는 단기 자금 조달 스트레스를 나타낸다. 2008년 금융위기 때 OIS 스프레드가 300bp를 넘어서면서 은행 간 자금 거래가 사실상 중단됐다.

FRA-OIS 스프레드는 선도 금리와 기대 정책 금리의 차이로, 향후 유동성 스트레스에 대한 시장의 우려를 반영한다. 이 스프레드가 확대되면 앞으로 유동성 문제가 심화될 것이라는 시장의 판단을 의미한다.

레포 시장의 헤어컷(Haircut) 변화도 중요한 지표다. 평상시 2~5% 수준이던 헤어컷이 위기 때는 20~50%까지 올라간다. 이는 담보 가치에 대한 불신이 커지고 있다는 신호다.

신용 리스크 전이 지표

신용 디폴트 스왑(CDS) 스프레드의 상관관계는 신용 위험의 전염성을 측정한다. 평상시에는 개별 기업의 고유 위험이 주도하지만, 위기 시에는 시스템적 요인이 지배적이 된다.

"디스트레스 상관관계(Distress Correlation)"는 극단적 상황에서의 상관관계를 측정한다. 한 기업이 디폴트 위험에 처했을 때 다른 기업들의 CDS 스프레드가 얼마나 함께 움직이는지를 본다.

은행 간 CDS 스프레드의 수렴도 중요한 신호다. 평상시에는 각 은행의 신용도에 따라 CDS 스프레드가 다르지만, 시스템적 위기 때는 모든 은행의 스프레드가 비슷한 수준으로 수렴한다. 2008년과 2011년 유럽 재정위기 때 이런 현상이 나타났다.

시장 미시구조 지표

호가 스프레드(Bid-Ask Spread)의 확대는 유동성 부족을 의미한다. 평상시 1~2bp이던 주요 국채의 스프레드가 10bp를 넘으면 시장 기능에 문제가 있다는 신호다.

시장 심도(Market Depth)의 감소도 위험 신호다. 호가창에 있는 주문 물량이 줄어들면 큰 주문이 가격에 미치는 충격이 커진다. 이는 시장의 복원력이 약해지고 있다는 뜻이다.

가격 영향 함수(Price Impact Function)는 거래 규모가 가격에 미치는 영향을 측정한다. 같은 크기의 거래라도 시장 스트레스가 높을 때는 더 큰 가격 충격을 만든다.

거래량의 집중도도 중요하다. 소수의 대형 거래자에게 거래량이 집중되면 시장의 안정성이 떨어진다. 특히 알고리즘 거래의 비중이 높아지면서 이런 위험이 커지고 있다.

거시경제 연계 지표

시스템적 리스크는 거시경제 요인과도 밀접한 관련이 있다. 글로벌 성장률의 분산이 커지면 국가 간 연결고리를 통해 위험이 전파될 가능성이 높아진다.

국가별 금융스트레스지수(Financial Stress Index)의 상관관계도 중요하다. 미국, 유럽, 일본의 금융스트레스가 동시에 높아지면 글로벌 시스템적 위험이 증가하고 있다는 신호다.

환율 변동성의 동조화도 모니터링해야 한다. 주요국 통화들의 변동성이 동시에 높아지면 글로벌 금융시장의 불안정성이 증가하고 있다는 뜻이다.

원자재 가격의 상관관계 변화도 중요하다. 평상시에는 개별 수급 요인이 주도하지만, 시스템적 위기 때는 모든 원자재가 함께 움직인다. 2008년 하반기 원유, 금, 구리 등이 모두 급락한 것이 대표적인 사례다.

빅데이터 기반 조기 경보 시스템

구글 트렌드 데이터는 대중의 관심과 우려를 실시간으로 파악할 수 있게 해준다. "금융위기", "은행 파산", "경기침체" 같은 검색어가 급증하면 시스템적 스트레스가 높아지고 있다는 신호로 볼 수 있다.

소셜미디어 센티멘트 분석도 유용하다. 트위터, 레딧, 링크드인 등에서 금융 관련 부정적 감정이 급속히 확산되면 시장 심리 악화의 전조로 해석할 수 있다.

뉴스 텍스트 마이닝을 통한 "불확실성 지수"도 개발되고 있다. 정책 불확실성, 경제 불확실성 관련 뉴스의 빈도와 톤을 분석해 시스템적 리스크의 배경 요인을 파악한다.

위성 데이터를 활용한 경제 활동 모니터링도 새로운 접근법이다. 주요 항구의 선박 밀도, 공장 지대의 야간 조명, 고속도로 교통량 등을 실시간으로 추적해 경제 활동의 변화를 조기에 포착한다.

머신러닝과 인공지능 활용

딥러닝 모델은 복잡한 비선형 관계를 포착하는 데 뛰어나다. LSTM(Long Short-Term Memory) 네트워크는 시계열 데이터의 장기 의존성을 학습해 시스템적 리스크의 축적 과정을 모델링할 수 있다.

그래프 뉴럴 네트워크(Graph Neural Network)는 금융 네트워크의 구조적 특성을 직접 학습한다. 노드(금융기관) 간의 연결 구조와 속성을 동시에 고려해 전염 위험을 예측한다.

강화학습(Reinforcement Learning)은 시스템적 위험 상황에서의 최적 대응 전략을 학습할 수 있다. 다양한 시나리오에서 어떤 정책이 시스템 안정성을 높이는지를 시뮬레이션을 통해 학습한다.

