[논문 리뷰] Credit Risk Contributions to Value-at-Risk and Expected Shortfall

Alexandre Kurth, Dirk Tasche|arXiv (Cornell University)|2002. 07. 31.

Risk and Portfolio Optimization참고 문헌 12인용 수 7

한 줄 요약

이 논문은 CreditRisk+ 모델 내에서 Value-at-Risk (VaR) 및 Expected Shortfall (ES) 기여도를 계산하기 위한 해석적 공식을 제시하며, 유한한 단계 내에서 정확한 ES 계산을 가능하게 한다. ES 기여도가 표준편차나 VaR보다 큰 노출 또는 변동성이 높은 노출에서 농도 위험을 더 민감하게 드러내며, 표준 손실 분포 계산 외에 세그먼트당 추가로 한 번의 실행만으로도 계산이 가능하다는 점을 보여준다.

ABSTRACT

This paper presents analytical solutions to the problem of how to calculate sensible VaR (Value-at-Risk) and ES (Expected Shortfall) contributions in the CreditRisk+ methodology. Via the ES contributions, ES itself can be exactly computed in finitely many steps. The methods are illustrated by numerical examples.

연구 동기 및 목표

• CreditRisk+ 신용 포트폴리오 모델 내에서 VaR 및 ES에 대한 위험 기여도를 계산하기 위한 해석적 접근법을 개발하기 위해.
• 활성적이고 단계적인 관리가 필요한 최적화되지 않은 신용 포트폴리오에서의 위험 진단 실무적 필요를 충족하기 위해.
• ES 기여도가 VaR나 표준편차보다 대량 또는 변동성이 높은 노출에서 꼬리 손실의 집중을 더 잘 반영함을 입증하기 위해.
• 시뮬레이션 기반 위험 분해에 대한 계산 효율적인 대안을 제공하여 추정 오차를 감소시키기 위해.

제안 방법

• CreditRisk+ 프레임워크 내에서 연속적인 마진 기여도 접근법을 사용하여 VaR 및 ES 기여도에 대한 해석적 표현을 유도한다.
• 손실 분포를 근사하기 위해 모멘트 매칭 기법을 적용하여, VaR 분位수까지의 손실 분포만으로도 정확한 ES 계산이 가능하도록 한다.
• 노출 간의 의존성을 모델링하기 위해 공통 위험 요인 S를 사용하며, S는 감마분포를 따르고, 조건부 디폴트 확률은 S에 비례하여 스케일링된다.
• 다양한 노출 및 디폴트 확률을 가진 세그먼트 간의 기여도를 집계하여 단일 세그먼트 결과를 다중 세그먼트 포트폴리오로 확장한다.
• 독립, 무상관, 상관관계가 있는 세그먼트를 비교한 수치적 예제를 통해 방법의 타당성을 검증한다.
• VaR 분위수까지의 손실 분포만으로도 정확한 ES 계산이 가능하며, 시뮬레이션 편향을 피할 수 있음을 입증한다.

실험 결과

연구 질문

• RQ1 시뮬레이션에 의존하지 않고 CreditRisk+ 모델 내에서 VaR 및 ES 기여도를 해석적으로 계산할 수 있는 방법은 무엇인가?
• RQ2 ES 기여도는 농도 위험을 특정 포트폴리오에서 식별하는 데 있어 VaR나 표준편차 기여도와 어떤 방식으로 다를 수 있는가?
• RQ3 큰 노출 또는 변동성이 높은 노출이 ES 측정치와 다른 위험 측정치에 비해 꼬리 손실의 구성에 어떤 영향을 미치는가?
• RQ4 CreditRisk+ 프레임워크 내에서 VaR 분위수까지의 손실 분포만으로도 정확한 ES 계산이 한정된 단계 내에서 가능할 수 있는가?
• RQ5 표준 CreditRisk+ 손실 분포 계산에 비해 VaR 및 ES 기여도 계산의 계산 비용은 얼마나 되는가?

주요 결과

• ES 기여도는 특히 꼬리 손실 사건에서 큰 노출 또는 변동성이 높은 노출에서 기여도가 표준편차나 VaR보다 훨씬 민감하게 반영된다.
• 상관관계가 없는 경우, 큰 대출(예: CHF 1,000M)의 ES 기여도는 그 UL 기여도보다 3.1배 높으며, 이는 꼬리 민감도가 높음을 시사한다.
• 가장 큰 노출 클래스(예: CHF 2,000M)의 경우, ES 기여도는 VaR 기여도보다 1.7배 높으며, 노출 크기가 커질수록 기여도 간 격차가 커지는 경향을 보인다.
• 상관관계가 있는 경우, 가장 큰 노출 클래스의 ES 기여도는 10% 이상 감소하지만, 작은 노출은 증가하여 복잡한 위험 역학을 보인다.
• 이 방법은 표준 CreditRisk+ 손실 분포 계산 외에 세그먼트당 추가로 한 번의 실행만 필요하므로 계산적으로 효율적이다.
• 가장 큰 노출 클래스에서 ES 대 VaR 기여도 비율은 0.92에서 1.70으로 증가하여, ES가 스트레스 손실 기여도를 더 잘 반영함을 확인한다.