DFA – 동태적 재무분석

1. 개요 Overview

동태적 재무분석(Dynamic Financial Analysis, 이하 ‘DFA’)은 대규모 컴퓨터 시뮬레이션에 기반하여 손해보험회사와 재보험회사를 통합적으로 재무 모형화하는 체계적 접근법으로, 전략적 의사결정에 따르는 위험과 편익을 평가하는 데 목적이 있다.

DFA의 가장 중요한 특징은 통합적·전체론적(holistic) 관점을 취한다는 점이다. 회사의 여러 측면을 서로 분리하여 따로따로 살펴보던 고전적 재무·계리 분석과는 대조적이다. 구체적으로 DFA는 서로 연관된 수많은 위험요인—여러 영업부문에서 나오는 인수위험(underwriting risk)과 자산위험(asset risk) 모두—에 대해 회사가 어떻게 반응하는지를 모형화한다. 보험·재보험 특유의 장기 시계(time horizon)를 반영하기 위해, DFA는 미래의 여러 기간에 대한 동태적 추계(dynamic projection)를 수행한다(한 기간은 보통 1년, 때로는 1분기). DFA 모형은 일반적으로 회계·세무 구조의 영향을 포함하여 모형화 대상 회사의 전체 재무구조를 반영한다. 따라서 DFA는 회사의 대차대조표(balance sheet)와 손익계산서(P&L)에 대한 추계를 가능하게 한다.

기술적으로 DFA는 재무학과 보험계리학의 여러 모형·기법을 하나의 다변량 동태적 시뮬레이션 모형으로 통합한 플랫폼이다. 모형의 복잡성과 긴 시계 때문에 더 이상 해석적(analytical) 계산은 불가능하다. 그래서 DFA는 확률적 시뮬레이션(stochastic simulation, 몬테카를로 시뮬레이션이라고도 함)에 기반한다. 즉 수많은 무작위 시나리오를 생성하고, 각 시나리오에 대한 회사의 반응을 평가한 뒤, 그 결과들을 통계적으로 분석한다.

이 설정을 통해 DFA는 회사 안에서 가치가 만들어지거나 파괴되는 원천, 그리고 외부 위험요인과 내부 전략적 결정이 회사의 최종 손익(bottom line), 즉 재무제표에 미치는 영향을 들여다보게 해준다. DFA의 가장 큰 미덕은 전체론적 접근 없이는 파악하기 어려운 각종 의존관계를 통찰하게 해준다는 점이다. 그래서 DFA는 통합 전사적 위험관리(enterprise risk management)와 전략적 의사결정 지원을 위한 도구다. 구체적으로 DFA는 자본관리, 투자전략, 재보험전략, 전략적 자산부채관리(ALM) 같은 문제를 다룬다.

‘DFA’라는 용어는 주로 손해보험에서 쓰인다. 생명보험에서는 이런 기법을 보통 자산부채관리(Asset Liability Management, ALM)라 부르며, 위의 용도를 포함해 더 넓은 범위에 적용된다. 은행에서도 비슷한 방법이 쓰이는데 그곳에서는 흔히 ‘대차대조표 관리(Balance Sheet Management)’라 부른다. DFA는 1990년대 후반 학계 연구라기보다 실무의 필요에서 자라났다. 그 탄생과 발전의 주된 원동력은 미국 손해보험계리사회(CAS)의 관련 연구위원회였고 지금도 그러하다.

2. DFA의 가치 제안 The Value Proposition of DFA

오랫동안—나라에 따라 1980~1990년대까지—보험업은 전략적 유연성과 혁신이 거의 없는 비교적 조용한 영역이었다. 규제는 인수할 수 있는 사업 종류와 영업 방식을 강하게 제약했다. 비교적 단순한 상품이 주를 이루었고 각 상품은 특정 위험만을 다루었으며, 인수(underwriting)와 투자(investment)는 분리되어 있었다. 이런 정적인 환경에서는 정교한 분석이 딱히 필요 없었다. 계리분석은 투자 측면과 연결되지 않은 채 인수 측면에서만 이루어졌고, 인수위험 관리 수단인 재보험은 영업부문별·지역별로 따로 구입되었으며, 금융위험에 대한 헤지 활동도 별개였다. 요컨대 정량분석은 전체를 보지 않고 고립된 사일로(silo)들을 따로따로 모형화하는 데 그쳤다.

