금융소비자가 은행 창구에 앉아 대출을 신청할 때, 화면 너머의 심사역이 조회하는 ‘신용점수’는 단순한 숫자가 아닙니다. 그것은 은행의 리스크 관리 시스템이 축적된 방대한 금융 데이터와 통계학적 방법론을 총동원해 계산해 낸 ‘향후 1년 이내에 이 차입자가 돈을 갚지 못할 확률’, 즉 부도확률(PD, Probability of Default)의 계량적 결과물입니다.
글로벌 은행 규제 기준인 바젤 III(Basel III) 체제 아래에서 은행은 대출 자산의 부실을 방어하기 위해 고도로 정밀화된 내부등급법(IRB, Internal Ratings-Based Approach)을 운용합니다. 대출 승인 버튼이 눌러지는 그 짧은 순간, 은행의 서버 안에서 어떤 계량경제학적 알고리즘이 작동하는지 그 메커니즘을 심층 분석합니다.
1. 바젤 III 리스크 관리의 핵심 축: PD, LGD, EAD
은행이 보유한 여신(대출) 자산의 총위험을 측정할 때 사용하는 계량적 공식의 근간은 예상 손실(EL, Expected Loss) 산출입니다. 예상 손실은 금융기관이 대출을 실행할 때 비즈니스 비용으로 반드시 산정해야 하는 수치이며, 다음과 같은 3대 리스크 파라미터의 곱으로 구성됩니다.
예상 손실 (EL) = PD × LGD × EAD
- PD (Probability of Default, 부도확률): 차입자가 특정 관측 기간(통상 1년) 내에 채무불이행 상태에 빠질 통계적 확률을 의미합니다.
- LGD (Loss Given Default, 부도시손실률): 실제로 부도가 발생했을 때, 전체 대출 채권액 중 은행이 최종적으로 회수하지 못하고 잃게 되는 손실의 비율을 뜻합니다.
- EAD (Exposure at Default, 부도시익스포저): 부도가 발생하는 시점에 은행이 노출되어 있는 대출 잔액 및 한도 약정액을 의미합니다.
쉽게 이해하자면, 은행이 어떤 고객에게 1억 원을 대출해 줄 때, 그 고객이 1년 안에 파산할 확률(PD)이 2%이고, 파산했을 때 담보 처분 등을 거쳐도 결국 못 받게 되는 비율(LGD)이 50%라면, 은행이 감수해야 할 예상 손실(EL)은 [1억 원 × 2% × 50% = 100만 원]이 됩니다. 은행은 이 100만 원의 리스크 비용을 대출 금리에 가산하여 소비자에게 부과합니다.
2. 신용평가 모형의 수학적 기초: 로지스틱 회귀분석 (Logistic Regression)
은행이 개인의 신용도를 점수화할 때 가장 널리 사용하는 전통적인 계량경제학 방법론은 로지스틱 회귀분석(Logistic Regression)입니다.
일반적인 선형 회귀분석은 종속변수의 범위가 음의 무한대에서 양의 무한대까지 연속적인 값을 가질 때 사용합니다. 그러나 ‘부도 여부’는 오직 부도(1) 또는 정상 상환(0)이라는 이분법적(Binary) 결과만을 가집니다. 따라서 일반 선형 모델을 그대로 적용하면 부도확률이 0보다 작거나 1보다 큰 수학적 모순이 발생합니다.
이를 해결하기 위해 계량경제학자들은 부도 확률(p)을 오즈비(Odds Ratio, 성공 확률 대비 실패 확률의 비)에 자연로그를 취한 로짓(Logit) 변환 형태로 모델링합니다.
- 로짓 변환 공식: ln( p / (1 – p) ) = b0 + b1X1 + b2X2 + … + bk*Xk
이 식을 부도확률 p에 대해 정리하면 다음과 같은 로지스틱 시그모이드 함수(Sigmoid Function)가 도출됩니다.
