네트워크 기반 기업채 평가를 위한 양단 중요도 샘플링

초록

본 논문은 은행 간 상호노출과 자산 매각 효과를 포함한 복합 금융 네트워크에서 기업채 가격을 효율적으로 산출하기 위한 새로운 시뮬레이션 기법인 Bi‑Level Importance Sampling with Splitting (BLISS)을 제안한다. 목표 은행의 외부 자산 임계값을 네트워크에서 분리해 계산함으로써 희귀한 디폴트 사건을 직접 샘플링하고, 외부 충격과 조건부 디폴트를 각각 다른 중요도 샘플링으로 처리한다. 이 방법은 이론적으로 점근 최적성을 보이며, 대규모 실증 네트워크에서도 높은 정확도와 확장성을 입증한다.

상세 분석

논문은 먼저 Eisenberg‑Noe 프레임워크에 자산 매각 외부효과와 외부 부채를 추가한 확장 모델을 구축한다. 이 모델에서는 각 은행의 디폴트 여부가 단순히 외부 자산 실현에만 의존하지 않고, 네트워크 내 다른 은행들의 손실 전파와 자산 매각에 의해 발생하는 가격 충격까지 고려한다. 이러한 비선형 연쇄 반응은 디폴트 사건을 고차원 외부 충격 공간에서 명시적으로 정의하기 어렵게 만든다. 저자들은 이를 해결하기 위해 ‘목표 은행을 네트워크에서 일시적으로 분리하고, 나머지 은행들의 충격이 목표 은행에 미치는 증폭 손실을 계산’하는 방법을 제시한다. 이 과정에서 목표 은행이 디폴트하게 되는 외부 자산의 임계값을 선형 시간 복잡도로 구할 수 있음을 증명한다.

이 임계값을 이용해 디폴트 사건을 두 단계로 분해한다. 1단계는 비목표 은행들의 외부 자산 충격을 샘플링하는 외부 레벨이며, 2단계는 주어진 외부 충격 하에서 목표 은행이 실제로 디폴트하는 조건부 사건이다. 외부 레벨에는 지수적 틸팅(Exponential Tilting) 기법을 적용해 희귀한 대규모 충격을 효율적으로 탐색하고, 내부 레벨에는 ‘optimal importance sampling’이라 불리는 확률밀도 변환을 적용한다. 두 레벨의 샘플링 분포 파라미터는 각각 큰 자산 규모와 낮은 변동성이라는 두 희귀 사건 극한에서 이론적 최적값을 근사하도록 설계되었다.

이론적 분석에서는 두 극한(large‑asset, low‑volatility)에서 BLISS 추정량의 제2모멘트가 최소화되는 파라미터를 구하고, 이를 통해 로그-분산이 O(1) 수준으로 유지되는 점근 최적성을 증명한다. 또한, 파라미터 선택을 위한 결정론적 대리함수를 도입해 실제 구현 시 복잡한 스토캐스틱 최적화 없이도 거의 최적에 근접한 성능을 얻을 수 있음을 보인다.

실증 부분에서는 유럽 은행 당국(EBA) 데이터에 기반한 수백 개 은행 규모의 네트워크를 구축하고, 전통적인 단일 레벨 중요도 샘플링 및 순수 Monte‑Carlo와 비교한다. 결과는 BLISS가 동일한 표준 오차 수준에서 필요한 시뮬레이션 횟수를 1~2% 수준으로 크게 감소시키며, 특히 디폴트 확률이 10⁻⁴ 이하인 극히 희귀한 상황에서도 안정적인 추정치를 제공함을 보여준다.

전체적으로 이 논문은 (i) 고차원 네트워크에서 디폴트 사건을 명시적으로 정의하고, (ii) 차원 저주를 피하면서도 (iii) 비선형 전염 효과를 포함한 일반화된 모델에 적용 가능한 샘플링 프레임워크를 제공한다는 점에서 기존 연구와 차별화된다.