그러나 보험업은 더 이상 조용한 영역이 아니다. 규제가 완화되어 보험사에 더 큰 전략적 유연성이 주어졌고, 그 결과 복잡한 신상품과 치열한 시장 경쟁이 나타났다. 은행업과 보험업의 전통적 구분이 점점 흐려졌고, 많은 회사가 인수·합병을 통해 통합 금융서비스 제공자로 발전했다. 인구·사회·정치적 변화, 그리고 새로운 유형의 부보위험이나 기존 위험의 성격 변화(예: 배상책임) 때문에 위험 지형도 바뀌고 있었다. 1990년대 후반 금융시장 활황은 한편으로 투자 측면에 기회를 열어 주었지만, 다른 한편으로 보험사 스스로 더 주의 깊고 까다로워진 주주를 마주하게 만들었다. 투자자가 댄 자본에 대해 충분한 수익을 내는 일이 갑자기 지극히 중요해졌다.

이런 흐름의 결과로, 보험사는 사업의 어느 한 고립된 측면이 아니라 회사 전체의 최종 손익에 유리하게 작용하도록 전략을 선택해야 한다. 서로 다른 영업부문 사이, 또는 인수위험과 금융위험 사이의 분산 기회와 상쇄 효과를 적극 활용해야 한다. 이것이 바로 통합·전사적 위험관리라는 재무학의 새로운 분야가 다루는 영역이다. 손해보험에서는 이 새로운 요구에 부응해 등장한 도구·방법을 가리켜 ‘DFA’라는 용어가 만들어졌다. 기술적 차원에서 몬테카를로 시뮬레이션이 선택된 이유는, 보험에 존재하는 긴 시계와 수많은 상호작용하는 위험요인들의 모형 결합을 다룰 수 있는 사실상 유일한 수단이기 때문이다.

3. DFA의 구성요소 The Elements of DFA

DFA는 소프트웨어 집약적 활동으로, 복잡한 소프트웨어 도구와 막대한 계산능력에 의존한다. 그러나 DFA를 순전히 소프트웨어로만 환원해서는 안 된다. 온전한 DFA는 소프트웨어 · 방법 · 개념 · 프로세스 · 숙련된 인력의 결합이며, 분석을 수행하는 숙련된 사람이 가장 결정적인 요소다. 일반적인 DFA 시스템은 크게 시나리오 생성기 → 회사 모형 → 결과 분석·표현의 구조를 가진다.

시나리오 생성기(scenario generator)는 회사에 영향을 주는 위험요인들에 대한 확률모형들로 이루어진다. 위험요인에는 보통 경제위험(예: 인플레이션), 배상책임위험(예: 자동차 배상책임 클레임), 자산위험(예: 주식수익률), 사업위험(예: 인수 사이클)이 포함된다. 시나리오 생성기의 산출물은 연구 전체 기간에 걸쳐 모든 위험요인의 결합 거동에 대한 다수의 몬테카를로 시나리오, 즉 가능한 미래의 ‘자연의 상태(states-of-nature)’들이다. 캘리브레이션(calibration)은 합리적인 시나리오를 만들어 내도록 모형의 적절한 모수를 찾는 과정으로, 어떤 DFA에서도 빠질 수 없는 부분이다. 만약 몬테카를로 시나리오를 소수의 구성된 시나리오로 대체한다면, 그 DFA 연구는 고전적인 시나리오 검정(scenario testing)과 같아진다.

각 시나리오는 이어서 회사 모형(company model, 또는 model office)에 입력된다. 회사 모형은 시나리오가 제시하는 위험요인 거동에 대해 회사가 보이는 반응을 모형화한다. 회사 모형은 여러 영업부문의 통합, 재보험계약이 인수위험에 미치는 효과, 투자 포트폴리오 구조는 물론 회계와 세무까지 포함하여 회사의 내부 재무·영업 구조를 반영한다. 회사 모형에는 경영진이 통제할 수 있는 모수들(예: 투자 포트폴리오 비중, 재보험 보유한도)이 있다. 이 모수들의 값 집합 하나가 하나의 전략(strategy)에 대응하며, DFA는 미래의 전개 속에서 서로 다른 전략들의 효과를 비교하는 수단이다.

