현대적 리스크는 실시간 기반을 요구합니다: CRO의 책무

변동성이 큰 거시 경제 환경에서 오늘날의 기업 리스크 관리는 모델링의 정교함보다는 데이터 지연 시간(latency)으로 인해 더 많은 제약을 받습니다. 지난 20년 동안 재무 모델링은 크게 발전했지만, 이러한 모델을 지원하는 기본 데이터 아키텍처는 여전히 과거의 배치(batch) 중심 아키텍처에 머물러 있는 경우가 많습니다.

많은 일류(Tier-1) 금융 기관의 리스크 통합은 여전히 파편화된 데이터 자산, 야간 배치 처리, 사업부 간의 수동 데이터 조정, 사후 보고 프레임워크에 의존하고 있습니다. 그러나 최근의 시장 이벤트들은 현대의 상호 연결된 시장에서 리스크가 실현될 때, 레거시 아키텍처가 심각한 가시성 공백을 만들어 적시 개입을 방해한다는 점을 보여줍니다.

이러한 공백이 중요한 이유는 최고리스크책임자(CRO)의 역할이 변화하고 있기 때문입니다. 딜로이트의 리스크 관리 설문조사에 따르면 응답자의 90% 이상이 리스크 관리가 전략적 목표 달성에 더욱 중요해지고 있다고 답했으며, 리스크 프로그램이 더 잘 통합된 조직이 그렇지 않은 조직보다 더 우수한 성과를 내는 경향이 있는 것으로 나타났습니다. 시사하는 바는 명확합니다. 이사회는 리스크 부서가 단순히 사후 통제 지점 역할을 하는 것을 넘어, 성장, 회복 탄력성 및 의사 결정 품질에 기여하기를 점점 더 기대하고 있습니다.

이러한 전략적 전환에는 다른 운영 기반이 필요합니다.

아키텍처의 사각지대는 이제 전략적 취약점입니다

최근의 시장 충격은 한 가지 명확한 패턴을 보여주었습니다. 금융 기관들은 흔히 충분한 정보를 가지고 있지만, 적시에 통합되어 의사 결정에 바로 활용할 수 있는 뷰(view)가 부족하다는 점입니다.

Silicon Valley Bank, Archegos, 영국의 LDI 혼란과 같은 사건들은 현대 리스크 아키텍처의 고질적인 약점을 드러냈습니다.

1. Silicon Valley Bank (2023): 디지털화된 유동성 뱅크런 속도의 영향

Silicon Valley Bank (SVB)는 집중된 벤처 캐피탈 예금으로 조달된 자금을 장기 고정 금리 미국 국채에 과도하게 노출된 대차대조표로 유지하고 있었습니다. 금리가 급격히 상승하자 은행은 상당한 미실현 손실을 입었습니다. 예금 인출 요청에 대응하기 위해 SVB는 매도가능증권의 일부를 매각하여 18억 달러의 손실을 실현했습니다.

• 데이터 아키텍처의 격차: 전통적인 자산부채관리(ALM) 모델과 규제 보고 프레임워크(예: FR 2052a)는 역사적으로 예금 유출이 장기간에 걸쳐 발생할 것이라고 가정하고 주간 또는 월간 배치 주기를 중심으로 설계되었습니다. 디지털 뱅킹 채널과 소셜 및 디지털 채널을 통한 빠른 정보 확산에 힘입어, SVB 고객들은 단 하루 만에 총 420억 달러에 달하는 인출 요청을 시작했습니다. 은행의 리스크 인프라에는 초고속 뱅크런 상황에서 일중 유동성 포지션 변화를 동적으로 추적하는 데 필요한 실시간 스트리밍 데이터 파이프라인이 부족했습니다.

2. Archegos Capital Management (2021): 파편화된 거래상대방 데이터의 막대한 비용

패밀리 오피스인 Archegos Capital Management는 극단적인 레버리지를 활용하여 총수익스왑(TRS)을 통해 소수 주식에 집중된 포지션을 구축했습니다. 이러한 합성 포지션이 Credit Suisse, Nomura, Morgan Stanley, Goldman Sachs를 포함한 여러 프라임 브로커에 분산되어 있었기 때문에, 펀드의 실제 총 익스포저 규모는 개별 시장 참여자들에게 숨겨져 있었습니다. 기초 주식의 가치가 하락하자 Archegos는 마진콜을 채무 불이행하여 대출 기관들에 총 100억 달러 이상의 공동 손실을 초래했습니다.

