인공지능
AI가 다음 금융 위기 전에 투자자에게 경고할 수 있을까?
Securities.io를 Google의 선호 소스에 추가
최근 인공지능 발전의 핵심은 정돈되지 않은 데이터에서 복잡한 패턴을 찾아내는 능력이 점점 향상되고 있다는 점이며, 이는 이전 세대의 소프트웨어가 어려워했던 부분입니다.
이는 의료 분야부터 다양한 예측 분야에 이르기까지 AI 적용의 새로운 길을 많이 열어줍니다. 따라서 놀랍지 않게도 많은 사람들이 특히 금융 위기 예측과 같은 금융 질문에 AI를 적용하기 시작했습니다.
이는 금융 위기가 갑작스럽게 나타나는 것처럼 보여도, 되돌아보면 일부 데이터 포인트가 그 전조를 드러내는 경우가 많기 때문입니다. 금융 위기는 거의 항상 수년간의 불균형, 부실한 투자 판단, 과대평가 등으로 인해 발생합니다.
따라서 방대한 데이터를 처리하고 의미를 파악할 수 있는 AI 시스템이 이러한 위기를 예측하는 데 도움이 될 수 있습니다.
인도 공과대학 루르키(IIT Roorkee) 연구원이 수행한 새로운 연구가 이 질문을 다루었습니다. 이 연구는 머신러닝을 통해 대차대조표 취약성을 임박한 금융 위기를 경고하는 지표로 활용할 수 있는지를 조사합니다.
그의 연구 결과는 International Review of Economics & Finance에 게재되었으며, 제목은 “대차대조표 취약성이 금융 위기를 예측할 수 있는가? 머신러닝 및 샤플리 분해를 통한 증거.” 입니다.
금융 위기와 예측
재산을 파괴할 수 있는 막대한 잠재력 때문에 금융 위기는 경제학의 핵심 연구 대상입니다.
몇몇 핵심 지표는 금융 위기의 가능성을 높이는 것으로 알려져 있습니다.
첫 번째는 “원초적 죄”, 혹은 신흥 및 개발도상국(EDEs)이 자체 통화로 해외 차입을 할 수 없는 상황을 말하며, 이로 인해 외화 표시 부채(FCD)에 의존하게 됩니다. 이는 다시 그들의 대차대조표가 외부 충격에 취약해짐을 의미합니다.
또 다른 요인은 통화 불일치로, 국가, 은행 또는 기업이 국내와 외국 통화를 불균형하게 보유하고 있는 경우이다. 따라서 환율 변동 시, 이는 광범위한 파산과 거시경제 변동성을 초래할 수 있는 시스템적 위험을 만들 수 있다. 예를 들어, 이러한 과정은 그 1997 Asian financial crisis의 중심에 있었다.
경제학 전통 방법인 로지스틱 회귀와 신호 추출 등은 이러한 위험을 적절히 평가하지 못하는 경우가 많습니다.
그 큰 이유는 상호작용 효과와 비선형성을 충분히 고려하지 못하기 때문이며, 유사한 입력이라도 특정(예측하기 어려운) 임계값을 넘으면 급격히 다른 결과를 초래할 수 있습니다.
위기 예측
다양한 위기 매핑
금융 위기는 다양한 형태로 나타날 수 있으며, 일반적으로 통화 위기, 은행 위기, 부채 위기의 세 가지 유형이 인식됩니다.
통화 위기는 “미국 달러 대비 통화의 명목 가치가 최소 30% 하락하고, 전년 대비 하락률이 최소 10% 포인트 더 큰 경우”로 정의됩니다.
은행 위기는 두 가지 동시 조건을 필요로 합니다:
- 은행 시스템에서의 중대한 금융 스트레스 징후, 즉 대규모 은행 파산, 은행 시스템 손실 및/또는 은행 청산.
- 은행 시스템 손실에 대응하는 중대한 은행 정책 개입 조치.
주권 부채 위기는 부채 디폴트 및 구조조정 사건을 통해, 신용평가기관 보고서, 외환보유량, IMF 직원 보고서 및 채권시장 동향을 기반으로 식별될 수 있습니다.
각각은 서로 다르고 원인이 다르지만, 이들 금융 위기는 상호 배타적이지 않습니다. 예를 들어, 통화 위기가 심각한 경기 침체를 초래하면, 특히 취약한 국가에서는 부채 위기나 은행 위기를 촉발할 수 있습니다.
