실시간 VaR 추정의 신뢰성을 높이는 양자 회귀 포레스트와 컨포멀 보정

초록

본 논문은 오프라인 시뮬레이션‑온라인 추정(OSOA) 프레임워크 내에서 양자 회귀 포레스트(QRF)를 활용해 실시간 VaR를 추정하고, 별도의 보정 데이터를 이용한 컨포멀 캘리브레이션으로 추정값의 커버리지와 신뢰성을 이론적으로 보장한다. 실험을 통해 정확도와 커버리지 모두 기존 방법보다 우수함을 확인하였다.

상세 분석

이 연구는 금융기관이 요구하는 15분 이내 실시간 위험 모니터링을 만족시키기 위해, 두 단계의 OSOA 구조를 채택한다. 첫 번째 오프라인 단계에서는 대규모 시뮬레이션을 통해 위험 요인 X와 포트폴리오 손실 L의 쌍을 생성하고, 이를 기반으로 양자 회귀 포레스트(QRF)를 학습한다. QRF는 다수의 회귀 트리를 부트스트랩과 무작위 분할 규칙으로 구성해, 각 리프 노드에 속한 훈련 샘플에 가중치를 부여함으로써 조건부 경험적 분포를 추정한다. 이 경험적 분포에서 원하는 α‑분위수를 직접 읽어내므로, 복잡하고 고차원적인 위험 요인‑손실 관계를 비선형적으로 모델링하는 데 강점을 가진다.

두 번째 온라인 단계에서는 실시간으로 관측된 위험 요인 x(u)를 QRF에 입력해 즉시 VaR 추정값 \hat v_α(x(u))를 산출한다. 여기서 중요한 점은 온라인 연산이 단순히 트리 탐색과 가중 평균을 수행하는 수준에 머물러, 실시간 제약을 충분히 만족한다는 것이다.

하지만 QRF 자체는 샘플링 변동과 모델 편향으로 인해 명목상의 커버리지(예: 99% VaR가 실제 1% 초과 손실을 포함)와 차이가 발생할 수 있다. 이를 보완하기 위해 논문은 별도의 캘리브레이션 셋을 활용한 컨포멀 보정을 도입한다. 구체적으로, 오프라인 학습 후 보정 데이터에 대해 QRF 추정값과 실제 손실 간의 잔차 R_i = L_i − \hat v_α(X_i) 를 계산하고, 이 잔차들의 경험적 α‑분위수를 구한다. 최종 컨포멀 VaR는 \hat v_α^{conf}(x) = \hat v_α(x) + \hat q_{1‑α}(R) 로 정의되며, 이는 어떤 모델이든 적용 가능한 모델‑프리 보정이다.

이론적 분석에서는 두 가지 주요 결과를 제시한다. 첫째, QRF 추정기의 점별 및 L2 일관성을 증명해, 오프라인 샘플 수 n→∞일 때 추정값이 진정한 조건부 분위수 함수에 수렴함을 보인다. 둘째, 컨포멀 보정된 추정기에 대해 유한 표본 크기에서도 마진 커버리지(모든 x에 대해 P(L≤\hat v_α^{conf}(x))≥α) 를 보장하고, n이 커짐에 따라 조건부 커버리지까지 확장됨을 증명한다. 이러한 결과는 기존의 비컨포멀 양자 회귀가 제공하지 못했던 신뢰성(under‑estimation 방지) 보장을 제공한다.

실험에서는 고차원 위험 요인(수십 차원)과 복잡한 파생상품 포트폴리오를 대상으로, 평균 제곱근 적분 오차(RMSE), 핀볼 손실(pinball loss), 실제 커버리지 비율을 평가한다. QRF만 사용한 경우와 컨포멀 보정 후의 경우를 비교했을 때, 보정 후 모델은 커버리지 목표(예: 99%)를 거의 정확히 달성하면서도 정확도 손실이 미미하거나 오히려 개선되는 현상을 보였다. 이는 보정 과정이 과도한 보수성을 도입하지 않으면서도 위험 과소추정 위험을 효과적으로 완화함을 의미한다.

전반적으로 이 논문은 (1) 고차원·비선형 포트폴리오 손실에 적합한 QRF 기반 조건부 분위수 학습, (2) OSOA 프레임워크를 통한 실시간 적용 가능성, (3) 컨포멀 캘리브레이션을 통한 이론적 커버리지 보장이라는 세 축을 성공적으로 결합하였다. 다만, 캘리브레이션 셋의 크기와 선택이 최종 커버리지에 미치는 민감도, 그리고 실시간 데이터 흐름에서 발생할 수 있는 개념적 드리프트에 대한 추가 연구가 필요하다.