Home

조기경보 모델이란 금융 시스템 및 참여 기관을 정기적으로 모니터링하는 알고리즘의 집합을 의미한다[2]. 이 모델을 사용하여 개별 금융기관 및 시스템 자체의 건전성 수준을 효과적으로 정량화하고, 이 정량화를 기반으로 은행 및 기타 금융사에 영향을 미치는 잠재적 문제 및 위험과 위기를 감지한다. EWS 모델은 자본비율변동 모델과 부실회사분류 모형으로 크게 구분이 되고, 식 (1)과 (2) 같은 형식을 취한다[5].

여기서, t는 현재 시간이고 t+1은 기본 상태가 예측되는 미래 시간이라고 가정한다. y_t+1은 미래 시간 t+1에서 회사의 재무상태를 나타내는 결과 변수이고, x_t는 t까지의 시간에 수집된 재무상태 집합이다. g (x_t)와 p(x_t)는 EWS 모델 또는 알고리즘을 나타내며, ε_t+1은 시간 t+1에서의 예측 오류이다. 단, p(x_t)는 확률을 나타내며, i.i.d.(independently and identically distributed)는 서로 독립이고 동일한 분포를 의미하며, Bernoulli (p(x_t))는 p(x_t)를 확률값으로 갖는 베르누이 분포이다.

식 (2)에서 z_t+1은 0과 1의 값을 가지게 된다(z_t+1 = 1은 비정상회사, z_t+1 = 0은 정상회사를 의미한다). y_t 값은 기업의 재무상태와 밀접한 관련이 있으므로 그에 따라 움직이는 적절한 결과 변수를 선택해야 하는데, y_t는 다양한 변수가 가능하다(예를 들면, 금융회사의 자본비율). x_t값은 위험과 위기가 발생하기 전에 y_t+1의 변동을 설명하고 예측할 수 있는 일련의 주요 재무상태가 될 수 있는데, 이는 국가마다 다른 특징들을 사용하므로 그 국가 현지의 조건 고려가 중요하다. 예를 들면, 개별 은행의 RoA(Return on Assert), RoE(Return on Equity), 부동산 지수, 수익률 곡선 변화, 은행 소비자 예금 변화, GDP(Gross Domestic Product), CDS(Credit Default Swap) 스프레드, 환율 변화 등이 될 수 있다.

식 (1)과 (2)의 알고리즘을 위해서는 다양한 모델(예, 로지스틱 회귀, Random Forest, XGBoost, 자본비율변동)을 사용할 수 있지만 각 모델마다 장단점이 있을 수 있으므로 데이터의 가용성, 정확성, 그리고 적합성 등을 고려하여 선택할 필요가 있다[5]. 본 논문에서는 이러한 모델 중 가장 널리 사용되고 있는 자본비율변동(Change in equity) 모델을 설명한다. 자본비율변동 모델은 정상회사와 비정상회사를 분류하지 않는 접근법이므로 모든 자료를 활용할 수 있어 모델의 성능을 높일 수 있다. 이는 회귀(Regression) 모델을 기반으로 각 금융기관에 대한 미래 RoA를 예측하여 기본 확률을 생성한다.

자본비율변동 모델에서 기본 기준은 시간 t+1에서 자기자본/자산 비율이 어떤 임계값보다 작다는 것이다. 즉, 임계값을 예를 들어 4%로 설정하면 조건(또는 이벤트)이 식 (3)을 만족하면 회사가 불이행 상태에 있음을 의미한다.

결과적으로 기본 확률은 Pr[R_t+1 < 4%]로 표현된다. 하지만 R_t+1 값을 직접 예측하는 것은 어렵기 때문에 식 (4)와 같이 근사값으로 계산할 수 있다.

마지막 식에서 R_t 값은 시간 t에서 알려져 있으므로 유일한 불확실성은 RoA_t+1이 된다. 기본 임계값이 4%로 설정된 경우 기본 확률은 식 (5)와 같다.

이제 y_t+1 = RoA_t+1로 설정하여 식 (1)을 사용하면 2단계의 기본 확률은 식 (6)과 같다.

여기서 R_t 및 g (x_t)는 시간 t에서 알려진 상수이고, g (x_t)는 일반적으로 선형 회귀(Linear regression)가 된다. 즉 식 (7)과 같이 된다.

