현저히 낮은 스프레드

마지막 업데이트: 2022년 4월 28일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
KOSPI 지수와 신용스프레드 비교

현저히 낮은 스프레드

주문(Order, 注文)은 유가증권시장이나 암호화폐 시장에서 매매에 있어 자산을 매수하거나 매도해달라는 고객의 지시를 말한다.

개요 [ 편집 ]

주문의 정의는 어떤 상품을 만들거나 파는 사람에게 그 상품의 생산이나 수송, 또는 서비스의 제공을 요구하거나 부탁하는 것, 또는 그 요구나 부탁으로 유가증권시장이나 암호화폐 시장에서 주문은 매매에 있어 자산을 매수하거나 매도해달라는 고객의 지시를 말한다. 현대 시장에서 주문은 전화나 온라인 거래 플랫폼(HTS)을 통해 이뤄진다. 투자자들이 주문할 때 자산의 가격이나 시간에 제한이 있을 수 있으며 이러한 제한은 투자자의 손익에 영향을 미치고 어느 시점에서 주문이 실행되는지 영향을 준다. 이러한 제한 말고도 어떤 주문 유형을 사용하는지는 투자자의 성격이나 투자 방식에 따라 달라진다.

일반적으로 투자자는 매매를 원할 때 본인이 선택한 주문 방식에 따라 자산을 사고팔 수 있다. 투자 전략을 구성하여 원하는 주문 유형을 사용해 자산을 사고팔기로 결정한 뒤 주문을 넣는다. 이 주문은 중개자(거래소)에게 매매 진행 방법에 대한 지시를 내린다. 투자자가 거래소를 통해 매매 위탁을 내리는 것을 위탁매매라고 하며 대부분의 투자자는 이러한 위탁매매 방식을 이용한다. 투자자가 사용하는 주문 유형에 따라 거래 결과에 큰 차이가 생긴다. 예를 들어 현재 거래되는 가격보다 현저히 낮은 가격에 매수 주문을 넣는다면 거래 자체가 이뤄지지 않을 수 있다. 반대로 큰 차이가 나지 않는 현저히 낮은 스프레드 가격에 매수 주문을 넣으면 많은 이익이 생기지 않을 수도 있고 손해를 볼 수도 있다.

매수가(Bid price; 입찰가, 매입가)는 누군가가 자산에 구매하는 것에 지불할 의사가 있는 가장 높은 가격이다. 매도가(Ask price, Offer price; 입찰가, 매각가)는 누군가가 자산을 판매하는 것에 지급받을 가장 낮은 가격이다. 투자자가 선택한 주문의 유형이 오더북에 주문이 채워진 가격, 채워질 시기 등에 영향을 받기 때문에 이 입찰 과정은 매우 중요하다. 오더북에 주문이 추가되는 주문을 메이커 주문이라 하며, 오더북의 채워진 주문을 가져가는 주문을 테이커 주문이라 한다.

주문 유형 [ 편집 ]

투자자는 중개자(거래소)를 통해 매매할 때 많은 주문 유형 현저히 낮은 스프레드 중 하나를 선택해야 한다. 국가, 거래소에 따라 지원하거나 사용 가능한 주문 유형이 다르다. 가장 기본적인 주문 유형은 다음과 같다.

  • 시장가주문 : 가격을 지정하지 않고 수량만 지정하여 주문을 넣는 즉시 매매되는 주문이다.
  • 지정가주문 : 가격과 수량을 지정한 주문이다.
  • 조건부주문 : 특정한 조건이 만족할 때 매매를 실행하는 주문이다.
  • 가격지정주문(역지정가주문) : 손절매라고 부르며 손해를 최소화하기 위한 주문이다.
  • 스톱리밋주문 : 역지정가주문과 지정가주문을 합친 주문으로 자산의 가격이 지정된 가격에 도달하면 더 유리한 가격으로 거래가 체결되는 주문이다.
  • 동시호가 : 매매 시 동시에 접수된 호가나 시간의 전후가 분명하지 않은 호가를 합쳐서 체결하는 주문이다.
  • 메이커 : 주문을 넣는 즉시 체결되지 않아 오더북에 유동성을 추가하는 주문이다.
  • 테이커 : 주문을 넣는 즉시 체결되어 오더북에 유동성을 가져가는 주문이다.
  • 이외의 기타 주문 유형들.

매매 조건 [ 편집 ]

투자에 이용하는 주문에 특정한 조건을 붙이는 주문이다.

  • GTC : 취소 시한 유효 주문이라 부르며, 제출한 주문이 취소되거나 체결될 때까지 유효한 조건이다.
  • IOC : 즉시 현저히 낮은 스프레드 집행 취소 주문이라 부르며, 주문이 즉시 체결한 이후 남은 잔량을 자동 취소하는 조건이다. FAK(Fill And Kill)이라고도 불린다.
  • FOK : 성립 취소 주문이라 부르며, 주문이 즉시 전량 체결하거나 자동으로 전량 취소하는 조건이다.
  • FAS : 성립 대기 주문이라 부르며, 주문이 즉시 체결 가능한 주문을 체결하는 남은 잔량은 당일 장이 마감하기 전까지 오더북에 대기시키다 장이 마감되면 취소하는 조건이다.

참고자료 [ 편집 ]

  • 〈Order〉, 《인베스토피디아》

같이 보기 [ 편집 ]

이 주문 문서는 암호화폐 거래에 관한 글로서 검토가 필요합니다. 위키 문서는 누구든지 자유롭게 편집할 수 있습니다. [편집]을 눌러 문서 내용을 검토·수정해 주세요.

LG화학 주가가 부진을 딛고 반격에 나서고 있다. 그 배경에는 원료 가격 하향 안정화와 판매가격 유지에 따른 스프레드 확대가 있다. 중장기적 관점에서 볼 때, 석유화학 설비 신증설 규모는 크지 않을 것으로 예상되고 있어 비용축소로 인한 향후 이익개선세도 기대된다. 최근 저유가로 인한 글로벌 경기회복 전망이 제기되고 있어 스프레드 확대에 따른 추가적인 주가 상승 가능성에 무게가 실리고 있다.