• 데이터 아키텍처의 격차: Credit Suisse 단 한 곳에서만 55억 달러의 손실을 입었으며, 이는 시장 신뢰의 광범위한 상실로 이어졌습니다. 내부 조사 결과, 은행의 리스크 시스템은 데이터 부족이 아니라 심각한 시스템적 파편화로 인해 어려움을 겪은 것으로 나타났습니다. 익스포저 지표는 독립적인 사업부와 지역 시스템 전반에 걸쳐 사일로화되어 있었습니다. 아키텍처에 서로 다른 트레이딩 데스크 전반의 거래상대방 신용 리스크를 실시간으로 통합할 수 있는 단일 데이터 플랫폼이 부족했기 때문에, 리스크 관리자들은 단일 고객에 대한 기관의 총 통합 익스포저를 볼 수 없었습니다.

3. 영국의 부채연계투자(LDI) 위기 (2022): 정적 vs. 동적 스트레스 테스트

2022년 9월, 영국의 갑작스러운 재정 정책 발표로 인해 영국 국채(Gilt) 금리가 전례 없는 속도로 급등했습니다. 이러한 변동성은 장기 부채를 헤지하기 위해 파생상품에 의존하는 부채연계투자(LDI) 전략을 사용하는 영국 연금 기금에 심각한 타격을 주었습니다. 채권 가격이 폭락하면서 이들 기금은 거래상대방으로부터 즉각적이고 막대한 담보 마진콜 요구에 직면했습니다. 현금을 마련하기 위해 연금 기금은 기초 자산인 국채를 강제로 매각해야 했고, 이는 채권 가격을 더욱 하락시켜 영국의 중앙은행(Bank of England)의 긴급 개입이 필요한 악순환을 초래했습니다.

• 데이터 아키텍처의 격차: 표준적이고 정적인 과거 리스크 모델은 이러한 포트폴리오가 기존의 시장 움직임에 대해 적절히 헤지되어 있음을 나타냈습니다. 그러나 기본 기술 아키텍처는 다변수적이고 상관관계가 있는 피드백 루프, 구체적으로 자산 가치의 급격한 하락이 바로 그 자산의 시스템적 청산을 어떻게 강제하는지 설명하지 못했습니다. 이 리스크를 관리하려면 상호 의존적인 자산 클래스 전반의 복잡한 거시적 변화를 동시에 처리할 수 있는 고성능 동시 시나리오 시뮬레이션이 필요합니다.

마찰의 비용: 운영 및 전략적 제약

현대의 운영 실패를 분석해 보면 구조적 취약성은 모델링의 결함보다는 주로 파편화된 데이터 아키텍처와 '벤더 난립(vendor sprawl)'에서 비롯된다는 것을 알 수 있습니다. 이는 다음과 같은 세 가지 주요 영역에 영향을 미치는 구조적 마찰을 발생시킵니다.

1. 조정 부담 (지표 영향: Operational Alpha 및 FTE 효율성): 사일로화된 데이터 모델과 일관되지 않은 통제는 리스크, 재무 및 운영 팀이 스프레드시트, 벤더 시스템, 맞춤형 추출 데이터 전반에서 반복적인 검증 작업을 수행하도록 강제합니다. 결정적으로, 이는 핵심 CRO 지표인 인사이트 도출 시간(Time-to-Insight)을 저하시킵니다. 리스크 팀은 선제적인 익스포저 관리에 집중하는 대신 스프레드시트와 단절된 데이터베이스 전반에서 개별 항목 수치를 검증하는 데 운영 대역폭을 소모하게 됩니다.
2. 보고 지연 시간 (지표 영향: Value-at-Risk (VaR) 정밀도 및 유동성커버리지비율 (LCR) 반감기): 오래된 데이터는 의사 결정의 질을 떨어뜨립니다. 복잡한 계산(예: Expected Shortfall 또는 거시 스트레스 테스트)을 위해 야간 배치 처리에 의존하면 리스크 위원회는 오래된 데이터를 바탕으로 운영할 수밖에 없습니다. 변화가 빠르고 변동성이 큰 시장 환경에서 이러한 지연 시간은 일중 유동성 추적(Intraday Liquidity Tracking)에 사각지대를 만들고 VaR 한도의 정밀도를 떨어뜨려, 금융 기관이 헤지되지 않은 리스크를 감수하거나 수익이 나지 않는 비최적의 현금 버퍼를 보유하도록 강제합니다.