마지막 단계에서 예측 오차 ε_t+1의 분포를 지정하는데, 이를 지정하는 방법에는 여러 가지가 있을 수 있다. 즉, 과거 경험적 관찰로 얻은 값과 모델로 추정된 값의 차를 사용하거나, 데이터로부터 추정된 파라메트릭 분포(예, 정규 분포)를 사용하거나(그림 1 참조), 또는 향후 경제 상황을 반영한 주관적인 분포를 고려할 수 있다. 자본비율변동 모형의 결과값을 예를 들어 설명해 보면, R_t = 5%이고 g (x_t) = 1%라고 가정하면 ε_t+1의 분포를 고려할 때 금융사의 부실확률 Pr[R_t+1 < 4%]=Pr[ε_t+1 < -2%]=0.025(2.5%)가 된다. 따라서 그림 1에서 –2%보다 작은 2.5%가 부실 금융사로 예측된다.

Fig. 1. 
Insolvent propability of finantial company

한편, EWS 자동화 및 대쉬보드 가시화 관련 연구로 FSS-EWS[6]는 2008년부터 현재까지 다양한 모형들을 개발해 오고 있다. 하지만 본 논문과 같은 워크플로우 자동화나 반응형 Shiny Server 애플리케이션은 아직 구현되어 있지 않다.

R 프로그램[3]은 1990년대 초에 만들어진 강력한 통계 및 데이터 시각화 언어로써, 과학 계산 커뮤니티에서 가장 널리 사용되는 프로그래밍 언어 중 하나이다. 그러나 R의 강력한 기능에도 불구하고 2012년 Shiny 패키지[4]가 개발되기 이전에는 웹 애플리케이션을 구축하는 연구에서는 거의 사용되지 않았다. Shiny는 웹 애플리케이션을 개발하기 위해 기존의 웹 개발 언어인 HTML, CSS, 또는 JavaScript 등을 사용할 필요 없이 대규모 비즈니스 웹 애플리케이션 구축을 매우 쉽고 강력하게 만들어 줄 수 있다.

R/Shiny는 데이터 시각화나 데이터 검색을 위한 경량 웹 애플리케이션 구축뿐만 아니라 엄청난 수의 사용자 트랜잭션이 발생되는 대규모 빅데이터 서버를 구축하는 데에도 활용될 수 있다. R은 기본적인 plotting 기능, 격자(Lattice) 기능, ggplot2 라이브러리 등을 포함하여 다양한 시각화 기능이 제공되고, 특히 ggplot2 라이브러리는 과학계에서 가장 널리 사용되는 그래픽 라이브러리 중 하나로 복잡한 분석 데이터를 매우 쉽게 시각화할 수 있다. 하지만 고수준의 plotting을 위해서는 여전히 R의 문법과 기능들에 익숙해야 하고 이는 일반 사용자에게 여전히 큰 과제가 될 수 있다. 그럼에도 불구하고 R은 현재 Shiny의 혜택으로 더 많은 대화형 데이터 시각화 응용 프로그램에서 사용되고 있고 더 많은 사용자들이 R의 강력한 시각화 기능을 즐길 수 있게 되었다.

강력한 통계 및 시각화 도구 외에도 R의 또 다른 장점은 빅데이터 연구 거의 모든 분야의 데이터 분석을 위해 수만 개의 패키지를 무료로 사용할 수 있다는 것이다. 이러한 장점은 대화형 웹 서버 구축 시 R/Shiny 패키지를 적용함으로써 더욱 강력해질 수 있다. 한편, R/Shiny는 복잡한 데이터베이스를 구축하는 데에도 사용될 수 있다. MySQL은 데이터베이스 시스템 개발에 가장 널리 사용되는 오픈 소스 데이터베이스 관리 시스템으로써[7], R의 장점은 MySQL 사용을 위해 DB 인터페이스 역할을 지원하는 RMySQL 패키지의 도움으로 쉽게 DBMS를 활용할 수 있다. 간혹, 다수 사용자 액세스를 위한 데이터베이스 시스템 구축이 아닌 경우 MySQL 대신 R에서 지원되는 sqldf 패키지를 사용하여 SQL 언어를 직접 코딩할 수도 있다[3].

EWS 구조는 그림 2와 같이 데이터 층(Data layer), 비즈니스 층(Business layer), 그리고 프리젠테이션 층(Presentation layer)의 3계층 구조로 구현되어 있다. 데이터 층에서는 금융사와 자료제공 기관 등으로부터 데이터가 수집되어 업무보고서 DB와 금융시장통계 DB를 구축하고, 이 데이터를 가공하여 조기경보 DB와 메타 DB를 구축한다.