즉 회사 모형에 입력된 각 위험 시나리오는 하나의 결과 시나리오로 사상(mapping)되며, 그 결과는 다변량일 수 있고 완전한 추정 대차대조표(pro forma balance sheet)에까지 이른다. 기호로 쓰면, 전략 s로 모수화된 회사 모형 M은 입력 시나리오 x_k를 결과 y_k로 보낸다.

몬테카를로 설정 때문에 산출값의 수가 매우 많으므로, 산출물에서 정보를 추출하려면 정교한 분석·표현 도구가 필요하다. 여기에는 통계분석(예: 경험적 적률·분위수 계산), 그래프 방법(예: 경험적 분포), 그리고 특히 나쁜 결과를 낳은 입력 시나리오를 찾아내 분석하는 드릴다운(drill-down) 분석이 포함된다. 그 결과는 회사의 목표값을 최적화하도록 전략을 다시 조정하는 데 쓰인다.

4. 시나리오 생성과 캘리브레이션 Scenario Generator and Calibration

전체론적 관점 때문에 시나리오 생성기는 서로 다른 그룹에 속한 수많은 위험요인의 확률모형을 담아야 한다. 시나리오 생성기는 몇 가지 특별한 요건을 만족해야 한다. 첫째, 개별 위험요인의 시나리오를 만들어 낼 뿐 아니라, 위험요인들 사이의 동시적 의존성(contemporaneous dependence)과 시점 간 의존성(intertemporal dependence)을 명시·반영해야 한다. 이 의존성을 무시하면 위험을 과소평가하게 된다. 실제로는 분산 기회가 없는데 있다고 모형이 잘못 시사하기 때문이다. 둘째, 시나리오는 위험요인의 ‘평소’ 거동뿐 아니라 극단적 개별·결합 결과도 충분히 반영해야 한다.

개별 위험요인에는 보험계리학·재무학·경제학의 많은 모형을 재사용할 수 있다. 인수위험의 경우 가격산정과 준비금 적립에 쓰던 모형을 비교적 그대로 가져올 수 있다. 소액다발성 손해(attritional loss)는 보통 영업부문별 손해율(loss ratio)로, 거액손해(large loss)는 비례적이지 않은 재보험 효과를 제대로 반영하기 위해 빈도–심도(frequency–severity) 방식으로 모형화한다. 거대재해(CAT) 모형화는 하나의 재해 사건이 여러 부문에 동시에 영향을 준다는 점에서 특별하며, 확률모형으로 할 수도 있지만 전문 CAT 모형의 시나리오 산출에 의존하는 것도 흔하다. DFA가 여러 해 앞을 시뮬레이션하므로, 발생손해뿐 아니라 시간에 따른 손해의 전개(특히 지급 패턴)까지 모형화하는 것이 중요하다.

경제·금융 위험요인 중 가장 중요한 것은 금리다. 단일 금리나 (선호되는) 전체 수익률곡선(yield curve)을 모형화하는 재무학 모형이 많이 있고, 인플레이션·신용스프레드·주식에 대해서도 마찬가지다. 다만 주의가 필요하다. 이들 모형 대부분은 시뮬레이션이 아니라 파생상품 평가를 염두에 두고 개발되었기 때문에, 그 구조가 수학적 편의(쉬운 평가공식)에 끌려 통계적 성질이 좋지 못한 경우가 많다. 이런 어려움 때문에 DFA의 요구(통계적 거동, 의존성, 장기 안정성)에 부응하는 통합 경제·자산 시나리오 생성기를 개발하려는 노력이 이어졌다. 가장 고전적인 예가 윌키(Wilkie) 모형이다.

시나리오 생성기에서 중요한 또 하나의 측면이 캘리브레이션, 즉 확률모형의 모수에 값을 부여하는 일이다. 고차원 공간에서 많은 모수를 추정해야 하는데 자료점은 대개 적어, 상당한 모수 불확실성이 생긴다. 따라서 DFA 시나리오 생성에 쓰는 모형은 간결성(parsimony)과 투명성이 핵심 요건이다. 캘리브레이션은 백테스팅까지 포함하여 어떤 DFA 연구에서도 빠질 수 없는 부분이다. 또한 의존하는 수많은 위험요인에 대해 여러 기간의 몬테카를로 시나리오를 만드는 일은 자명하지 않은 수치적 문제(예: 양질의 난수 생성)도 동반한다.