22일 LG화학의 주가는 전일의 하락을 딛고 다시 장중 29만원까지 오르는 등 상승세를 타고 있다. 지난 1월 16만3000원의 저점을 기록한 이후 이날까지 70%가 넘는 놀라운 상승률을 보였다. 같은기간 코스피 지수는 14%대의 상승률을 나타내 LG화학 주가의 상승률 대비 현저히 낮은 수준을 기록했으며 화학업종지수도 45%대를 올라 LG화학의 주가 상승률에 미치지 못했다.

그렇다면 어떤 요인이 LG화학의 주가를 코스피는 물론 업종대비 큰 폭으로 상승하게 만들었을까. 넓은 관점에서 본다면 국제유가의 하향 안정세에 이은 글로벌 경기회복의 기대감이다.

지난해 여름부터 국제유가는 본격적으로 하락하기 시작했다. 서부텍사스유(WTI)를 기준으로 보면 지난해 10월 WTI는 배럴당 90달러를 이탈하기 시작해 올해 1월에는 배럴당 44.53달러의 최저치를 기록했다. 불과 4개월 남짓한 기간 동안 유가가 반토막이 난 것이다. 두바이유와 브렌트유도 예외일 수 없었다.

미국의 셰일혁명으로 인한 원유생산력 증대 및 석유수출국기구(OPEC)의 경쟁적 증산으로 인해 공급발 유가하락은 지속됐다. 심지어 미국의 원유 증산으로 석유를 저장할 곳이 없어질 경우 미국은 원유 수출을 감행할 수밖에 없다는 전망이 제기되면서 유가반등의 실마리조차 찾을 수 없었다. 유가수준에 민감한 화학업종들의 전망은 더욱 어두워 보였다. 다만, 일부 전문가들은 유가의 추가적 하락에 대한 우려도 크지 않았다고 주장했다.

이는 시장의 수요와 공급논리에서 찾아볼 수 있다. 일반적으로 생산자는 판매가격보다 생산가격을 낮춰야 이익이 크게 남는다. 유가가 낮아지는 상황에서 원유 공급자 즉, 생산자들이 지속적인 증산을 할 유인이 크지 않다는 것이다. 글로벌 에너지업체들은 물론 중동산유국들의 손익분기점(BEP)가 거론되는 상황에서 자연스레 그 경쟁강도는 낮아진다는 분석이다.

그러나 이것만으로는 국제유가의 하방 경직성을 설명할 수 있지만 상승 반전을 점치긴 어려웠다. 설령 공급은 줄어들어도 상대적 수요가 증가하지 않으면 유가는 오를 수 없기 때문이다. 이러한 상황이 전개되는 가운데 WTI는 어느 덧 지난 2월 고점인 배럴당 53달러 수준을 넘어서고 있다. 마치 수요가 증가할 것이란 기대감이 반영되는 듯하다.

저유가는 분명 에너지비용을 낮춰 기업과 가계 등 경제활동 주체의 소비력을 높인다. 50% 이상 급락한 유가를 고려하면 이는 분명 향후 글로벌 소비 경제에 긍정적이라 할 수 있다. 문제는 이러한 시차가 현실로 반영되는데 약 6개월의 시간이 소요된다는 것이다. 유가하락이 지난해 여름부터 시작돼 10월부터 본격화 됐다는 점을 고려하면 현재는 저유가의 긍정적인 효과가 경기에 반영되는 시기다. 글로벌 경기 회복에 대한 기대감이 높아지는 이유도 여기에 있다.

납사와 석유화학 제품 가격 스프레드 확대. CAPEX도 낮은 수준

LG화학의 수익을 측정하는 현저히 낮은 스프레드 방법은 주된 원료인 납사가격과 석유화학제품의 가격 차이를 확인하는 것이다. 납사의 가격이 낮을수록 석유화학제품의 가격이 높을수록 LG화학의 수익성은 증가한다. 석유제품인 납사는 특성상 유가에 연동되지만 석유화학제품은 가격은 경기에 연동된다. 현재 미국발 셰일오일 공급과잉을 감안할 경우 유가는 큰 폭의 반등세를 보이기는 어려운 반면, 글로벌 경기회복이 가시화 될 경우 석유화학제품 가격은 상대적으로 높은 상승세를 보일 가능성이 있다. 따라서 향후 유가 상승률은 더딜수록, 경기 회복은 빠를수록 LG화학의 수익성 증대는 더욱 가팔라지는 구조다.

여기서 또 한 가지 중요한 사실은 NCC(납사분해설비) 원료인 납사가격이 큰 폭으로 하락해 경쟁 설비인 북미와 중동의 ECC(에틸렌가스기반) 대비 생산원가 차이가 현격히 축소됐다는 것이다. 유가가 급락하면서 상황이 달라진 것이다. 그만큼 NCC의 경쟁력이 높아졌다고 할 수 있다. 이는 다시 석유화학제품의 가격인하 여지로 작용한다는 점에서 NCC 고객사에게도 긍정적으로 작용해 수요증대를 이끌 수 있다. 그만큼 NCC 기반 업체들의 매출확대에 일조하게 된다.

황유식 메리츠종금증권 연구원은 “1분기는 원재료 투입 시차에 의한 고가 원재료 투입으로 수익 개선이 일부 반영됐다”며 “2분기에는 저가 원재료 투입으로 확대된 스프레드가 분기 실적으로 온전히 반영될 것”이라고 전망했다.

또 다른 긍정적 요소는 석유화학 업종의 CAPEX(자본적지출)가 정점에 이르러 하강 기미를 보이고 있다는 것이다. CAPEX란 미래의 이윤창출을 위해 기업이 설비투자를 하는 것으로 CAPEX가 감소한다면 그만큼 기업의 비용이 감소하게 돼 실제 기업의 현저히 낮은 스프레드 현금흐름은 긍정적으로 나타난다.