Fig. 2. 
Overview architecture of EWS

본 시스템은 R/Shiny와 MySQL과 같은 오픈 소스 플랫폼을 사용하고 워크플로우 자동화 및 시각화 웹 애플리케이션 개발을 연구 목표로 삼고 있다. 금융사나 정보제공자로부터 입수한 데이터는 Excel 파일로 저장되어 있다. 이 Excel 파일들은 워크플로우 엔진을 통해 자동적으로 Business Report DB와 Financial Statistics DB를 구축하고, 이 DB들을 이용하여 최종적으로 Early Warning DB를 구축한다. 이를 위해 Trigger와 Stored Procedure 기반 DB 기법[8]과 R 데이터 분석/처리 기능이 사용된다. 특히 본 연구에서는 조기경보 예측 작업을 위해 통계 처리에서 강력한 기능을 제공하고 있는 R 프로그램으로 작성하였고 이 프로그램은 EWS DB와 연계되어 작동된다.

새롭게 개발된 EWS는 프리젠테이션 층을 위하여 최신의 R/Shiny 기법을 사용하여 웹 기반으로 개발되어, 언제 어디서나 쉽게 시각화 데이터를 검색하고 활용할 수 있도록 개발한다. R/Shiny는 웹 애플리케이션 프레임워크로 HTML, CSS, 자바스크립트 등 웹 언어를 사용하지 않고 R 언어만으로 웹 애플리케이션을 만들 수 있다. Shiny로 만든 앱은 최신의 웹 프레임워크를 채용하고 있는 반응성(Reactivity) 모드를 디폴트로 사용하기 때문에 사용자가 입력한 값의 변화에 따라 결과가 즉각적으로 반응하는 역동적(Dynamic)인 출력을 제공해 준다. 정리해 보면, EWS는 R 프로그램과 Shiny로 오픈 소스 기반의 새로운 시스템으로 개발되었으며, 최신의 분석기법(예, 딥러닝 기술 등)을 사용하여 정확성과 효율성을 향상시킨다. 또한 웹 기반 반응형 GUI(Graphic User Interface)로 개발되어 쉽고 편리하게 활용할 수 있도록 개발되었다. DBMS는 오픈 소스인 MySQL DBMS를 사용하였고 다른 타사 제품의 DBMS로도 변경 가능하다.

R의 인기를 뒷받침하는 주요 원동력은 Shiny 패키지를 포함하여 R 커뮤니티에서 제공하는 수많은 오픈 소스 패키지라 할 수 있다. 현재 수만 개의 R 패키지가 CRAN[9], GitHub[10], rOpenSci[11] 등에서 무료로 제공되고 있다. 이러한 패키지들은 R/Shiny 웹 애플리케이션 소스 코드에 직접 적용되어 그래픽 인터페이스를 개선하거나 서버와 클라이언트 간의 통신을 강화하는 데 사용될 수 있다. 본 프로젝트를 위하여 사용된 R 패키지들은 그림 3과 같다.

Fig. 3. 
Used R packages for developing EWS

CRAN에서 가장 많이 사용되고 있는 dplyr 패키지는 R에서 데이터의 용이한 조작을 위해 만든 것이다. 우리는 dplyr에서 select, filter, mutate, summarize, group_by와 같은 함수들을 사용하였다. 대시보드는 특정 목표와 관련된 지표나 주요 데이터를 추적, 분석, 그리고 시각화하기 위해 대화형 접근 방식을 제공하는 GUI이다. 대시보드는 비즈니스, 산업, 그리고 과학 분야에서 광범위하게 활용되어 전략적 의사 결정이나 데이터 분석을 지원한다. 그동안 많은 대시보드들이 개발되었는데, 대표적으로 Google Data Studio[12], DashThis[13], IBM Watson Analytics[14], 그리고 R/Shiny 등이 있다. 이들 도구 중 R/Shiny는 대시보드를 만드는 최고의 오픈 소스 도구 중 하나로써, R/Shiny 대시보드는 shinydashboard, flexdashboard, 그리고 semantic.dashboard를 포함한 세 가지 R 패키지를 제공한다.