나아가, DFA 연구의 긴 시계에 대해 시나리오의 타당성을 판단하는 일은 근본적으로 어렵다. 역사적·현재 시장 자료에 확률모형을 적합시킨다는 것은 과거나 현재의 기대가 미래의 믿을 만한 예측이라고 가정하는 셈인데, 보험에서 흔한 5~20년 같은 긴 시계에서는 분명히 의문스럽다. 과거 자료나 현재 기대에 반영되지 않은 국면 전환(regime switch)이나 전례 없는 사건이 있을 수 있다(예: 석면 배상책임, 2001년 9·11 사건). 그래서 확률모형 기반 위험관리는 일부 판단적 위기 시나리오로 보완되어야 한다.

5. 회사·전략 모형화 Company and Strategy Modeling

시나리오가 회사를 둘러싼 세계의 미래 전개를 묘사한다면, 회사 모형은 그 시나리오에 대한 회사의 반응을 반영한다. 회사 모형의 임무는 회사로 들어오는 서로 다른 입력들을 통합(consolidate)하는 것, 즉 보험활동·투자활동·재보험의 영향을 포함한 내부 영업구조를 반영하는 것이다.

회사 모형은 비교적 단순할 수도 있지만, DFA의 목표가 회사의 최종 손익(재무제표)을 추계하는 것이므로 실무의 회사 모형은 매우 복잡한 경향이 있다. 특히 규제·회계·세무의 효과까지 반영하는데, 이것들은 보험사의 거동과 재무 결과에 큰 영향을 주기 때문이다. 그런데 이런 요소들은 형식적으로 모형화하기가 극히 어려워, 회사 모형에서 상당한 모형 불확실성(model uncertainty)이 발생한다. 일반적으로 비교적 단순한 회사 모형조차 이미 너무 복잡해서, 입력변수에서 출력변수로 가는 수학적으로 다루기 쉬운 사상이 되지 못한다. 이 때문에 동적계획법(dynamic programming) 같은 형식적 최적화 기법을 쓸 수 없다.

DFA의 회사 모형은 대개 매우 현금흐름 지향적이어서, 회사의 현금흐름(더 구체적으로는 기술적·재무적 회계 구조)을 모사하려 한다. 대안으로 경제적 가치창출의 관점으로 회사 모형을 구성하는 것도 상상할 수 있으나, 이 접근은 보험에서 잘 이해되어 있지 않다는 문제가 있다. 한편 경영진이 통제하는 회사 모형의 모수, 즉 전략의 모형화는 보통 시간에 따라 고정된 결정론적 값으로 비적응적(nonadaptive)으로 이루어진다. 그러나 DFA 연구는 보통 (1년 같은) 상당한 길이의 여러 기간을 다루므로, 어떤 시나리오에서 위험요인이 극적으로 전개되어도 경영진이 전략을 바꾸지 않으리라 가정하는 것은 비현실적이다. 이런 이유로 대차대조표 수준의 DFA 산출물은 정확성이 종종 의심받으며, DFA 연구의 진정한 가치는 오히려 회사와 위험요인의 포괄적 모형을 세우는 분석적 노력 그 자체에 있다고 보기도 한다.

6. 분석과 표현 Analysis and Presentation

DFA 시뮬레이션의 산출물은 여러 출력변수와 여러 미래 시점에 대한 다수의 무작위 복제값(가능한 결과)으로 이루어진다. 따라서 결과로부터 합리적 결론을 끌어내려면 정교한 분석·표현 기법이 필요하다. 첫 단계는 연구 목표에 비추어 의미 있는 출력변수를 고르는 일이다. 대표적인 예로 이자·세전(또는 세후) 이익, 자기자본 수준이 있다. 이런 경제적 목표변수와 함께, 전략이 현행 규제에 부합하는지 평가하기 위해 (북미의 IRIS 비율 같은) 규제값도 동시에 계산하는 것이 좋다.