ROE 개선여부에 주가 가치 달라진다. 신사업 성장 필요

증권업계에 따르면 21일 기준 LG화학의 올해 예상 매출액은 전년대비 6.2% 감소한 21조1758억원으로 예상되는 반면, 영업이익은 전년대비 30.9% 대폭 상승한 1조7157억원으로 관측되고 있어 상대적 실적개선이 예상된다. 주당순이익비율(PER:시가총액/순이익)로 보면 향후 12개월 기준 15.66배로 업종 PER 24.14배 대비 저평가 수준이다. 주당순자산가치비율(PBR)은 1.72배로 나타나 자산가치 증대에 대한 기대감도 반영돼 있다. 하지만 증권사별 목표주가는 24~36만원으로 폭넓게 추정되고 있어 그만큼 업계상황과 미래를 명확히 말하기 어려운 것으로 보인다.

이런 상황에서는 자기자본이익률(ROE) 추이를 반드시 확인해야 한다. 지난해 말 기준 LG화학의 자기자본이익률(ROE)는 7.3%를 기록했다. ROE는 총자본대비 순이익비율로 지난 2010년 30% 넘는 수준을 기록한 데 비해 상당히 큰 폭으로 하락했다.

ROE(순이익/자기자본)를 주당순이익비율(시가총액/순이익)와 비교하면 현재 주가는 약간의 고평가라 할 수 있다. 두 지표의 수식을 보면 순이익이라는 공통점이 존재한다. 주당순이익비율 15.66배를 역산하면 6.38%(1/15.66)로 계산된다. 따라서 현재 주가 수준에 투자하는 것은 LG화학의 ROE(7.3%)대비 수익성이 낮아 LG화학의 주가는 약간 고평가라 할 수 있다. 하지만 향후 LG화학의 영업이익 증가에 따른 순이익 증가로 ROE가 상승할 경우 현재 주가 수준이 오히려 저평가가 될 수 있다.

결국 현재 LG화학 주가의 현저히 낮은 스프레드 가치는 향후 ROE를 높일 수 있느냐 여부에 따라 달라진다. ROE는 결국 기업의 순이익을 포함하고 있으며 순이익은 영업이익의 개선여부에 달렸다. 유가는 공급발 요인을 인해 상승이 더딜 것으로 예상되는 반면, 글로벌 경기회복에 따른 석유화학제품 수요 증대는 분명 LG화학의 영업이익을 확대시킬 수 있는 요인이다.

그러나 안심할 수만은 없는 상황이다. 2차전지 등 새로운 성장동력을 모색하고 있으나 전체적인 관점에서 보면 LG화학의 수익구조는 여전히 석유화학부문에 집중돼 있다. 그만큼 향후에도 국제 유가 변동성에 휘둘릴 수밖에 없다는 것이다. 오히려 LG화학의 규모는 ‘셰일혁명’ 이전보다 커지면서 에너지를 둘러싼 정세불안 혹은 경기침체 등이 이어질 경우 그 후폭풍은 더욱 거셀 것으로 보인다. LG화학이 향후에도 꾸준히 그리고 안정적으로 투자자들의 선택을 받기 위해서는 정보전자소재부분과 전지부문의 빠른 수익성 개선이 필요하다.

마음이 편한 투자자

프로필사진

베타헌터

  • 분류 전체보기 (46)
    • 마음이 편한 투자를 합시다 (7)
    • 나의 포트폴리오 (10)
    • 경제&투자 공부 (10)
    • ETF 투자 아이디어 (11)
    • 미국투자 이야기 (8)
    « 2022/07 »
    1 2
    3 4 5 6 7 8 9
    10 11 12 13 14 15 16
    17 18 19 20 21 22 23
    24 25 26 27 28 29 30
    31

    마음이 편한 투자자

    시장 위험지표 : 버핏지수, VIX, 신용스프레드, 장단기금리차 본문

    시장 위험지표 : 버핏지수, VIX, 신용스프레드, 장단기금리차

    대중적인 시장 위험지표들을 모아보았다.

    버핏지수

    버핏지수 버핏지수는 2001년 워렌 버핏이 소개한 개념으로 주식시장의 밸류에이션을 판단하기 위해 그 나라 시가총액을 국내총생산(GDP)과 비교해 보는 것이다. 이는 그 나라에 상장한 모든 기업

    (버핏지수는 며칠 전 작성한 글이 있으니 설명 생략. )

    VIX(변동성지수)

    S&P500 Volatility Index는 S&P500 옵션 가격을 이용하여 기초자산의 향 후 30일 변동성에 대한 시장의 기대를 지수로 나타낸 것이다. S&P500 VIX가 30이라면 앞으로 한달 간 S&P500 주가가 30% 등락할 것이라고 예상하는 시장참여자가 많다는 의미다.

    VIX 지수는 주가와 음(-)의 상관관계를 가지므로 VIX가 높아지면 지수가 낮아지고, VIX가 낮게 유지 되면 지수가 상승하는데 주가가 하락할 때 변동성이 커지고, 주가가 상승할 때는 천천히 오르기 때문이다. VIX가 30 이상인 구간에서는 변동성이 큰 약세장으로 판단하고, VIX가 20 이하인 구간에서는 변동성이 낮은 강세장으로 판단한다.

    VKOSPI 지수(파란선)와 KOSPI 주가지수(보라색선) 비교

    하이일드 스프레드(신용 스프레드)

    하이일드 채권은 고위험, 고수익 채권으로 투자 등급 채권보다 신용 등급이 낮은 투기 등급 채권(정크본드 라고도 부른다)을 의미한다. 스탠다드앤푸어스(S&P) 평가기준으로 BB 등급 이하인 채권을 말한다.

