동적 베이지안 네트워크를 활용한 기대 손실 및 스트레스 기대 손실 추정

초록

본 논문은 동적 베이지안 네트워크(DBN)를 이용해 10일 97.5% 기대 손실(ES)과 스트레스 기대 손실(SES)을 추정하고, 이를 전통적인 GARCH·EGARCH·히스토리컬 시뮬레이션 등과 비교한다. 실험 결과 모든 모델이 2.5% 수준의 통계적 정확성을 달성하지 못했으며, ES에서는 정규분포 기반 EGARCH(1,1)이, SES에서는 정규분포 기반 GARCH(1,1)이 가장 우수한 성능을 보였다.

상세 분석

이 연구는 베이지안 네트워크를 동적 형태로 확장해 시장 위험의 꼬리 지표인 ES와 SES를 예측하려는 시도로, 기존 VaR 중심의 연구 흐름을 넘어선 점이 주목할 만하다. DBN 구조 학습에 세 가지 알고리즘을 적용했으나, 결과적으로 한계가 드러난다. 첫째, DBN이 반환 분포 내에서 차지하는 가중치가 1일 앞선 예측에만 국한돼 전체 10일 ES/SES 계산에 미치는 영향이 미미하다. 이는 DBN이 제공하는 전향적 정보가 꼬리 위험을 포착하기엔 충분히 강조되지 않았음을 의미한다. 둘째, 정규분포와 비대칭 스튜던트 t분포를 모두 사용했지만, 비대칭 t분포를 적용했을 때 모든 모델의 성능이 크게 악화되었다. 이는 비대칭성 및 무거운 꼬리를 반영하려는 시도가 오히려 파라미터 추정 불안정성을 초래했을 가능성을 시사한다. 셋째, 백테스트에서는 BCBS 교통신호 테스트와 더불어 Acerbi‑Székely의 조건부·최소 편향·Du‑Escanciano 독립성 검정을 활용했지만, 모든 모델이 2.5% 수준에서 통계적으로 유의한 초과를 보였다. 이는 ES/SES가 본질적으로 극단 사건을 다루기 때문에 표본 크기와 극단값의 희소성이 모델 평가에 큰 제약을 준다는 점을 재확인한다. 넷째, 전통적인 GARCH 계열 모델이 DBN과 히스토리컬 시뮬레이션보다 일관되게 우수한 결과를 보인 점은, 시계열 변동성 구조를 명시적으로 모델링하는 것이 꼬리 위험 예측에 여전히 강력한 도구임을 강조한다. 마지막으로, 저자는 DBN의 가중치 재조정 방안을 제안했지만, 구체적인 최적화 방법론이나 실험적 검증이 부족해 향후 연구 과제로 남는다. 전반적으로 이 논문은 DBN을 시장 위험 관리에 적용하려는 초기 시도로서 의미가 크지만, 현재 구현 방식에서는 실용적인 개선 효과가 제한적이며, 모델 가중치 설계와 비대칭 분포 처리에 대한 심층적인 탐구가 필요함을 보여준다.