목표변수 Y(예: 자기자본)에 대해 DFA 시뮬레이션은 무작위 복제값 y₁, …, y_N을 준다(N은 보통 매우 큼). 가장 일반적인 접근은 변수의 경험적 분포(empirical distribution) 전체를 분석하는 것, 즉 다음 경험적 분포함수를 계산·도시하는 것이다.

비교와 의사결정을 위해서는 결과 분포를 몇 개의 수치로 특징짓는 편이 낫다. 평균 수준에는 경험적 평균을 쓴다.

위험측도(risk measure)의 선택은 덜 분명하다. 가장 고전적인 것은 경험적 표준편차다.

표준편차는 상방·하방 편차를 똑같이 반영하는 양면(double-sided) 위험측도다. 그러나 위험관리에서는 목표변수의 하방(downside)에 더 관심이 있다. 하방위험의 인기 있는 측도가 밸류앳리스크(Value-at-Risk, VaR)로, 어떤 확률 0<p<1에 대한 Y 분포의 p-분위수다. 순서통계량 y_(k)로 다음과 같이 쉽게 계산한다.

VaR을 확장한 또 다른 하방위험 측도가 꼬리 VaR(TailVaR)이며, 기대부족액(Expected Shortfall)이라고도 한다. Y가 VaR 임계값을 넘었다는 조건 하의 Y의 기댓값으로, VaR을 넘는 복제값들을 평균하면 매우 쉽게 구해진다.

TailVaR의 특별한 장점은—VaR이나 표준편차를 포함한 대부분의 위험측도와 달리—일관성 있는 위험측도(Coherent Risk Measure)에 속한다는 것이다. 특히 다음 열성질(subadditivity)이 성립한다.

즉 분산 편익이 반영된다. 이 결합(aggregation) 성질은 다부문 회사를 분석하여 개별 부문 결과를 전체 결과와 연관 지을 때 특히 바람직하다. 또 다른 인기 있는 접근은 목표변수가 특정 임계값(예: 파산)을 넘을 확률을 계산하는 것으로, 다음과 같이 쉽게 구한다.

여러 전략에 대해 시뮬레이션을 반복하고 목표값을 계산하면, 전략들을 위험과 보상(risk & reward) 측면에서 비교하고 실현 가능한 결과 범위를 정하여 최선의 전략을 고를 수 있다. 이는 고전적 포트폴리오 이론의 위험–수익 분석과 개념적으로 매우 비슷하다. 다만 DFA는 모형 구조가 너무 불규칙해서 (볼록최적화 같은) 형식적 최적화 기법을 쓸 수 없는 것이 보통이다. 최적화는 오히려 더 나은 전략을 합리적으로 추정한 뒤 새로운 시뮬레이션으로 평가하는 식으로 이루어진다.

통계적 분석의 대안으로 드릴다운(drill-down) 방법이 있다. 특정한 의미에서 흥미로운 출력값 y_k를 골라, 그것을 낳은 입력 시나리오 x_k를 찾아내고, 그 입력 시나리오의 특성을 분석하는 것이다. 이 분석은 막대한 양의 자료 저장을 요구하며, 보통 고차원인 입력 시나리오를 의미 있게 분석하는 것도 쉽지 않다.

7. DFA 시장과 활용 사례 The DFA Marketplace and Use Cases

시장에는 DFA용 소프트웨어 패키지·컴포넌트를 (관련 컨설팅 서비스와 함께) 제공하는 회사가 여럿 있다. 다시 강조하면 DFA는 소프트웨어만이 아니라 소프트웨어·프로세스·역량의 결합이다. DFA 소프트웨어는 대체로 두 유형으로 나뉜다. 하나는 서로 다른 회사 구조에 비교적 빠르게 맞출 수 있는 유연한 모듈형 환경으로, 주로 복잡한 재보험 프로그램 구조화 같은 특정 문제를 다룬다. 다른 하나는 회사를 매우 상세히 모형화하여 내부 위험관리와 전략적 계획에 정기적으로 쓰는 대규모 시스템이다.