    하이일드 스프레드는 고위험 채권의 수익률(금리)과 국채 수익률 간의 차이를 의미하며 시장의 위험 지표로 현저히 낮은 스프레드 활용 된다. 미국의 하이일드 스프레드는 FRED에서 쉽게 조회 할 수 있다. https://fred.stlouisfed.org/series/BAMLH0A0HYM2#0

    위 차트에서 회색 영역이 경기침체 구간(앞에서부터 닷컴버블, 글로벌 금융위기, COVID-19)이다. 거시 경제가 안 좋았을 때 스프레드가 확대 되었다. 경기가 나쁘면 부도 위험이 높은 하이일드 채권 수요가 줄기 때문에 하이일드 채권 금리 상승으로 스프레드가 확대 된다. 그러므로 하이일드 스프레드가 상승하는 상황에는 시장 참여자들의 경기 전망이 좋지 않다고 해석할 수 있다.

    아쉽게도 한국의 신용 스프레드를 실시간으로 제공하는 사이트는 찾지 못했다.(혹시 아는 분 제보 좀. ) 기사를 좀 찾아보니 한국의 신용 스프레드는 보통 AA- 이하 등급 채권과 3년물 국채 수익률을 기준으로로 비교하고 있었다. 그래서 AA- 등급 채권의 스프레드를 2018년부터 월간으로 조사했다. (https://www.kisrating.com/ratingsStatistics/statics_spread.do#)

    KOSPI 지수와 신용스프레드 비교

    장단기 금리차

    장단기 금리차는 10년물 국채와 2년물 국채 간의 수익률 차이를 의미한다. 장단기 금리차는 경기 전망 선행지수로 활용 되는데 장단기 금리가 역전 되면 경기침체의 전조로 해석한다.

    장단기 금리차가 0 이하로 내려가면(장단기 금리 역전) 어김 없이 경기침체가 있었다.

    장단기 금리 역전이 일어나는 이유는 시장참여자들이 경기 전망을 어둡게 보아 장기물에 대한 수요가 감소하면서 발생한다. 장단기 금리 역전이 일어나면 금융권의 예대마진 악화 우려가 커지고 이에 따라 기존 대출 회수가 일어나고 기업의 투자가 감소하게 된다.

    장단기 금리차가 확대 되는 국면은 시장참여자들이 호경기를 전망하는 것으로 해석할 수 있다. 위험자산의 수요가 늘고 그에 따라 장기물의 금리가 상승하기 때문이다. 반대로 장단기 금리차가 축소 되면 시장참여자들의 미래의 경기를 부정적으로 전망한다는 뜻이다. 안전자산인 채권의 수요가 늘고 그에 따라 장기물의 금리가 하락하기 때문이다.

    미국의 장단기 금리차는 역시 FRED에서 쉽게 조회 할 수 있다. https://fred.stlouisfed.org/series/T10Y2Y#0 반면 한국의 장단기 금리차를 실시간으로 트래킹 해주는 곳은 찾지 못하였다.

    10년물 수익률(파란선), 3년물 수익률(빨간선), KOSPI(보라색선)

    한국은 그동안 10년물 금리와 3년물 금리가 역전 된 적은 없다. 2019년에 스프레드가 역전을 눈 앞에 둘 정도로 축소 되었는데 이때 한국은행 이주열 총재가 장단기 금리 역전으로 경기 침체를 예단할 수 없다고 말한 바 있다.

    이 총재는 이에 대해 "장단기 금리 역전만으로 우리 경제가 경기 침체에 빠질 것이라 예단하는 건 무리가 있다고 생각한다"면서도 "(장단기 금리 역전이) 대체로 경기둔화 우려가 높은 시기에 발생하고 최근 대외여건 현저히 낮은 스프레드 악화로 거시경제 하방 리스크가 높아진 점을 감안할 때 성장세를 뒷받침하기 위해 한은의 통화정책을 완화적으로 운용할 필요가 있다고 생각해 정책 기조를 이어가고 있다"고 말했다.

    이는 과거에는 장기물이 duration에 따른 프리미엄을 반영하여 더 높은 금리를 주는 것이 당연했으나 양적완화 시대에 접어 들어 프리미엄이 작아졌기 때문이다. 그로 인해 과거보다 장단기 금리 역전이 자주 일어날 수 있는 환경이 되었으며 더 이상 장단기 금리 역전을 경기 침체 신호로 볼 수 없다는 견해이다.

    믿을 수 없는 선생님, 믿을 수 있는 인공지능

    믿을 수 없는 선생님, 믿을 수 있는 인공지능

    8월은 특별하다. 영국의 8월은 기분좋은 더위가 감싸는 한국의 5월을 닮았다. 파란 하늘과 상쾌한 햇살이 모두를 자리에서 일어나게 한다. 1년 대부분을 우울한 날씨에 묶여있던 영국인에게 짧은 여름은 늘 특별하다. 영국 남서 해안도시 브리스톨, 20살 샘 티어에게 2020년 8월은 더 특별한 여름이었다. 샘은 치과의사가 되고 싶었다. 2020년 8월에는 샘이 응시한 영국 대학입시 (A-level 테스트) 결과가 발표되었다. 샘은 6월 대학입시 시험을 끝내고 여름내 창고형 DIY 상점에서 아르바이트를 하면서 8월을 기다렸다. 샘은 같은 해 봄, 카디프 대학 치의예과에 지원했다. 카디프대 치의예과는 샘이 선택한 세 과목의 A-Level 테스트 결과 A*AA를 조건으로 합격을 알려왔다. 샘은 영국 교육부 산하 대학입시 주관 기관인 OFQUAL이 인증하는 A-Level 테스트 최종 결과와 대학 합격 소식을 듣게될 아주 특별한 8월을 상상해왔다. 2020년 8월 13일 샘이 받은 A-Level 테스트 최종 성적표에는 카디프대 치의예과 합격 조건에 한참 못미치는 BBB가 또렷이 프린트되어 있었다. 샘이 지원한 카디프 대학은 샘에게 불합격 통보를 해왔다. 샘이 기대한 2020년 8월은 어긋나고 말았다. 샘의 기대가 어긋나기 시작한 것은 이보다 앞선 같은 해 3월이었다.