- 부도확률 산출식: p = 1 / ( 1 + e^[-(b0 + b1X1 + b2X2 + … + bk*Xk)] )
여기서 X1, X2, Xk는 개인의 신용 변수(소득, 연체 이력, 부채 총액 등)이며, b1, b2, bk는 각 변수가 부도율에 미치는 영향력을 통계적으로 추정한 회귀계수(무게추)입니다. 이 함수는 어떤 입력값이 들어와도 결과물(p)을 반드시 0과 1 사이(0%~100%)로 수렴시키는 특성을 가집니다.
3. 은행 내부 등급법(IRB)의 스코어카드(Scorecard) 개발 프로세스
은행이 개인 신용평가 시스템(CSS, Credit Scoring System)을 구축할 때는 가공되지 않은 생데이터를 그대로 방정식에 집어넣지 않습니다. 수천만 명의 과거 데이터를 분석하여 변수를 정제하는 프로세스를 거칩니다.
① 변수 구간화와 WoE(Weight of Evidence) 변환
예를 들어 ‘나이’나 ‘소득’ 같은 연속형 변수를 통계적 부도 예측력이 유사한 몇 개의 그룹으로 쪼갭니다. 연령대를 20대, 30대, 40대 등으로 나누어 각 구간의 부도 기여도를 계산하는 방식입니다. 이때 사용되는 지표가 WoE(증거가치)입니다.
- WoE = ln( 특정 구간의 정상 차입자 비율 / 특정 구간의 부도 차입자 비율 )
WoE 값이 클수록 해당 구간의 차입자는 정상 상환할 가능성이 높다는 것을 의미하며, 반대로 음수이거나 작을수록 부도 위험이 크다는 뜻입니다.
② 변수의 변별력 측정: IV(Information Value)
모든 데이터가 신용평가에 유용한 것은 아닙니다. 은행은 각 변수가 ‘우량 고객’과 ‘불량 고객’을 얼마나 잘 가려내는지 측정하기 위해 IV(정보가치) 지표를 사용합니다.
| IV (Information Value) 범위 | 변수의 예측력 (Predictive Power) 평가 | 실무 적용 여부 |
| 0.02 미만 | 예측력 없음 (Useless) | 모형에서 무조건 제외 |
| 0.02 이상 ~ 0.1 미만 | 예측력 낮음 (Weak) | 보조 변수로만 고려 |
| 0.1 이상 ~ 0.3 미만 | 예측력 중간 (Medium) | 적극 채택 |
| 0.3 이상 ~ 0.5 미만 | 예측력 높음 (Strong) | 핵심 변수로 반드시 포함 |
| 0.5 이상 | 예측력 과도함 (Suspicious) | 데이터 오염(Overfitting) 의심, 재검토 |
은행 심사역은 IV 수치가 0.1 이상인 변수들을 선별하여 스코어카드 모델을 구성합니다. 대출 심사 시 가장 강력한 IV를 보여주는 변수는 통상 ‘최근 12개월 이내의 연체 경험 여부’와 ‘신용대출 업권 다변화(카드론·현금서비스 이용 횟수)’입니다.
4. 내 신용점수가 깎이는 인과관계와 임계값(Threshold) 효과
많은 소비자가 “왜 카드론을 한 번 썼다고 점수가 이렇게 크게 떨어지느냐”며 억울해합니다. 이는 모형의 계량적 인과관계와 임계값(Threshold) 효과 때문입니다.
은행의 내부등급법(IRB) 시스템 하에서는 단 하루의 연체라도 발생할 경우, 부도확률(PD) 계산식의 연체 변수(X)가 0에서 1로 전환(Dummy Variable)됩니다. 로지스틱 함수의 특성상, 이 특정 임계값을 넘어가는 순간 위험 가중치가 기하급수적으로 증폭됩니다.
연체 일수별 PD 변동 메커니즘
- 연체 1일 ~ 4일: 단순 착오로 간주되어 내부 시스템 상 경고(Warning) 신호만 누적됩니다.
- 연체 5일 이상: 신용평가사(CB)에 연체 정보가 공유되기 시작하며, PD 값이 평시 대비 약 2배~3배 상승합니다.
- 연체 30일 이상: 단기 부도 상태로 진입합니다. 이 단계에서는 소득이 아무리 높아도 계량 모형상 거절 등급으로 분류됩니다.