조기 경고 지표 측정
이전 분석 도구의 한계를 극복하기 위해, 본 연구의 저자는 광범위한 원초적 죄(BOSIN)와 새로운 통화 불일치(NCM) 지수를 만들어 금융 위기의 조기 징후를 찾았습니다.
BOSIN은 부채 증권의 통화 구성과 국경 간 은행 대출을 모두 포함하며, 1970년부터 2018년까지 162개 국가를 포괄합니다.
NCM은 외환 보유량, 수출 개방성, 은행 부채 및 국제 부채 증권의 통화 구성을 포함함으로써 외부 취약성을 포착합니다.
이는 흥미로운 잠재력을 보여줍니다. NCM은 금융 위기 이전에 외부 취약성을 드러내기 때문입니다. 예를 들어, 아르헨티나와 브라질은 2000년경에 가장 높은 통화 불일치 정점을 보이며, 이는 2001~02년 위기와 일치합니다.
또 다른 사례는 멕시코의 1994~95년 테킬라 위기입니다. 이때 달러 부채가 1년 만에 전체 민간 부채의 4%에서 75%로 급증하면서 통화 불일치가 급격히 증가했습니다.
Source: 국제 경제 및 금융 리뷰
연구에 사용된 최종 데이터셋에는 통화 위기(5.50%)에 대한 사전 관측치 120건, 은행 위기(4.64%)에 대한 사전 사건 95건, 부채 위기(1.90%)에 대한 사전 관측치 47건이 포함되었습니다.
위기와 머신러닝
이 연구에서 저자는 트리 기반 기계 학습은 매개변수 조정이 거의 필요하지 않고, 대규모 데이터 세트를 잘 처리하며, 구현하고 해석하기도 간단해 선택했다.
주요 분석은 의사결정 트리, 랜덤 포레스트, 그리고 극단적으로 무작위화된 트리에 초점을 맞추었습니다. 저자는 또한 견고성 검증으로 신경망, 서포트 벡터 머신, CatBoost 및 LightGBM을 테스트했습니다.
Bagging 기반 앙상블 모델이 세 가지 위기 범주 전반에 걸쳐 가장 일관된 성과를 보였으며, 은행 위기에서는 CatBoost와 LightGBM도 경쟁력 있는 결과를 나타냈습니다.
연구는 이후 다양한 트리 기반 머신러닝 알고리즘을 위기 예측 능력과 위기가 발생하지 않았음에도 경고를 내는 false positive 경향을 비교했습니다.
전체적으로 “극단적” 트리가 가장 좋은 성과를 보였으며, 그 뒤를 랜덤 포레스트 알고리즘이 바짝 따랐습니다.
Source: 국제 경제 및 금융 리뷰
위기 예측과 평가
잠재적 위기를 식별하는 것이 중요하지만, 정책 입안자와 투자자는 모델이 왜 경고를 생성했는지도 이해해야 합니다. 많은 머신러닝 시스템은 내부 의사결정 과정이 블랙박스와 유사하기 때문에 이것이 어렵습니다.
이를 위해 저자는 위기 예측에 대한 각 경제 지표의 한계 기여도를 나타내는 Shapley 값을 사용했으며, 이는 모든 가능한 지표 조합에 대해 평균을 구한 것입니다.
이는 몇몇 지표가 금융 위기 예측에 가장 중요함을 보여줍니다:
- 원래 죄악 노출이 큰 경제는 통화 위기 위험이 더 높습니다.
- 통화 불일치 지표는 외화 부채 비중이 높아질수록 Shapley 값이 급격히 상승합니다.
- 이는 특정 취약성 임계값을 설정하는 데 도움이 될 수 있으며, 정책 입안자에게 위험을 평가하고 거시건전성 정책을 안내할 수 있는 기준점을 제공합니다.
Source: 국제 경제 및 금융 리뷰
다양한 유형의 금융 위기는 예상대로 서로 다른 근본 원인을 가지고 있습니다.
- 통화 위기의 경우, 금융 개방성, 환율 제도, 그리고 미국 재무부 금리가 주요 예측 변수로 나타났습니다.
- 은행 위기의 경우, 미국 재무부 금리, 은행 신용, 그리고 금융 개방성이 가장 예측력이 높았습니다.
- 부채 위기의 경우, GDP 성장률, 금융 개방성, 그리고 통화 불일치가 주요 지표로 나타났습니다.
Source: 국제 경제 및 금융 리뷰
금융 위기와 AI 시사점
이 연구는 매크로경제 시스템의 복잡성과 비선형 행동에도 불구하고 일부 금융 위기가 감지 가능한 경고 신호를 제공할 수 있음을 보여줍니다.