    자동 알고리즘이 대신한 대학입시 평가

    5개월전 3월 18일 코로나-19 확진자와 사망자 급증으로 영국 정부는 황급히 전국 봉쇄명령을 발표했다. 샘이 다니던 고등학교도 수업을 진행할 수 없었다. 이후 계속되던 혼란은 A-Level 테스트 취소까지 이어졌다. 교육부는 입시생의 학교에서 시행한 A-Level 모의고사 성적과 내신평가에 기반하여 담당 교사가 개별학생의 최종 대학입시 예측 점수를 산정할 것을 결정했다. 그렇게 예측된 결과는 6월 OFQUAL에 보내졌고, OFQUAL은 최종 공식 시험결과를 8월 11일 개별 학생에게 통보했다. 담당 교사가 평가했던 샘의 성적은 카디프 대학이 요구했던 A*AA이었다. 하지만 OFQUAL이 샘에게 통보한 최종 성적은 BBB로 하향조정되었다. OFQUAL은 대입 형평성과 공정성 보장을 위해 과거 대입결과를 적용하여 교사의 대입 예측결과를 보정하였다. 샘과 같이 교사의 시험예측결과가 OFQUAL에 의해 하향 조정된 수험생 숫자는 전체 수험생의 39%인 약 28만명에 달했다 . 예측점수보다 하향조정된 성적을 받아 응시 대학에서 불합격 통보를 받은 학생들은 OFQUAL에 시험결과 재심을 요청했다.

    영국의 언론은 전체 시험성적 분포 관련 분석 기사를 내보내기 시작했다. 분석기사를 본 학생과 학부모는 “Trust the teachers(선생님을 믿어라)!”라는 피켓을 들고 거리로 나왔다. 예상을 벗어난 결과로 인한 실망이 참을 수 없는 분노로까지 터져나온 이유는 시험결과 하향조정 뿐만이 아니었다. 성적이 하향조정된 대부분 학생이 재학중인 학교는 빈곤 지역에 위치하고 과거 대학입시 결과가 낮은 편에 속했다. 또한 입시생의 2.2%는 시험결과가 상향조정되었는데, 그들 중 부유한 지역 사립학교 재학생 점수는 4.7% 오른 반면, 비사립학교 학생 점수는 2% 올랐다. 부유한 지역 학생 점수가 그렇지 못한 지역 학생 점수보다 두 배 이상 상승된 것이다. OFQUAL은 최종 시험결과 결정에 사용된 보정과정을 공개했다. 공정성 담보를 위해 교사제출 결과를 OFQUAL이 개발한 알고리즘으로 보정하였다. 개별 교사는 시험예측 결과를 부풀릴 수 있다는 우려에서다. 알고리즘은 각 현저히 낮은 스프레드 학교별 최근 3년 시험결과 데이터를 반영하여 최종점수를 계산하였다. 알고리즘 계산이 오히려 불공정 시비를 불러오자 교육부는 최종시험결과 통보 후 4일만인 8월 17일 OFQUAL의 결정을 취소했다. 대신 각 교사가 제출한 예측결과가 대입 최종결과로 인정되었다.

    가치중립적이고 공정한 인공지능?

    영국 대입 사례는 공정성과 효율성을 위해 알고리즘을 적용한 경우다. 교사 개인 판단에 기반한 대입시험 예측결과는 학교별 편차를 가져오고, 이는 전국적으로 경쟁하는 대학입시의 경우 불공정을 초래할 수 있다. 이를 피하기 위해 교사의 개인 감정이 개입되지 않는 알고리즘 적용은 공정한 시험 예측결과를 낼 것으로 기대했다. 하지만 알고리즘 활용으로 드러난 것은, 확연한 불공정 결과와 알고리즘 판단 취소로 인한 정부 예산 낭비, 대학 현저히 낮은 스프레드 현저히 낮은 스프레드 신입생 선발 혼란이었다. 하지만 이런 어처구니 없는 낭패는 영국 교육부가 저지른 일회성 실수로만 보긴 어렵다. 자동 알고리즘을 만능 해결사로 맹신한 여러 조직에서 비슷한 오류를 보여왔다. 자동 알고리즘 의사 결정이 편향성 띤 차별적 결과를 가져올 수 있다는 것은 이미 충분히 경고되어 왔다.

    자동 알고리즘의 A-Level 예측 점수 보정법

    OFQUAL이 사용한 알고리즘은 과거 데이터를 어떻게 분석하였길래 어이없는 결과를 초래했을까? 이 궁금증에 대답을 구하던 많은 데이터 과학자는 OFQUAL이 발표한 보정과정을 분석한 결과를 내놓았다. 알고리즘은 과목별 교사의 예측점수로 응시생이 재학중인 학교내 해당과목 순위를 결정한다. 이 순위를 같은 학교의 과거 3년간 해당과목 시험점수 분포와 비교한다. 과거 시험점수 분포에서 동일한 순위의 시험점수가 통계적으로 유의미하게 교사 예측시험결과에서 벗어나면, 알고리즘은 최종시험성적을 하향조정한다. 과거 해당 학교 시험성적이 낮은 편이었고 현재 응시생이 그를 뛰어넘는 결과를 냈을 때, 알고리즘은 응시생 성적을 끌어내렸다. 또한 “통계적으로 유의미한” 차이가 보일 때만 보정을 적용했으므로, 사립학교와 같이 재학생수가 적은 경우 보정과정이 적용되지 못했다. 과목당 응시생 숫자가 너무 적어 통계적으로 유의미한 모집단을 확보하지 못했기 때문이다. 이 경우 교사 예측점수가 그대로 받아들여졌다.

    인공지능은 용어가 뜻하듯 인간이 만든 지능이다. 인간이 만든 지능임에도 불구하고 인간을 훨씬 능가하는 지능적 임무를 수행하고(예: 알파고), 인간이 수행하던 업무를 인간보더 더 빠르고 광범위하게 해내기도 한다(예:검색 엔진을 통한 광범위한 자료 검색, 네비게이터의 최적 경로 찾기 등). 이런 이유로 인공지능이 내리는 판단은 모든 면에서 인간을 능가하리라는 오해를 낳기도 한다. 인간을 대체하는 의사결정을 내릴 때도 인간보다 더 다양하고 광범위한 데이터를 검토할 수 있기에, “공정한” 의사결정을 내릴 것을 기대한다. 하지만 인공지능이 의사결정을 내리기 위해 지능을 갖추어가는 과정을 살펴보면, “편향성”이 유입될 경로를 발견할 수 있다. 인공지능이 지능적 의사결정을 내리기 위해선 보통 다음과 같은 네가지 절차를 거친다.