Shinydashboard와 flexdashboard는 각각 bootstrap 그리드 레이아웃과 CSS flexbox 레이아웃을 기반으로 구성되고, semantic.dashboard는 semantic UI를 기반으로 개발되었다. Flexdashboard는 R Markdown을 활용하여 R 이외의 코드를 최소화한다는 장점이 있고, shinydashboard와 semantic.dashboard는 Shiny용 템플릿을 제공하여 멋진 대시보드를 더 쉽게 만들 수 있도록 지원한다. Shinydashboard는 header, sidebar, body 3가지로 구성되어 있는데 각각 DashboardHeader(), DashboardSidebar(), DashboardBody() 함수를 사용하여 구축할 수 있다. 이들 3개 함수는 대시보드 페이지를 생성하는 DashboardPage() 함수 내에 배치되어야 한다. HtmlWidgets 패키지는 JavaScript 언어로 개발된 다양한 라이브러리를 Shiny에 임베딩함으로써 상호작용 기능을 추가할 수 있고, shinyWidgets을 사용함으로써 R/Shiny 애플리케이션의 GUI 기능을 향상시키며 R/Shiny에서 사용할 수 없는 다양한 위젯을 제공받을 수 있다. 예를 들면, 스위치 버튼을 사용하여 R/Shiny의 기존 확인란을 대체하고 슬라이더 텍스트를 사용하여 R/Shiny의 선택 입력을 대체할 수 있다.

ggplot2는 비즈니스 분야에서 가장 널리 알려진 시각화 관련 책 “Grammar of Graphics”의 디자인 철학을 기반으로 Hadley Wickham이 만든 패키지이다. ggplot2의 기본 구성요소는 크게 layer, scale, geom으로 나뉘며, layer는 층별로 그림을 그리겠다는 선언이고, scale은 양적 요소를 그리고, geom은 그림으로 표현된 물체를 의미한다. tidyverse는 데이터 분석에 유용한 여러 패키지들을 한테 모아 뒀는데, 데이터 시각화를 위한 ggplot2, 데이터 프레임 분석 및 처리를 위한 dplyr, 문자열 처리를 위한 stringr, 이 외에도 readr, tibble, tidyr 등 많은 패키지들이 포함되어 있어 이를 활용하였다.

R/Shin의 폭발적인 인기에도 불구하고 웹 기반 운영 환경으로 앱을 배포(Deployment)하는 것은 매우 번거롭고 복잡한 일이어서 이는 종종 비IT 연구가들에게는 힘든 작업 중 하나이다. 더욱이 기본 Shiny 앱은 하나의 앱에 여러 사용자가 동시에 액세스하는 것을 허용하지 않기 때문에 이러한 문제를 회피하는 한 가지 솔루션은 Shiny 애플리케이션을 호스팅하는 전용 웹 사이트인 Shinyapps.io[15]를 사용하는 것이다. 이는 사용자가 방화벽이나 Shiny 서버 플랫폼을 구성할 필요가 없기 때문에 Shinyapps.io에서 R/Shiny 애플리케이션을 배포하고 관리하는 것은 매우 쉬운 일이다. Shinyapps.io에서는 각 계정에 대한 토큰과 패스워드가 자동으로 생성되며, rsconnect 패키지를 사용하여 로컬 컴퓨터에서 Shinyapps.io로 R/Shiny 응용 프로그램을 업로드하고 배포할 수 있다. 이 사이트를 이용하면 최대 5개까지 R/Shiny 애플리케이션들을 무료로 배포할 수 있지만, 더 많은 애플리케이션을 배포하려면 유료 계정이 필요하다. Posit Connect[16]는 RStudio 클라우드에서 R/Shiny 애플리케이션을 호스팅하기 위해 제공되는 또 다른 서비스이다. Shinyapps.io와 비교하여 Posit Connect는 훨씬 더 많은 기능을 제공하지만 유료 사용자들에게만 공개되는 단점이 있다.

한편, 자체적으로 웹 서버를 구축하여 각 기관이 개발한 R/Shiny 응용 프로그램들을 배포하려 한다면 Shiny Server[17] 프로그램 설치가 필요하다. Shiny Server는 64비트 Linux 운영 체제에서만 실행되는 무료 오픈 소스로써, Shiny Server가 설치된 단일 Linux 서버의 방화벽 뒤에 여러 개의 R/Shiny 애플리케이션들을 배포할 수 있다. R/Shiny 애플리케이션 소스는 일반적으로 Shiny Server에서 생성된 /srv/shiny-server 디렉터리에 업로드되어야 하고, /etc/shiny-server/shiny-server.conf 파일을 편집하여 소스 위치나 포트 설정 등을 구성할 수 있다. R/Shiny 응용 프로그램은 Linux 서버가 기동되면 서버의 IP 주소와 포트 그리고 프로그램 디렉터리로 구성된 URL(Uniform Resource Location) 주소로 액세스 된다. Shiny Server 외에도 ShinyProxy[18]는 자체 Linux 서버에 R/Shiny 애플리케이션들을 배포하기 위한 또 다른 무료 오픈 소스 솔루션으로써 Shiny 앱과 Docker[19] 간의 통신에 사용되며 사용자 인증과 같은 추가 기능도 제공한다. Shiny Server는 각각의 R/Shiny 애플리케이션에 대해 단일 프로세스만 지원하는 반면에 ShinyProxy는 멀티 프로세스를 지원하므로 계산 집약적인 애플리케이션일 경우 ShinyProxy가 더 많은 이점이 있을 수 있다.