이는 특히 트리 기반 알고리즘을 활용한 머신러닝을 통해 가능하며, 이 알고리즘은 다른 방법에 비해 세 가지 위기 범주에서 더 일관된 성과를 보였습니다.
머신러닝은 예측에 필요한 관련 데이터를 추출하고 전통적인 로지스틱 회귀보다 비선형 경고 신호를 더 효과적으로 감지할 수 있기 때문입니다.
또한 머신러닝 및 AI에 대한 ‘블랙박스’ 비판이 완전히 적용되지 않는다는 점도 주목할 필요가 있습니다. 왜냐하면 경제 지표 중 어떤 것이 예측에 기여했는지, 예를 들어 외화 부채와 통화 불일치를 명확히 보여줄 수 있기 때문입니다.
이는 이러한 모델이 국가 수준 위기의 조짐을 분석하고 경고하는 데 활용될 수 있음을 증명합니다.
하지만 투자자는 높은 전체 정확도가 모든 위기를 제때 예측해 재정 손실을 피할 수 있다는 뜻은 아니라는 점을 인식해야 합니다. 또한 false positive도 여전히 발생할 가능성이 있습니다.
즉, 머신러닝이 경고 신호를 제공할 수는 있지만, 그 정확성을 판단하고 조치를 취할지는 여전히 인간의 경험과 지혜가 필요합니다. 따라서 이 기술은 자율적인 예측 신탁이라기보다 의사결정 지원 시스템으로 활용되는 것이 가장 적절합니다.
금융 위험 분석에 대한 투자
Moody’s Corporation
MCO 가격 차트
국가 또는 기업 수준에서 예상치 못한 위기의 위험을 예측하는 것은 투자자, 대출기관 및 전반적인 금융 전문가들의 업무에서 항상 필수적인 부분이었습니다.
현대에는 이러한 업무의 대부분이 전문 지식·데이터 접근·평판을 갖춘 신용평가기관에 위임됩니다. 이들은 기업의 지급능력, 은행의 재무제표 건전성, 산업의 경제 상황, 혹은 국가의 재정 안정성에 대해 중립적이고 신뢰할 수 있는 판단을 내립니다.
대표적인 신용평가기관 중 하나는 Moody’s이며, 신용등급, 국가 분석, 금융 인텔리전스, 위험 모델링 전반에 걸쳐 활동합니다. Moody’s Investors Service 내에서 기업금융팀은 가장 큰 매출원으로, 2026년 2분기에 해당 부문의 매출 약 절반을 차지했습니다.
출처: Moody’s
발행자와 투자자 간의 정보 격차를 줄이면 널리 인정받는 신용등급이 시장 접근성을 높이고 차입 비용을 낮출 수 있습니다. 대규모 채권 발행에 적용되는 금리가 소폭 낮아져도 전체 기간 동안 상당한 비용 절감 효과를 가져올 수 있습니다.
출처: Moody’s
AI 모델을 활용해 위험을 예측하고 향후 위기를 전망할 수 있지만, 수십억 규모의 자금이 걸려 있을 때 예측의 정확성에 대한 확신은 매우 중요합니다. 따라서 Moody’s는 (MCO ) AI를 적극 도입하여 이러한 기술적 진보를 해석 가능한 금융 위험 분석으로 상용화하고 있으며, 수십 년간 신뢰받아 온 기존 위험 분석 제공업체의 지원을 받고 있습니다.
Moody’s가 AI를 활용해 금융 위험을 매핑할 때 핵심적인 장점은 단순히 명성에 있는 것이 아니라 특허부터 M&A 거래, 금융 심리, 경제 데이터, 개별 기업 분석, 심지어 기후 분석에 이르기까지 전 세계에서 가장 방대하고 관리된 데이터셋에 직접 접근할 수 있다는 점입니다.
출처: Moody’s
따라서 전반적으로 Moody’s는 AI를 활용해 부채 위기 및 기타 금융 위기를 예측하는 위험 분석에 접근할 수 있는 좋은 수단입니다.
Moody’s Corporation (MCO) 최신 주식 뉴스 및 동향
참조 연구
1. Hari Venkatesh. 재무제표 취약성이 금융 위기를 예측할 수 있는가? 머신러닝 및 Shapley 분해를 통한 증거. International Review of Economics & Finance. 2026년 10월. 기사 번호: 105731. 권 111. 10.1016/j.iref.2026.105731