    데이터 수집: 인공지능이 학습해야 할 데이터를 수집한다. 예를 들어 개인의 신용등급을 평가하는 인공지능 알고리즘은 개인 신용 상태를 유추할 다양한 데이터를 수집한다. 이미 신용등급을 받은 개인의 현재 수입, 과거 신용등급, 빚의 유무와 규모, 현재 은행 잔고, 과거 대출 상황 등을 수집한다. 이 때 판별할 신용등급에 따라 충분한 양의 데이터가 수집되어야 한다.

    인공지능 의사결정 모델 구축: 수집된 데이터에 숨겨진 반복된 패턴을 찾기위해 인간은 인공지능 알고리즘을 설계한다. 알고리즘은 컴퓨터에 의해 이행되며, 인간이 정의한 인공지능 학습 최적 목표를 달성하는 것으로 인공지능 모델(주로 통계적 수식)이 완성된다. 신용평가 사례의 경우 신용등급별로 수집된 데이터에서 발견된 반복된 패턴을 기술하는 인공지능 모델이 만들어진다. 이는 인공지능 의사결정 모델이 각 신용등급을 특징하는 패턴의 수학적 관계를 파악해낸 것을 뜻한다.

    인공지능 의사결정 모델을 이용한 의사결정: 인공지능 모델 구축시 사용되지 않았던 새로운 데이터가 주어졌을 때 판단을 내린다. 예를 들면 새롭게 신용등급 평가를 원하는 지원자의 관련 데이터를 보고 2)에서 만들어진 인공지능 모델은 지원자의 신용등급을 판정한다.

    인공지능 의사결정 모델의 지속적 업데이트 : 인공지능 의사결정 모델은 새롭게 수집되는 데이터에 따라 지속적으로 수정된다. 신용평가 사례에서는 신용등급에 따라 추가되는 데이터를 다시 학습하도록하여 인공지능 모델로 정의하는 등급별 미세한 수학 변수 값을 최적화한다.

    이상의 절차에서 알 수 있듯이 인공지능이 지능을 얻게되는 과정은 인간의 개입없이 전자동으로 이루어지는 것이 아니다. 매 단계마다 인공지능 설계자인 인간에 의해 많은 변수들이 결정되고 조율된다. 인간의 개입이 어떻게 이루어지는가에 따라 인공지능의 판단은 크게 달라진다. 신용평가의 예를 들자면 1)의 과정에서 각 신용등급을 충분히 설명할 데이터가 무엇인지 결정하고 모으는 것, 2)의 과정에서 인공지능 모델 구축을 위한 학습 알고리즘을 설계하고 알고리즘 학습 목표를 정의하는 것, 3)의 과정에서 인공지능 판단을 참조하여 지원자의 최종 신용등급을 판정하는 것, 4)의 과정에서 새로운 데이터 수집하고 인공지능 모델에 사용된 변수 값을 재조율 하는 것 등은 모두 인간이 이행하는 과업이다. 따라서 인공지능은 인간이 개입하지 않아 감정이 없고, 결국은 가치중립적이고, 공정하다는 판단은 잘못된 것이다.

    알고리즘 의사결정 과정에서 생기는 편향성

    인공지능 알고리즘이 지능을 만들어가는 과정은 인간과 함께 하기에 과거 인간이 보였던 편향성을 그대로 갖게된다. 과거 신용등급 평가시 학력이나 성별, 혹은 주소 등으로 차별을 둔 관행이 있었다면 그 관행이 그대로 학습 데이터에 기록되어 있을 것이고, 그것을 그대로 인공지능은 학습한다 . 상용화된 얼굴 인식 알고리즘의 경우 유색인종의 학습 데이터 부족으로 유색인의 얼굴을 가려내는 정확도가 현저히 낮다는 것은 이미 잘 알려져있다 . 신용평가 사례도 마찬가지로 어떤 한 등급에 충분한 양의 데이터를 수집하지 못했다면 인공지능 신용평가 시스템은 그 등급을 판단할 충분한 지능을 갖출 수 없게된다. 이는 평가대상자의 신용을 잘못 평가하는 결과를 가져온다. 또한 알고리즘 설계와 변수 최적화 과정에서 알고리즘이 어떤 특정 그룹을 선호하도록 충분히 조율될 수 있다. 예를 들어 어떤 직종의 구직 광고가 온라인 상에서 여성보다 남성에게 타게팅되어 노출되도록 알고리즘이 조율되기도 한다 .

    영국 대학입시 오류는 이와같은 편향성에서 비롯된 것이고, 이에 대한 충분한 사전 검토없이 알고리즘 판단을 바로 대학입시 예측 결과로 결정한 것에서 비롯되었다. 알고리즘은 OFQUAL에서 정의한 시험 예측 점수 보정 논리에 의해 인간 개발자가 제공한 데이터를 분석하여 최선의 판단을 내린 것 뿐이다. 학습 데이터가 충분하지 못했을 때 알고리즘 판단을 수용하지 않고 교사의 예측 점수를 받아들여 사립학교 점수를 급격히 상승시킨 점, 알고리즘이 점수를 예측한 경우도 과목별 불과 과거 3년간의 데이터를 사용하여 학습 데이터 규모가 충분하지 못했던 점 등이 알고리즘 예측도를 떨어뜨린 원인으로 지적되고 있다 . 얼핏 생각해보면 알고리즘 오류로 생긴 불공정 결과로 보이지만, 자세한 이유를 살펴보면 알고리즘 설계와 데이터 선택의 결정권을 가졌던 OFQUAL의 오류로 귀결된다.