일반적으로 DFA는 다양한 미래 환경조건과 전략 아래에서 보험사가 어떻게 될지 가늠하는 데 쓰인다. 여기서 환경조건은 경영진이 통제할 수 없는 주제, 전략은 경영진이 통제할 수 있는 주제다. DFA가 영향을 살피는 대표적 전략 요소는 다음과 같다.

• 사업 구성(Business mix): 부문별 상대·절대 물량, 보험료·수수료 수준 등.
• 재보험(Reinsurance): 부문별·전체 계정의 재보험 구조, 계약 유형, 계약 간 의존성, 모수(출재비율, 공제액, 한도, 복원 등)와 재보험 비용.
• 자산배분(Asset allocation): 보통 전략적 수준에서, 회사 자산의 투자자산군 배분(전체 또는 통화별), 포트폴리오 재조정 전략.
• 자본(Capital): 회사 자본의 수준과 구조; 각종 자기자본·부채(배당, 쿠폰, 상환·내재옵션 포함), 부문별 자본 배분, 자본수익률.

구체적으로 DFA의 분석 능력에는 다음이 포함된다. 수익성(Profitability): 현금흐름 기준 또는 자본수익률 기준으로, 부문별 또는 회사 전체에 대해 측정. 지급여력(Solvency): 경제적·법정 기준으로 회사(또는 일부)의 지급여력과 유동성을 측정하며, 미래 지급여력·유동성 부족에 대한 조기경보 도구가 될 수 있다. 준수(Compliance): 회사 모형에 규제·법정 기준을 구현하여 규제 준수 여부나 규제 개입 가능성을 평가한다(신용평가사 기준 포함). 민감도(Sensitivity): 전략(또는 환경) 변화에 회사가 어떻게 반응하는지 탐색한다. 의존성(Dependency): 전체론적 도구 없이는 파악하기 어려운 각종 의존관계를 발견·분석한다. 대표 응용이 자산과 부채의 상호작용을 분석하는 전략적 자산부채관리(ALM)다.

DFA의 주된 사용자는 보험·재보험회사 자신으로, 보통 위험관리·계획 과정의 일부로 상시 사용한다. 컨설팅사와 브로커는 대규모 복잡 거래의 구조화 같은 특수 업무를 위해 (대개 덜 복잡한) DFA 연구를 쓴다. 새로 떠오르는 사용자층은 규제기관과 신용평가사로, 폭넓은 보험사에 적용 가능한 비교적 단순한 모형을 세워 규제·평가를 더 정량적·투명·표준화된 방식으로 수행한다.

8. 평가와 전망 Assessment and Outlook

현대 보험시장의 전개를 보면 DFA의 접근법은 의심할 여지 없이 적절하다. DFA는 위험자본과 그 구조의 관리, 전체적 수익성·지급여력 분석, 최종 손익에 최적인 비용효율적 통합 위험관리, 규제·세무·신용평가 이슈 대응 등 현대 보험에서 정말 중요한 주제를 다룬다. 더구나 본래 함께 속한 측면들을 인위적으로 분리하지 않는 전체론적 관점을 취한다.

DFA가 학계보다 산업에서 추동되었다는 점에는 단점도 있다. 실무 DFA 시스템의 여러 기능이 일정한 과학적 엄밀성을 결여하고, 개별적으로는 잘 작동하는 모형 요소들이 종종 임시변통(ad hoc)으로 조합되며, 모형변수가 많아 모형위험(model risk)이 높고, 회사 모형이 경제적 가치창출보다 회계 흐름을 따라 구성된다. 그래서 DFA는 근본적으로 옳은 일을 하지만, 그 일을 하는 방식에는 개선의 여지와 필요가 여전히 크다.

