CAViaR란? 조건부 자기회귀 VaR 분위수 예측

포트폴리오 손실을 \(L_t=-r_t\)로 정의하면 손실은 양수, 이익은 음수입니다. 신뢰수준 \(\alpha\)의 1기간 VaR 예측은 조건부 상위 분위수입니다. \[ v_t^\alpha=Q_\alpha(L_t\mid\mathcal F_{t-1}), \] 여기서 \(\mathcal F_{t-1}\)은 \(t\)기간 손실을 관측하기 전에 이용할 수 있는 정보입니다. \(\alpha=0.99\)라면 조건부 분위수가 적절히 명시되었을 때 미래 손실의 약 \(1-\alpha=1\%\)가 넘을 문턱값을 예측합니다. 실제 손실은 VaR를 얼마든지 초과할 수 있습니다. VaR는 최대 손실 한도가 아닙니다.

CAViaR는 Conditional Autoregressive Value at Risk의 약자로, 이 분위수가 시간에 따라 어떻게 바뀌는지 재귀식으로 지정합니다. 조건부 분포 전체를 추정한 다음 꼬리의 한 지점을 꺼내는 대신, 그 지점 자체를 모형화합니다. Engle과 Manganelli는 CAViaR 계열을 제시하고 회귀 분위수로 모수를 추정했습니다 (2004년 논문). 선택한 분위수 수준도 중요합니다. 95%와 99% 모형의 동학이 다를 수 있고, 어느 하나도 꼬리 전체를 설명하지 않습니다.

일반적인 1기간 식은 다음과 같습니다. \[ v_t^\alpha=f(v_{t-1}^\alpha,L_{t-1},X_{t-1};\beta), \] 여기서 \(X_{t-1}\)은 사용할 수 있는 추가 예측변수이고 \(\beta\)는 추정할 모수 벡터입니다. 이전 분위수는 예측의 기억을 전달하고, 이전 손실이나 설명변수는 새 정보가 문턱값을 움직이게 합니다. 과거 정보에 반응하는 변동성 재귀식과 닮은 면은 있지만, 업데이트하는 상태변수는 조건부분산이 아니라 분위수입니다.

대칭 절대값(SAV) 사양의 예는 다음과 같습니다. \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2|L_{t-1}|. \] 이 식은 직전 움직임의 크기에 반응하지만 절대값을 쓰기 때문에 이익과 손실에 대칭적으로 반응합니다. 자기회귀항은 충격 뒤 예측이 지속되도록 하고, 이후 입력이 바뀌면 점차 되돌아오게 합니다. 지속성은 추정하고 점검할 특성이지, 매끄러운 선만으로 분위수가 잘 보정되었음을 증명하지는 않습니다.

CAViaR에는 이전 관측치가 앞선 문턱을 넘었는지에 따라 조정하는 적응형 방식과, 분산 재귀식과 비슷한 형태를 포함하는 간접 GARCH 방식도 있습니다. 이들은 서로 바꿔 쓸 수 있는 이름이 아니라 대안적인 사양입니다. 함수 형태에 따라 과거 어떤 정보가 분위수를 움직일 수 있는지, 어떤 반응을 표현할 수 있는지가 달라집니다.

\(L^+=\max(L,0)\), \(L^-=\max(-L,0)\)로 손실과 이익의 양의 크기를 나누면, 비대칭 기울기 사양은 다음과 같이 쓸 수 있습니다. \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2L_{t-1}^{+}+\beta_3L_{t-1}^{-}. \] 양의 포트폴리오 손실은 \(L^+\) 항에, 이익은 \(L^-\) 항에 들어갑니다. 두 기울기는 같을 필요가 없습니다. 수익률의 하위 분위수로 식을 쓰는 경우에는 부호 관례가 달라지므로, 논문이나 구현에서 종속변수와 양·음 부분의 정의를 밝혀야 합니다.

이 유연성이 시장에 비대칭 레버리지 효과가 있다는 사실을 증명하는 것은 아닙니다. 선택한 재귀식과 표본을 조건으로 꼬리 분위수가 두 입력 경로에 다르게 반응하도록 허용할 뿐입니다. 계수는 추정치이고 변수 단위와 모수화 방식에 따라 부호와 크기가 달라집니다. 대칭 사양과 비교하고 추정 표본 밖에서 성능을 평가하세요.