    인공지능 의사결정은 정치적 결정 과정의 한 부분

    인공지능 알고리즘이 의도적으로 편향적 판단을 하도록 인간이 알고리즘 설계와 최적화를 진행할 수도 있고, 인간의 편향적 의도없이 설계되었지만 이미 숨겨져있던 데이터속 편향성을 찾아내, 인공지능은 향후 판단에서 편향적 대답을 내놓기도 한다. 영국 대입사례 경우 OFQUAL이 미쳐 인식하지 못했던 편향적 판단이 알고리즘의 로직(logic)에 내재되어, 불공정 결과를 만들어냈다. 바로 이러한 이유로 대학입시와 같이 많은 사람들을 대상하는 의사결정에 인공지능 알고리즘을 활용한다면, 상세한 인공지능 학습 알고리즘의 로직(logic)과 사용된 데이터를 투명히 공개하는 것이 요구된다. 가급적 많은 사람들과 독립적 전문가들에게 인공지능 모델의 구축 과정을 상세히 검토할 기회를 제공해야 한다. OFQUAL도 이러한 요구를 받았으나 데이터와 알고리즘에 대한 상세 내용을 교사 최종 예측점수 제출이 끝난 8월에 공개하였다. 영국 왕립 통계학 협회(Royal Statistical Society)에서 OFQUAL에 이러한 내용의 사전 공개를 요청하였지만, 알고리즘 내용을 파악한 일부 교사가 알고리즘까지 피해갈 점수 부풀리기를 고안할수도 있다는 우려에 공개를 최대한 연기하였다.

    이처럼 인공지능이 내린 의사결정은 많은 경우 인간이 주도하는 과정의 부분일 뿐이다. 인간 의사결정자를 위해 보다 상세한 정보를 제공하는 역할로 활용될 뿐, 최종 의사결정은 그 권한과 책임을 갖는 인간이 내린다. 인공지능 의사결정에 의존해 인간이 어떤 판단을 내릴 땐, 편향성이 유입될 수 있는지 인공지능 판단을 포함한 의사결정 전 과정을 살펴보아야한다. 사전에 의도하지 못했던 결과를 효과적으로 찾아내기 위해 제3자에 의한 독립적 검토가 필요하다. 영국 대학입시의 경우 인공지능이 유추한 판단을 제3자의 재검토없이 바로 믿어버리고, 또한 그 과정을 의사결정이후에 공개하여 사전에 독립된 기관이나 의사결정 대상자인 학생, 교사, 학부모가 검토할 수 있는 기회를 주지 않았다. 알고리즘의 편향적 결정을 최종 대학입시 예측 결과로 받아들인 오류는 기술의 오류가 아닌, 영국 교육부가 결정한 정치적, 정책적 판단에 기인한다.

    인공지능 개입이 공정한 결과를 가져오려면?

    인공지능이 개입된 의사결정을 더 주의하여 살펴보아야할 이유는 그 결과가 미치는 파급이 전에 없이 크기 때문이다. 대개의 경우 인간 대신 인공지능을 활용하는 경우 의사결정을 내려야할 대상의 숫자가 크거나 사안이 복잡하여 인간이 일일이 감당하는 비용이 크기 때문이다. 이것이 뜻하는 바는 인공지능 판단이 불공정 결과를 초래할 때 영향받는 범위가 상당히 크다는 것이다. 인공지능 알고리즘 모델의 수정을 위해 한 번 잘못 판단된 사례가 다시 학습 데이터로도 사용될 수 있어 미래 판단에도 지속적으로 영향을 미친다. 한마디로 인간 개인 편향적 판단을 내릴 때 보다 인공지능 알고리즘이 편향적 판단을 내릴 때의 불공정 결과는 더 빠르고 광범위하게 퍼져 한 사회의 규범이 될 수도 있다.

    반드시 인공지능의 의사결정 오류를 빨리 파악하고 이를 수정하는 노력을 기울여야만 효율성, 정확성, 공정성을 담보하는 인공지능 시스템을 이용할 수 있다. 영국 대학입시 사례는 대학입시라는 인화성 높은 주제에 적용된 알고리즘이었기에, 그로인한 불공정 결과가 명백히 밝혀질 수 있었다. 짧은 기간동안 광범위한 시민 다수 피해자가 직접 분노했고 주요 언론이 이를 이슈화했기에, 영국 교육부는 오류의 원인을 빠르게 밝힐수 밖에 없었다. 명확하게 드러난 오류였기에 시민의 정정 요구는 너무나 당연했고, 알고리즘은 바로 불신될 수 있었고, 정부는 빠른 시일 내에 결정을 되돌렸다. 하지만 유사하게 자동 알고리즘 오류가 관찰될 때, 항상 이를 바로 인정하고 그로인한 부당한 결과를 번복하고 알고리즘의 자동의사결정을 중단하는 것은 아니다.

    ScienceON Chatbot

    (A) study on agency rating and other determinants of credit spreads in the primary market for corporate bonds in Korea

    회사채의 신용등급은 투자자에게 보유자산의 위험에 관한 정보를 제공하는 역할 외에도 BIS 자기자본 비율 설정 및 시가평가제도 등의 각종 규제와도 관련 되어 간접적으로 금융기관을 통제하는 도구의 역할도 수행하게 되었다. 한편, 규제 도구로서의 신용등급의 사용은 신용등급이 위험수준을 판단할 수 있는 명확하며 유일한 척도일 경우에만 가능한데, 신용등급이 채권의 위험수준을 충분히 반영하는 척도라면 신용등급은 사후적으로는 부도율, 사전적으로는 시장에서의 스프레드와 유의적인 관계를 가져야 하며, 신용 등급 외의 다른 변수들은 이에 대한 추가적.

