AI는 부실채권을 이해할 수 있을까? - 하르니트 카우르, 엑심 인텔리전스

하이라이트

• 전통적인 머신러닝 방식이나 알트만 Z점수 같은 정적 지표들은 매달 변동하는 복잡한 현대 크레딧 시장을 반영하기에 한계가 있다.

• 아이하트미디어는 2018년 파산 신청에 이어 2024년에도 스트레스 거래를 겪은 대표적 부실채권 사례이다.

• 구조화된 추론 프로세스를 도입했을 때 서로 다른 AI 모델들이 미래 예측 경로에 대해 동일한 확률적 결과로 수렴했다.

• 추출, 도출, 판단, 예측으로 이어지는 단계적 벤치마킹 시스템을 통해 부실채권 분석의 정확도를 높일 수 있다.

타임라인

1. 00:00 - 04:30

   부실채권의 개념과 전통적 분석의 한계

   건설 경기 침체, 요식업 리콜, 소프트웨어 산업의 AI 파장 등 다양한 원인으로 기업들이 부실 상태에 빠진다. 파산 외에도 부채 관리 행사나 법외 구조조정 등 여러 시나리오가 존재한다. 기존의 스코어링 기법이나 사모 크레딧의 부상으로 인한 가격 산정의 어려움 때문에 전통적인 방법론은 한계를 드러내고 있다.

   • 크레딧은 기업의 채권이나 대출을 의미하며 내재된 위험 요소로 인해 자금 고갈이나 부채 상환 불능이 발생할 때 스트레스 상황이 온다.
   • 역사적으로 부실채권 분석은 디폴트나 파산 여부를 예측하는 이분법적 접근에 머물렀다.
   • 알트만 Z점수 같은 정적 지표들은 오늘날 불투명하고 빠르게 변동하는 시장 환경을 따라가지 못한다.
   • 재무제표 분석이나 크레딧 문서 독해 같은 정성적 방식은 수작업 위주여서 확장하기 매우 어렵다.
2. 04:30 - 12:00

   AI 모델을 활용한 부실채권 예측 실험

   재무적 관점과 법적 관점, 운영상 관점의 질문들을 AI가 얼마나 잘 소화하는지 검증하는 과정이다. 정답이 없는 미래 예측 상황에서 모델마다 다른 결론을 도출했다. 잘못된 데이터 포인트를 기반으로 판단을 내리면 좋은 결과를 얻을 수 없기 때문에 인간 분석가처럼 단계별 검증 시스템이 필요하다.

   • 투자자들은 유동성, 자본 구조, 채권의 구조적 선순위, 기업 펀더멘털 등 수많은 질문에 대한 답을 찾고자 한다.
   • 2018년 파산하고 2024년에도 스트레스 거래를 겪은 아이하트미디어를 대상으로 최신 AI 모델을 테스트했다.
   • 초기 단계에서 아스트라와 오푸스 모델은 미래의 확률 분포와 최선책에 대해 서로 다른 의견을 보였다.
   • 데이터 추출, 도출, 판단, 예측으로 이어지는 체계적인 단계를 거쳐야 오류를 줄일 수 있다.
3. 12:00 - 14:06

   추론 프로세스를 통한 모델의 수렴과 시사점

   구조화된 추론을 거치자 모델들이 각각 다르게 예측하던 파산 확률과 구조조정 경로에 대한 시각이 일치하게 되었다. 이것이 올바른 경로인지는 사후에만 알 수 있지만, 수렴하는 프로세스 자체를 만드는 것이 중요하다. 이는 금융 시장에서 가격이 형성되는 원리와 일맥상통한다.

   • 구조화된 추론 프로세스를 구축했을 때 두 AI 모델의 믿음과 확률적 결과가 실제로 수렴했다.
   • 모델들은 파산 확률을 25%로 낮추고 협상을 통한 구조조정을 더 가능성 높은 경로로 지목했다.
   • 동일한 구조화된 맥락 속에서 에이전트가 인간과 유사한 수준의 예측 프로세스를 보여준다.
   • 동일한 확률적 결과로 수렴하는 프로세스를 체계적으로 구축하는 것이 곧 시장에서 가격이 매겨지는 방식과 직결된다.