<!-- Illustration placement: after section 3; text-free conceptual view of a conditional loss-quantile ribbon moving over time, responding more after a large loss than after an upside move, with a few conceptual threshold crossings. No axes, labels, values, or market data. -->

후보 모수 \(\beta\)로 먼저 재귀 경로 \(v_t^\alpha(\beta)\) 전체를 계산한 뒤 분위수 손실 또는 체크 손실을 최소화합니다. \[ \widehat\beta=\arg\min_\beta\sum_{t=1}^{T}\rho_\alpha\!\left(L_t-v_t^\alpha(\beta)\right), \qquad \rho_\alpha(u)=u\left(\alpha-\mathbf 1\{u<0\}\right). \] 상위 손실 분위수에서 \(u>0\)인 과소 예측은 \(\alpha\)의 가중치를 받고, \(u<0\)인 과대 예측은 \(1-\alpha\)의 가중치를 받습니다. \(\alpha=0.99\)라면 이 손실함수는 큰 손실을 놓치는 일을 같은 크기의 여유분보다 더 무겁게 다룹니다. 제곱오차 손실이 아니며 조건부 평균을 맞추기 위한 추정도 아닙니다.

이는 Koenker와 Bassett가 발전시킨 회귀 분위수 방법(1978년 논문)을 재귀적으로 생성되는 분위수 경로에 적용한 것입니다. 선형 분위수 회귀는 목적함수에 유용한 볼록성이 있지만, CAViaR의 비선형 재귀식은 초기값과 국소 최솟값에 따라 최적화가 달라질 수 있습니다. 실무에서는 목적함수, 모수 제약, 최적화 절차, 수렴 점검과 여러 초기값의 결과를 기록해야 합니다. 보통의 최소제곱 출력은 분위수 회귀 추론을 대신하지 않습니다.

재귀의 첫 값 \(v_0^\alpha\)는 주어져야 하거나 추정되어야 합니다. 투명한 방법 하나는 평가기간 전에 끝나는 초기 표본에서 경험적 상위 손실 분위수를 구하는 것입니다. 다른 구현은 초기값을 모수와 함께 추정하거나 초기 구간을 버리는 워밍업을 사용합니다. 어떤 규칙을 택하든 후보 사양들에 일관되게 적용하고 초기화에 사용한 관측치 수를 밝혀야 합니다. 자기회귀항이 강하게 지속되면 초기값의 영향이 여러 기간 남을 수 있습니다.

표시된 식이 단순해 보여도 재귀 분위수 모형은 모수에 대해 비선형일 수 있습니다. 시작 벡터에 따라 최적화가 서로 다른 국소해에 도달할 수 있으며, 수렴은 수치적 종료조건을 만족했다는 뜻일 뿐입니다. 필요하면 합리적인 여러 초기값을 사용하고 생성된 경로를 점검하세요. 비음수 손실 문턱처럼 수치적으로 부과한 제약과 경제적 사실을 구분해야 합니다. 모든 CAViaR 사양에 통하는 하나의 계수 상한으로 안정성을 보장할 수는 없습니다. 조건은 함수 형태, 식별 가능성, 입력 과정의 거동에 달려 있습니다. 원 논문의 점근 결과도 명시적 가정에 의존하며 발산하는 경우를 포함하지 않습니다.

불확실성도 고려해야 합니다. 특히 99% 수준에서는 꼬리 관측치가 드물고, 목표 분위수 부근의 조건부 밀도가 추정 정밀도에 영향을 줍니다. 비선형 재귀 분위수의 표준오차는 그 설정에 타당한 점근 추정량이나 신중하게 설계한 부트스트랩 등으로 구해야 합니다. 적합선이 정밀해 보인다고 해서 꼬리위험을 정밀하게 안다는 뜻은 아닙니다.

\(t-1\) 예측 기준시점에서 모수를 추정하고 \(v_t^\alpha\)를 만들 때는 그 시점까지 이용할 수 있는 수익률과 공변량만 써야 합니다. 그 기간이 끝나 \(L_t\)가 관측된 뒤에 예측과 비교합니다. 이동 또는 확장 창으로 모형을 재추정한다면 각 창의 끝도 명시된 예측 기준시점이어야 합니다. \(L_t\)를 사용해 \(v_t^\alpha\)를 만들거나 당시에는 이용할 수 없던 수정 자료를 사용하면 미래 정보가 예측에 섞입니다.

목표는 실제 포트폴리오 및 기간과 맞추세요. 고정 비중 포트폴리오의 일간 VaR가 장중 보유가 바뀌는 계좌의 VaR와 같지는 않습니다. 1일 분위수도 여러 날 위험예측과 같지 않습니다. 수익률 구성, 통화, 보유기간, 시장 마감, 포트폴리오 리밸런싱과 각 예측변수의 이용 시점을 보고해야 합니다. 예측변수 변환, 기업행위 조정, 오래된 가격, 누락된 거래일은 정보집합과 분위수 동학을 바꿀 수 있습니다.

익숙한 재귀식은 \(v_t\)가 관측된 \(L_{t-1}\)을 사용하므로 자연스럽게 1기간 앞을 예측합니다. 여러 기간을 예측할 때 이후 손실은 아직 관측되지 않았습니다. 실제 미래 손실을 넣어 식을 반복 계산하면 미래 정보 누출입니다. 다기간 VaR에는 시뮬레이션이나 별도 다기간 모형처럼 알려지지 않은 미래 경로를 처리하는 절차가 필요하며, 그 가정도 별도로 평가해야 합니다.