    회사채의 신용등급은 투자자에게 보유자산의 위험에 관한 정보를 제공하는 역할 외에도 BIS 자기자본 비율 설정 및 시가평가제도 등의 각종 규제와도 관련 되어 간접적으로 금융기관을 통제하는 도구의 역할도 수행하게 되었다. 한편, 규제 도구로서의 신용등급의 사용은 신용등급이 위험수준을 판단할 수 있는 현저히 낮은 스프레드 명확하며 유일한 척도일 경우에만 가능한데, 신용등급이 채권의 위험수준을 충분히 반영하는 척도라면 신용등급은 사후적으로는 부도율, 사전적으로는 시장에서의 스프레드와 유의적인 관계를 가져야 하며, 신용 등급 외의 다른 변수들은 이에 대한 추가적인 설명력을 제공하지 않아야 한다. 본 연구는 우리나라 회사채 시장에서 스프레드가 결정됨에 있어서 신용등급의 역할과 추가적인 스프레드의 결정요인에 대해 살펴 보았으며, 연구대상으로는 자료 수집이 가능했던 1998 년 9 월 이후 2000 년 10 월 이전 발행된 3 년 만기 무보증 회사채의 발행수익율을 사용하였다. 그 결과, 신용등급은 우리나라 회사채 발행시장에서 수익율 스프레드의 약 70% 를 설명하는 것으로 나타났지만, 이론적 모형에 근거한 채권의 특성 변수들도 추가적인 설명력을 제공하는 것으로 현저히 낮은 스프레드 나타났다. 그러므로, 신용등급은 위험에 관한 정보를 충분히 반영하지 못하고 있다. 따라서, 스프레드의 결정요인으로 밝혀진 변수들을 사용함으로써 발행시장에서 스프레드의 예측력을 높일 수 있다는 결론을 얻을 수 있었다. 특히, 신용등급의 역할이 특히 중요시 되는 투자부적격 등급 채권의 경우 더욱 우수한 성과를 얻을 수 있는 것으로 보인다. 또한, 외부 신용평가기관의 신용등급 외에도 자체적인 내부 모형에 근거한 신용 등급의 사용이 논의 되고 있는 바, 본 논문에서는 회계자료를 이용하는 알트만의 (Altman et al(1996)) K2 스코어 모형과 머튼모형을 (Merton (1974)) 기초로 시장자료를 이용하는 KMV 모형의 설명력을 검증하였는데, 그 결과 두 모형 모두 신용등급에 비해서는 낮은 설명력을 제공하지만 신용등급이 제공하지 못하는 추가적인 정보를 제공하는 것으로 나타났다. 한편, 미국에 비해 현저히 낮은 K2 스코어와 KMV 모형을 통해 추정된 높은 부도예측율(risk neutral default probability)에 근거해 볼 때, 국내 신용평가기관들이 지나치게 보수(conservative) 안정성을 추구하여 신용등급을 지속적으로 내리거나 적정등급 이하의 낮은 등급을 부여하는다는 주장과는 달리, 국내 평가기관의 신용등급이 현저히 낮은 스프레드 국제점 관점에서 볼 때 지나치게 높을 수도 있음이 시사되었다. 본 연구의 의의는 우리나라 채권시장에서의 스프레드와 신용등급의 관계를 체계적으로 살펴본 최초의 연구라는 사실이다. 채권시장의 중요성과 영향력에도 불구하고 우리나라에서 채권에 관한 실증연구가 거의 전무한 가장 큰 이유는 신뢰할 수 있는 자료원의 부재인데, 이는 유통시장의 경우 더욱 심각하며, 정확한 자료원의 구축은 학계에서의 연구·발전 뿐만 아니라 채권 시가평가제 등의 원활한 시행을 위해서도 시급한 과제이다.

    Abstract

    Credit rating on bond serves not only the role of providing risk prospect on their assets to investors, but also the role of monitoring financial institutions, as rating is increasingly used in regulations such as determining the BIS capital adequacy ratio and the marking to market policy of investm.

    Credit rating on bond serves not only the role of providing risk prospect on their assets to investors, but also the role of monitoring financial institutions, as rating is increasingly used in regulations such as determining the BIS capital adequacy ratio and the marking to market policy of investment funds. The use of rating in regulations, however, may be justified only when rating is a complete and exclusive measure of risk. If rating is indeed a complete measure of risk, a significant relationship between rating and default ratio, ex post, and credit spreads in the market, ex ante, should be observed, and no other variables, other than credit rating, should add explanatory power. This study has examined the role of credit rating and other determinants of credit spreads in the Korean corporate bond market through yields at issuance of three year non-guaranteed corporate bonds over the sample period from September 1998 to September 2000. The result indicates that although rating explains about 70% of observed credit spreads for non-guaranteed corporate bonds in 현저히 낮은 스프레드 the primary market, so do other bond/firm characteristics identified from the academic studies. Such findings signify that rating is not a complete source of information on riskiness of bonds and that use of other determinants of credit spreads in the primary market can be beneficial in predicting credit spreads. In particular, the expected benefit is the greatest among non-investment grade bonds where the information on risk is needed the most. Moreover, as the use of internal models other than external agency ratings is proposed by BIS, the performance of the K2 Score proposed by Altman et al(1996) using accounting data, and the KMV model based on the Merton model(1974) using stock market data is examined. The result indicates that although the two internal models provide lower explanatory power than agency rating, the K2 Score and KMV model both provide otherwise unattainable information in addition to credit rating. On the other hand, low K2 score and high (risk neutral) default probability estimated from the KMV model nullify the view that the Korean credit rating agencies have been too conservative in consistently lowering credit ratings or issuing lower than deserved ratings. The general tendency was for the Korean rating agencies to issue too generous ratings when judged by the international standards. The significance of this study lies in that it is the first of the kind to examine the relationship between observed credit spreads in the market and agency ratings. Despite the importance and impact of the Korean bond market, empirical studies on the Korean bond market were almost non-existent due to the lack of reliable data. The problem is much more serious in the secondary market, and the establishment of a credible data source is vital for not only the development in academic researches but also the sound implementation of existing regulations such as the marking to market policy of investment funds.

    #회사채 스프레드 신용등급 K2 스코어 KMV 모형 corporate bond credit spread credit rating K2 Score KMV model;


0 개 댓글

답장을 남겨주세요