미래 전망으로, 회사 수준의 효과성은 앞으로도 경영 의사결정의 주된 척도로 남을 것이다. 몬테카를로 방법은 정량분석에서 이미 보편적이며 앞으로도 그러할 것이다. 모형은 여러 면에서 더 정교해질 텐데, 특히 (1) 단순히 현금흐름을 모사하기보다 경제적 가치창출에 초점을 두고, (2) 경영진의 유연성(managerial flexibility)을 모형에 반영하여 추계를 더 현실적으로 만들며, (3) 시나리오 생성에서 의존성과 극단값(개별·결합)을 제대로 모형화하는 것이 중요한 과제가 될 것이다. 이런 단점들이 가까운 미래에 극복된다면 DFA는 위험관리와 전략적 의사결정 지원의 업계 표준이 될 잠재력을 가지고 있다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• DFA (동태적 재무분석) — 손해보험사의 자산·부채·여러 부문을 통합하여 여러 해에 걸쳐 확률적으로 시뮬레이션함으로써 위험·수익을 평가하는 접근법.
• 몬테카를로 시뮬레이션 (Monte Carlo simulation) — 수많은 무작위 시나리오를 생성해 결과 분포를 통계적으로 분석하는 확률적 계산 방법.
• 시나리오 생성기 (scenario generator) — 경제·자산·인수 등 위험요인들의 결합 거동을 무작위로 만들어 내는 확률모형 묶음.
• 회사 모형 (company model / model office) — 시나리오에 대한 회사의 반응(통합 손익·대차대조표)을 계산하는 내부 구조 모형.
• 캘리브레이션 (calibration) — 합리적 시나리오가 나오도록 확률모형의 모수를 추정·설정하는 과정(백테스팅 포함).
• 인수위험 · 자산위험 (underwriting / asset risk) — 각각 보험 인수(클레임)에서 오는 위험과 투자(자산가치 변동)에서 오는 위험.
• 꼬리 의존성 (tail dependency) — 극단적 상황에서 위험요인들이 평소보다 훨씬 강하게 함께 움직이는 현상.
• VaR · TailVaR (밸류앳리스크 · 꼬리 VaR) — VaR은 손실 분포의 p-분위수, TailVaR(기대부족액)은 그 임계값을 넘는 손실의 평균이며 일관성 있는 위험측도다.
• 일관성 있는 위험측도 (coherent risk measure) — 단조성·열성질 등 합리적 공리를 만족하는 위험측도. 분산 편익을 반영한다.
• 전사적 위험관리 · ALM (enterprise risk management / asset–liability management) — 회사 전체를 통합적으로 보아 위험을 관리하는 접근, 그 핵심 응용인 자산부채관리.

한국보험시장 현황 Korea Market Practice

동태적 재무분석(DFA)은 한국 보험업계에서 2000년대 중반부터 일부 대형 손해보험사를 중심으로 도입되었으나, 본격적 확산은 2023년 IFRS17·K-ICS의 동시 시행을 계기로 이루어졌다. 새 제도 아래에서 보험사의 재무상태는 매 결산기마다 시장가치 기준으로 측정되며, 이에 따라 자산·부채·손익 간의 동태적 상호작용을 사전에 시뮬레이션하는 능력이 경영의 핵심 역량이 되었다. K-ICS 지급여력비율은 가용자본과 요구자본 모두 금리·신용·보험위험에 민감하게 반응하므로, "금리가 1% 상승하면 비율이 어떻게 변하는가"와 같은 질문에 답하는 스트레스 시뮬레이션이 이사회 수준에서 정례화되었다.

국내 DFA의 실무적 핵심은 자산부채관리(ALM)와 지급여력관리의 통합이다. 생명보험사는 금리 확정형 보험부채와 주식 및 채권으로 구성된 자산 사이의 듀레이션 불일치를 분기별로 모니터링하며, ORSA(자체위험·지급여력평가) 보고서에 다년 시나리오 결과를 담는다. 손해보험사는 대규모 자연재해(태풍·홍수) 시나리오를 포함한 Cat 스트레스 시뮬레이션을 수행하며, 이를 재보험 구조 설계에 연동한다. 감독당국(금융감독원)은 ORSA 결과를 정기 감독 점검 자료로 요구하며, 2027년 기본자본 K-ICS 규제 도입 이후에는 자본의 질 측면 시뮬레이션 수요도 늘어날 전망이다.

DFA 모형의 가장 큰 실무 과제는 파라미터 추정의 안정성이다. 국내 보험시장은 금리 환경이 빠르게 변화하고 실손 손해율 변동성이 높아, 과거 데이터 기반의 시나리오 생성에 불확실성이 따른다. 이를 보완하기 위해 일부 보험사는 금리·주가·환율 시나리오를 외부 경제연구소 모형과 연동하거나, 계리 모형 벤더 솔루션을 도입하고 있다.