가상의 99% 일간 손실 VaR가 위 비대칭 기울기 식을 따른다고 하겠습니다. 손실과 \(v\) 단위는 퍼센트포인트이고, \(\beta_0=0.10\), \(\beta_1=0.80\), \(\beta_2=0.35\), \(\beta_3=0.10\)은 설명을 위한 임의의 값이지 추정치가 아닙니다. 직전 예측이 \(2.00\%\)이고 전일 손실이 \(3.00\%\)였다면 다음과 같습니다. \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(3.00)+0.10(0)=2.75\%. \] 이 예에서는 더 큰 손실 입력이 오늘의 문턱값을 높입니다. 전날 \(3.00\%\) 이익을 얻었다면 \(L_{t-1}=-3.00\%\)이고 반대쪽 입력 경로를 사용합니다. \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(0)+0.10(3.00)=2.00\%. \] 이 계수는 재귀식을 보여주기 위한 것이므로 다른 표본이나 모수화에서는 반응이 달라질 수 있습니다.

오늘 실현손실이 \(3.20\%\)라면 \(2.75\%\) 예측을 넘으므로 예외 지표는 1입니다. 예외 하나만으로 모형이 나쁘다고 결론 내릴 수 없고, 예외가 없던 하루만으로 모형이 타당해지는 것도 아닙니다. 조건부 보정이 맞으면 예외 지표의 조건부 기댓값은 예측 기준시점의 정보에 대해 \(1-\alpha\)여야 합니다. 긴 표본의 평균 예외율도 표본오차를 고려할 때 그 비율에 가까워야 합니다.

VaR는 정해진 조건부 손실 분위수라는 위험 측도이고, CAViaR는 그 값을 예측하는 방법 계열입니다. 기대손실은 다른 질문, 즉 VaR를 넘어 선택한 꼬리에 속한 손실의 평균을 다룹니다. CAViaR 분위수 경로만으로는 문턱값 너머 손실의 평균이나 꼬리 모양을 알 수 없습니다. VaR와 기대손실 비교 안내에서 두 측도의 차이를 설명합니다.

GARCH는 조건부분산(또는 변동성)을 재귀적으로 모형화하고, 그 다음 표준화 혁신의 분포 가정으로 VaR 분위수를 변환합니다. ARCH와 GARCH의 기반은 Engle의 ARCH 모형과 Bollerslev의 GARCH 확장90063-1)에서 확인할 수 있습니다. CAViaR는 분위수를 직접 모형화하므로 전체 조건부 밀도 가정을 요구하지 않지만, 선택한 동학에 관한 가정은 남아 있습니다. 간접 GARCH CAViaR 사양은 두 접근을 잇는 특수한 형태이지 모든 CAViaR가 GARCH라는 뜻이 아닙니다. GARCH 변동성 군집 안내에서 별도 모형을 다룹니다.

표본 내 분위수 손실이 낮다고 해서 표본 밖 위험예측이 인증되는 것은 아닙니다. 시간순 평가 구간을 따로 두고, 과거 정보만으로 각 예측을 생성한 다음 예외율과 예외의 군집 여부, 과거 정보로 예측 가능한지를 함께 살펴보세요. Kupiec의 무조건부 빈도 검정(1995년 논문)과 Christoffersen의 조건부 보정 검정(1998년 논문)은 서로 다른 질문에 답합니다. Engle과 Manganelli의 동적 분위수(DQ) 검정은 중심화한 예외 지표와 선택한 도구변수에 대한 일부 제약을 점검합니다. 어느 검정도 모든 가능한 모형 오류를 검사하지는 않습니다. 예외열 검정 절차는 VaR 백테스트 안내에서 이어서 볼 수 있습니다. 한 모형의 보정이 아니라 두 분위수 예측의 점수를 비교하려면 같은 날짜의 체크 손실 차이를 구하고, 그 시계열 의존성을 고려하는 Diebold–Mariano 검정을 사용할 수 있습니다. 이 검정은 상대 예측 손실을 비교할 뿐 VaR 보정이나 매매수익을 검정하지 않습니다.

결과는 꼬리확률, 재귀식, 초기값, 추정창, 포트폴리오 구성과 평가 기간에 따라 바뀔 수 있습니다. 한 분위수에 맞는 모형이 다른 분위수에는 맞지 않을 수 있고, 별도로 추정한 분위수끼리 순서가 뒤집힐 수도 있습니다. 구조 변화, 극단값의 군집, 부족한 꼬리 표본, 바뀌는 보유자산, 시장 공백, 유동성과 체결비용은 재귀 VaR 식만으로 해결되지 않습니다. 예외가 난 뒤 손실의 크기도 VaR가 설명하지 않습니다. 결과는 점검해야 할 모형 기반 위험 문턱값이지 손실 한도, 수익 전망 또는 단독 매매 규칙이 아닙니다.