- 연체 90일 이상: 바젤 III 기준 최종 부도(Default)로 확정됩니다. 이 순간 해당 차입자의 PD는 100%로 수렴하며, 향후 5년간 금융 거래 기록에 족쇄가 채워집니다.
5. 모형의 성능 평가: 변별력의 척도, AUROC와 Gini 계수
개발된 신용평가 모형이 얼마나 정확한지는 어떻게 검증할까요? 은행 리스크관리부는 매년 모형의 변별력을 검증하기 위해 통계적 지표인 AUROC와 지니 계수(Gini Coefficient)를 측정합니다.
- AUROC (Area Under the Receiver Operating Characteristic curve): 모형이 우량 차입자와 부도 차입자를 무작위로 선택했을 때, 부도 차입자의 위험 점수를 더 높게 부여할 확률입니다. 1에 가까울수록 완벽한 모형이며, 금융권에서는 통상 0.75 이상이면 매우 우수한 모형으로 평가합니다.
- 지니 계수 (Gini): 완벽한 등급 분류 선과 실제 모형의 분류 곡선 사이의 면적 비율을 나타냅니다. [ Gini = 2 × AUROC – 1 ]의 수식으로 산출되며, 지니 계수가 높을수록 고위험군을 칼같이 가려내는 모형입니다.
만약 경기 침체로 인해 기존 모형의 AUROC가 0.7 미만으로 추락하면, 은행은 리스크 관리 실패를 방어하기 위해 즉시 대출 심사 가이드라인을 보수적으로 변경하고, 전체적인 대출 승인율(Accept Rate)을 강제로 낮춰 여신 공급을 조입니다.
6. 금융소비자를 위한 계량공학적 신용 관리 전략
은행의 부도확률(PD) 모형 원리를 역이용하면, 가장 빠른 속도로 신용 점수를 올리고 대출 한도를 극대화할 수 있는 전략적 접근이 가능해집니다.
- 다중채무의 건수부터 줄여라: PD 모형은 대출 ‘금액’보다 대출 ‘건수’의 증가를 훨씬 더 위험한 신호로 받아들입니다. 1,000만 원짜리 대출 1건이 200만 원짜리 대출 5건보다 신용점수에 훨씬 유리합니다. 부채를 상환할 때는 금액이 큰 것보다 건수를 없앨 수 있는 소액 대출부터 청산하십시오.
- 비제도권 금융 접촉을 최소화하라: 저축은행, 카드론, 현금서비스는 로지스틱 회귀식에서 매우 높은 양(+)의 회귀계수(b)를 가집니다. 이용하는 순간 부도확률 p 값이 즉각적으로 상승하므로, 한도가 부족하더라도 1금융권의 중금리 상품이나 정부지원 정책여신을 우선 탐색해야 합니다.
- 신용 이력의 연속성(Credit History)을 유지하라: 신용카드를 아예 쓰지 않는 사람은 변수 입력값(X)이 부족하여 모형상 ‘판단 불가’군으로 분류되고, 이는 중간 이하의 등급(Thin Filer)으로 평정되는 원인이 됩니다. 적정한 수준의 신용 거래를 연체 없이 장기간 유지하는 것이 고성능 스코어카드에서 고득점을 받는 비결입니다.
결론: 숫자로 변환되는 신용, 메커니즘을 알아야 금융이 보인다
은행은 당신의 도덕성이나 성실함을 보지 않습니다. 철저하게 계량경제학적으로 설계된 부도확률(PD) 모형의 스코어카드 안에서 변수들을 조합해 당신을 평가할 뿐입니다.
내가 금융 시스템 안에서 어떤 변수로 작동하고 있는지 그 메커니즘을 이해하는 것, 그것이 바로 바젤 III 규제 체제 아래에서 자본 비용을 최소화하고 영리하게 대출을 활용하는 첫걸음입니다.
면책 조항 (Disclaimer)
본 가이드는 금융공학적 이론과 제도권 심사 관행을 바탕으로 작성된 전문 분석 콘텐츠입니다. 개별 금융기관의 여신 정책 및 리스크 관리 전략에 따라 실제 심사 결과는 상이할 수 있으므로, 최종 의사결정 전 반드시 해당 여신 취급 기관의 공식 약관을 확인하시기 바랍니다.