앙상블 모델은 여러 다른 접근법을 결합해 예측 정확도를 높인다. 통계 모델, 머신러닝 모델, 네트워크 모델 등을 결합해 각각의 한계를 보완한다.

스트레스 테스트와 시나리오 분석

시스템적 리스크 관리의 핵심은 스트레스 테스트다. 극단적이지만 가능한 시나리오를 설정하고, 그 상황에서 시스템이 어떻게 반응할지 시뮬레이션한다.

역사적 시나리오는 과거 위기 상황을 재현한다. 2008년 금융위기, 1998년 LTCM 사태, 1987년 블랙먼데이 등의 충격을 현재 시스템에 적용해본다. 하지만 금융시스템이 진화하면서 과거 시나리오의 적용성은 제한적이다.

가설적 시나리오는 아직 일어나지 않았지만 가능한 상황을 설정한다. 중국 부동산 버블 붕괴, 유로존 해체, 미중 무역전쟁 심화 등이 예다. 이런 시나리오는 미래의 새로운 위험을 대비하는 데 중요하다.

몬테카르로 시뮬레이션은 수많은 랜덤 시나리오를 생성해 시스템의 견고성을 테스트한다. 다양한 충격의 크기, 지속 기간, 상관관계 변화 등을 무작위로 조합해 예상치 못한 위험을 발견할 수 있다.

실시간 모니터링 대시보드

효과적인 시스템적 리스크 관리를 위해서는 실시간 모니터링 시스템이 필요하다. 핵심 지표들을 종합한 "시스템적 리스크 대시보드"를 구축해 위험 수준을 시각화한다.

경보 시스템은 다단계로 설계한다. 주의(노란색), 경계(주황색), 심각(빨간색) 단계로 나눠 위험 수준에 따른 대응 방안을 미리 준비한다. 각 단계별로 필요한 정보 수집, 분석, 보고 절차를 표준화한다.

지표의 가중치는 시장 환경에 따라 동적으로 조정한다. 평상시에는 거시경제 지표의 비중을 높이고, 스트레스 상황에서는 미시적 지표의 비중을 높인다.

백테스팅을 통해 모델의 성능을 지속적으로 검증한다. 과거 위기 상황에서 각 지표가 얼마나 효과적이었는지 평가하고, 필요시 모델을 수정한다.

정책 당국과의 협력

시스템적 리스크 모니터링은 개별 기관 차원을 넘어 정책 당국과의 협력이 필요하다. 중앙은행, 금융감독원, 예금보험공사 등이 보유한 감독 정보와 시장 데이터를 결합해야 더 정확한 진단이 가능하다.

국제적 협력도 중요하다. BIS(국제결제은행), IMF, FSB(금융안정위원회) 등의 글로벌 기준과 조화를 이뤄야 한다. 특히 글로벌 시스템적으로 중요한 은행(G-SIB) 모니터링에는 국제 공조가 필수다.

정보 공유와 프라이버시 보호 사이의 균형도 고려해야 한다. 개별 기관의 민감한 정보를 보호하면서도 시스템 전체의 안정성 모니터링에 필요한 정보는 공유할 수 있는 체계를 구축해야 한다.

투자 전략에의 활용

시스템적 리스크 지표는 포트폴리오 관리에 직접 활용할 수 있다. 위험 수준이 높아지면 상관관계가 높아질 것을 대비해 분산투자 효과가 있는 자산의 비중을 높인다.

헤지 전략도 시스템적 리스크 수준에 따라 조정한다. 평상시에는 개별 위험 헤지에 집중하지만, 시스템적 위험이 높아지면 전체 포트폴리오 수준의 헤지를 강화한다.

유동성 관리도 중요하다. 시스템적 스트레스가 높아지면 유동성이 급격히 사라질 수 있으므로, 현금 비중을 높이고 유동성이 높은 자산 위주로 포트폴리오를 재편한다.

대안투자의 비중도 조정한다. 시스템적 위험이 낮을 때는 사모펀드, 부동산 등 유동성이 낮은 자산에 투자하지만, 위험이 높아지면 이런 자산의 비중을 줄인다.

결론

시스템적 리스크는 현대 금융시장의 가장 큰 위협 중 하나다. 개별 기관의 건전성만으로는 시스템 전체의 안정성을 보장할 수 없다. 복잡하게 연결된 금융 네트워크에서 작은 충격이 어떻게 증폭되고 전파되는지를 이해하고, 이를 사전에 모니터링할 수 있는 시스템을 구축하는 것이 필수다. 네트워크 분석, 전염성 모델, 상관관계 추적, 유동성 지표 등 다양한 계량적 도구들을 조합해 종합적인 위험 관리 체계를 만들어야 한다. 특히 빅데이터와 인공지능 기술의 발전으로 더욱 정교하고 실시간적인 모니터링이 가능해지고 있다. 하지만 어떤 모델도 완벽하지 않다는 점을 명심해야 한다. 지속적인 검증과 개선을 통해 시스템의 신뢰성을 높이고, 예상치 못한 새로운 위험에 대비하는 겸손한 자세가 필요하다. 시스템적 리스크 관리는 개별 투자자와 기관을 넘어 금융시스템 전체의 안정성을 위한 공동의 과제다.