Segmentation 및 PD 산출 방법론

Presentation on theme: "Segmentation 및 PD 산출 방법론"— Presentation transcript:

1 Segmentation 및 PD 산출 방법론
2006년 9월 Copyright © Citi Korea Inc., All rights reserved

2 소매 포트폴리오 구성 현황 세그먼테이션 리스크 계량화 방법론 PD 추정 리스크 계량화 모델 확장
리스크 파라미터 산출을 위한 데이터 모델 3 4 7 8 16 17

3 BASEL II 기준 소매 포트폴리오의 구성 현황

4 세그먼테이션 - 요건 자본이 할당되는 최소 단위
감독기관 보고, 대내외 공시, 은행내부 활용을 위해서는 가능한 한 세부적으로 나누어야 함 감독기관 요건 준수, 비즈니스 속성 반영, 성과평가의 목적을 달성 Partitioning을 통한 “Basel 포트폴리오” 생성

5 세그먼테이션 – Basel Product 현황

6 세그먼테이션 - Pooling Basel 포트폴리오는 동질적인 리스크 속성을 지닌 하위의 “Pool”로 그룹핑됨
일상적인 리스크 관리에 사용되는 핵심 요소(Driver)를 반영하고 있음 익스포져의 과도한 집중이나 과소한 모집단의 생성을 방지할 수 있음 익스포져의 전이를 반영할 수 있음 세그먼트의 생성, 검증, 변경에 유연하게 대처할 수 있음

7 리스크 계량화 방법론 연체단일기준(Delinquency Only) 방법론의 장점 데이터 부족으로 인한 문제를 최소화할 수 있음
세그먼테이션의 변경/추가시 추정치 산출이 용이함 결과물(리스크 파라미터)을 비즈니스 직관과 비교할 수 있음 결과물을 Back Testing과 비교하는 것이 용이함 결과물을 일상적인 리스크관리 수단인 연체전이율(Roll Rate) 분석과 쉽게 비교할 수 있음 논리적으로 이해하기 쉬운 모델임

8 PD 추정 – Markov Chain (1) Markov Chain은 Roll Rate의 일반화 Roll Rate 접근법
미국은행 등에서 충당금 산출에 널리 사용되는 방법 각 연체 단계별 계좌들이 다음 단계로 전이되는 확률을 계산 연속적인 Roll-Rate를 곱함으로서 손실처리될 계좌를 추정 포트폴리오 관리 전략에 효과 한계 : 계좌가 다음 연체단계를 뛰어넘거나 역방향으로 진행될 때 분석의 어려움이 있음 Markov Chain 접근법 Roll Rate 접근법과 유사하나 그 한계점을 극복 불규칙한 연체 전이현상을 설명 가능 전이율은 Roll Rate처럼 관찰된 확률에 의해 결정됨 기간에 관계없이 포트폴리오의 변화 추정 가능 핵심 데이터 (Pool 기준) 계좌수 연체 (증가/감소/유지) 계좌수 부도계좌수 상각/상환/매각 계좌수

9 PD 추정 – Markov Chain (2) 가정 : 한 계좌의 다음달 상태는 3가지로 분류 가능 => C(정상), L(연체), D(부도) C,L,D간 전이확률 아래와 같은 전이행렬로 표현될 수 있음 전이행렬 각 단계별 계좌수는 쉽게 계산될 수 있음 이번달에 10,000개의 계좌가 C(정상)에 있음 한달 후의 추정치를 두달 후의 추정비율에 투입 한달 후에 9,000계좌는 C, 500계좌는 L, 500계좌는 D에 있음 두달 후에 8,125계좌는 C, 475계좌는 L, 1,400계좌는 D에 있음

10 PD 추정 – Markov Chain (3) 부도가 연체 90일인 경우의 Markov Chain

11 PD 추정 – 신용카드 예시 (1) 1. 각 달의 기본 전이 매트릭스를 구함

12 PD 추정 – 신용카드 예시 (2) 2. 12개월 매트릭스를 평균한 매트릭스 5개(5년치)를 평균하여 전이매트릭스를 구함

13 PD 추정 – 신용카드 예시 (3) ……… X X X 3. 구해진 이행 매트릭스를 이용해 12개월 후 PD를 구함
12번 곱하여 12개월 후의 PD Matrix를 구함

14 PD 추정 – BackTest BackTesting과의 비교

15 PD 추정 - 추가분석 추가분석을 통해 추정치의 신뢰성을 확인 추정치를 그룹내의 타 사업부문과 비교
내부 포트폴리오 관리지표(연체 전이율 등)와 비교 외부 Benchmark와 비교 스코어에 의한 세그먼테이션이 가능한 경우, 스코어만으로 추정한 PD값과 비교

16 리스크 계량화 모델의 확장 정교한 모델의 구축을 위해서는 더 많은 데이터가 필요
PD를 MOB(대출경과기간), 스코어, LTV 단위까지 확장하여 산출 가능 신뢰할 만한 추정치를 위해서는 세그먼트별 모수가 부족하지 않아야 함 => Pool을 상위그룹의 Pool로 묶는 (Clustering)작업이 필요

17 리스크 파라미터 산출을 위한 데이터 모델 Core Table Score Table Back Testing Table
Table 1 (All Accounts) B/S와 일치하는 모든 계좌(비활성화 계좌 포함)의 데이터 Table 2 (Exiting Accounts) 월중에 상각, 상환, 매각, 다른 포트폴리오로 전이된 계좌의 데이터 Table 3 (Recoveries) 과거 모든 기간에 걸쳐 상각된 계좌의 데이터 Score Table Table 4~6 정상(비활성화 계좌 포함) / 연체1회차 / 연체2회차 계좌의 스코어 관련 데이터 Table 7~9 전월의 정상 / 연체1회차 / 연체2회차에서 상각, 상환, 매각, 다른 포트폴리오로 전이된 계좌의 스코어 관련 데이터 Back Testing Table Table 10 파라미터 추정치를 검증하기 위한 기준월의 과거 1년동안 Pool별 데이터