우리는 VMware Workstation[20]를 사용하여 윈도우 환경에서 Linux 가상 머신(Virtual machine)을 실행하였다. 우분투(Ubuntu)[21]는 가장 인기 있는 리눅스 무료 베포판 중 하나로, 우분투에 Docker를 설치하면 환경에 구애받지 않고 애플리케이션들을 신속하게 배포 및 확장할 수 있다. Docker는 애플리케이션들을 신속하게 구축, 테스트, 그리고 배포할 수 있는 소프트웨어 플랫폼으로, Docker는 소프트웨어를 컨테이너라는 표준화된 유닛으로 패키징하고, 이 컨테이너에는 라이브러리, 시스템 도구, 코드, 런타임 등 소프트웨어를 실행하는 데 필요한 모든 것이 포함되어 있다. 한편으론, Shiny Server와 Docker 외에도 Nginx 설치가 필요한데, Nginx는 웹 앱을 쉽고 안전하게 관리해 주는 웹 서비스 프로그램이다.

웹 애플리케이션에서는 웹 브라우저가 최종 사용자에게 그래픽 인터페이스를 제공하는 프론트엔드 역할을 한다. 서버 측에서는 컨테이너화된 소프트웨어(예를 들면, Shiny App, Shiny Server, Nginx)가 Docker 환경 내에 배포된다. 여기서 Nginx는 사용자 요청을 Shiny Server로 전달하는 역방향 프록시 역할을 하며 Shiny Server는 필요한 Shiny 애플리케이션들을 실행시킨다. Shiny Server는 여러 사용자가 동일한 Shiny 앱에 액세스하려고 할 때 수요에 맞게 컨테이너화된 Shiny 앱을 자동으로 복제하고 작업이 완료되면 삭제하는 방식으로 멀티 사용자들을 관리한다. 따라서 앞서 언급한 것처럼 기본 Shiny 앱의 단일 사용자 액세스 문제를 해결할 수 있다.

EWS 메뉴는 그림 4와 같이 데이터 처리, 탐색적 데이터 분석, 통계 모델링, 가시화 등으로 구성되어 있으며 이는 향후 수요자 요청에 따라 계속해서 하나씩 서비스가 추가될 예정이다. EWS 데이터베이스의 테이블 구성은 약 50개 정도의 속성으로 구성되어 있는데 이들 중 기본 데이터는 약 20개 정도로 구성되어 있다. 예를 들면, 날짜(date), 은행코드, CAR(Capital Adequacy Ratio), PPOP(Pre-Provision Operating Profit), House_Gap, Loan 등이 있다. 변수(Variable) 데이터는 약 30개 정도로 구성되어 있으며 기본 데이터를 사용하여 조기경보 모델에 사용 가능한 변수 모델을 계산한 값이라고 볼 수 있다.

Fig. 4. 
All menu for EWS

그림 5는 부실화된(Insolvent) 은행에 대한 로지스틱(Logistic) 회귀분석을 수행한 결과를 웹 브라우저를 통해 보여 주고 있다. 기간(Period), Cut point, After N months, 은행 타입 등을 마우스로 클릭하여 선택한 후 실행하면 그림과 같은 결과를 디스플레이 해 준다. 아래 그래프는 예측 결과로써 실제 부실화된 결과를 보여 주고 있다. 또한 그림 6의 탐색적 데이터 분석에서는 EWS의 중요한 속성 데이터라 할 수 있는 총자본(Equity), 총자산(Asset), 총부채(Liability), 대손비용(DBA, Bad Debt Allowance), 충당금적립전이익(PPOP), House Price Gap에 대한 그림을 보여 주고 있다. 조만간 로지스틱 회귀분석을 기반으로 한 머신러닝 방법들, 예를 들면, XGBoost, Random Forest, Support Vector Machine, 그리고 Deep Neural Network Model 등 다양한 모델들이 개발될 예정이다.

Fig. 5. 
Result of performing logistic regression

Fig. 6. 
Result of exploratory data analysis