3. 데이터 리니지 사각지대 (지표 영향: 준수 비용 및 모델 리스크 관리 - SR 11-7):

   취약한 리니지는 운영 및 규제 부담을 모두 가중시킵니다. 이는 기업을 BCBS 239 및 SR 11-7(모델 리스크 관리 프레임워크)에 따른 감사 처벌(예: CCAR 또는 FR 2052a)에 노출시킵니다. 자동화된 리니지가 없으면 예상치 못한 모델 출력을 소스까지 추적하여 구조적인 시장 변화와 손상된 업스트림 데이터를 구별하는 작업이 시간과 비용이 많이 드는 병목 현상이 됩니다.

아키텍처의 전환: 전략적 CRO의 실현

현대의 CRO가 전략적 리더로서 역할을 수행하려면, 리스크 스택이 파편화된 보고 인프라에서 통합된 인텔리전스 레이어로 진화해야 합니다.

바로 이 지점에서 Databricks Data and AI Platform이 중요한 역할을 합니다. 리스크 관리 조직에 대한 이 플랫폼의 가치는 단순히 속도 향상에만 있지 않습니다. 이는 하나의 토대 위에서 통합, 거버넌스, AI가 결합된 결과물입니다.

• 실시간 포지션 통합 및 자본 최적화: 포지션, 한도, 스트레스 테스트 결과 및 시장 데이터를 Unity Catalog의 통합되고 통제된 단일 토대로 가져옴으로써, Databricks는 데이터 조정 부담을 제거합니다. 리스크 팀은 단일하고 일관된 권한 모델과 검증된 데이터 리니지를 바탕으로 운영됩니다. 이러한 중앙 집중식 가시성은 통합 소요 시간(Time-to-Aggregation)을 며칠에서 몇 분으로 단축하여, CRO가 위험가중자산(RWA)을 최적화하고 고노출 섹터에서 고수익 자산으로 자본을 동적으로 재배분할 수 있도록 지원합니다.
• 1초 미만의 "What-If" 시뮬레이션 및 마진 방어: 기존의 야간 배치 그리드에서 고성능 동시 처리 방식으로 전환함으로써, 팀은 배치 모드의 사각지대에서 벗어나 실시간 감시 체계로 전환할 수 있습니다. 리스크 관리자는 복잡한 다변수 "What-If" 거래 분석을 실행하고 포지션이 예약되기 전 단 몇 초 만에 VaR 또는 Expected Shortfall 델타를 확인할 수 있습니다. 이러한 실시간 기능은 순이자마진(NIM)을 보호하고 거시 변수의 갑작스러운 변화가 헤지되지 않은 마진콜을 유발하지 않도록 보장합니다.

• 감사 가능한 AI 워크플로 및 간소화된 거버넌스: AI가 프론트라인 신용 의사 결정 및 시장 리스크 신호에 통합됨에 따라, Unity AI Gateway는 LLM 및 ML 트래픽에 대한 엔터프라이즈급 거버넌스 레이어를 추가합니다. 자동화된 액세스 관리, 속도 제한, 사용량 추적, 페이로드 로깅 및 가드레일을 제공합니다. 리스크 분석가가 완전한 SQL 감사 추적 및 MLflow 추적을 유지하면서 자연어를 사용하여 거버넌스가 적용된 데이터에 액세스하고 쿼리할 수 있도록 지원하는 Databricks Genie와 결합하여, 이 플랫폼은 규제 준수 비용(Cost of Compliance)을 대폭 절감하고 모델 검증 일정(Model Validation timelines, SR 11-7)을 단축합니다. 그 결과, 지연되고 수동으로 취합된 리스크 뷰에서 벗어나 모든 리스크 영역에 걸쳐 보다 실시간에 가까운 집계, 빠른 조사 및 절대적인 모델 재현성을 향해 검증 가능한 전환을 지원하는 통합 리스크 콕핏이 구현됩니다.

Databricks는 금융 서비스 전반에서 현대적인 CRO의 역량을 강화하고 있습니다

은행 부문

현대의 은행은 더 이상 리스크를 서로 단절된 통제 기능의 집합으로 관리할 수 없습니다. CRO에게는 야간 배치가 정산된 후 여러 단일 솔루션에서 수동으로 취합하는 대신, Unity Catalog 하의 단일 거버넌스 기반에서 집계된 유동성, 자본, 금리, 운영 및 규제 준수 신호를 아우르는 단일 거버넌스 리스크 및 자본 통제 플레인이 필요합니다. 이러한 기반 위에서, 네 가지 핵심 기능이 은행을 사후 보고에서 선제적인 자본 방어로 전환시킵니다:

• 유동성 및 ALM (LCR, NSFR, HQLA). 자금 관리 부서는 배치 모드의 사각지대에서 벗어나 일중 가시성(intraday visibility)을 확보할 수 있습니다. 즉, 재무제표보다 항상 하루 뒤처지는 수치 대신 유동성 포지션을 분 단위로 모니터링할 수 있습니다. 리스크 콕핏에 표시되는 것처럼, 팀은 LCR, NSFR, HQLA를 실시간으로 추적하고, 비수익성 현금 버퍼를 축소하며, 화면을 벗어나지 않고도 공시된 모든 비율의 출처를 역추적할 수 있습니다. 이는 초고속 예금 인출(뱅크런) 속도가 주간 배치 ALM 프레임워크를 앞질렀을 때 결여되었던 바로 그 가시성입니다.

• 은행 계정 금리 리스크 (IRRBB). 모든 감독 기관의 금리 충격 시나리오는 자금 담당자가 벤더 변경 요청을 제출할 필요 없이 단 몇 분 만에 읽고, 재정의하고, 재실행할 수 있는 거버넌스 테이블에 저장됩니다. 모든 시나리오의 CET1 대비 ΔEVE 및 바젤 아웃라이어 테스트 위반 여부를 자본 스택에 대해 쿼리할 수 있으므로 자금 담당자, CFO, CRO가 동일한 순간에 동일한 수치를 볼 수 있습니다.
• 자본 계획 및 적정성 (CCAR). 자본 예측이 노트북과 스프레드시트 중심의 작업에서 거버넌스가 적용되고 재현 가능한 워크플로로 전환됩니다. MLflow로 추적되는 CCAR 재실행은 모든 가정, 입력 및 출력을 캡처하여 일주일이 걸리던 SR 11-7 모델 검증 논의를 단 한 번의 쿼리로 해결할 수 있게 하며, 자본 계획을 연례 행사에서 상시 대비 태세로 전환시킵니다.
• 목적에 부합하는 규제 보고. 유동성 뷰를 구동하는 동일한 거버넌스 기반이 규제 기관 제출용 출력을 생성합니다. 간소화된 FR 2052a 생성은 여러 단계를 거쳐야 했던 'Excel-to-벤더' 체인을 대체하며, 대시보드와 동일한 리니지 및 액세스 제어에 의해 제출이 관리되므로 중복된 규제 보고 스택과 이로 인한 감사 부채가 제거됩니다.

그 결과, 리스크 관리 조직은 서로 단절된 시스템에서 개별 항목을 검증하는 데 대역폭을 낭비하는 대신, RWA를 최적화하고 자본을 선제적으로 재배분할 수 있게 됩니다.

자본 시장 부문

자본 시장에서는 대기 시간의 비용이 분 단위로 측정되기 때문에 제약 조건이 더욱 엄격합니다. 리스크 팀은 여전히 OMS 플랫폼, 리스크 엔진, 분석 도구, 스프레드시트, 이메일 등이 병렬로 실행되는 여러 시스템, 여러 버전의 진실, 다양한 시점의 데이터 전반에서 작업하고 있습니다. Databricks는 자체 포지션, 거래 상대방 데이터, 시장 데이터, 한도 및 파트너 피드를 Unity Catalog 하의 단일 플랫폼에 통합하여 단일 거버넌스 시장 리스크 기반을 중심으로 워크플로를 재설계하며, 이는 리스크 콕핏과 자연어 기반의 Risk Genie를 통해 제공됩니다. 새로운 운영 모델을 정의하는 네 가지 기능은 다음과 같습니다:

• 실시간 익스포저 집계. VaR, Expected Shortfall, DV01, CS01, 활성 한도 위반 및 펀드 간 익스포저를 단일 화면에서 제공하며, 모든 지표에 거버넌스가 적용된 액세스 권한과 전체 리니지가 지원됩니다. 이는 VaR가 어제의 수치로 도달하는 야간 배치 그리드를 대체합니다.
• 거래 상대방 및 펀드 간 가시성. 데스크와 프라임 브로커 전반에 걸친 단일 거래 상대방에 대한 총 집계 익스포저를 분기별 조정 프로젝트 대신 셀프 서비스 답변으로 확인할 수 있게 되며, 손실이 이미 발생할 때까지 패밀리 오피스의 실제 레버리지를 숨겼던 파편화 공백을 메웁니다.
• 1초 미만의 What-If 및 스트레스 테스트. 리스크 관리자는 정적 역사적 모델이 놓치는 피드백 루프 역학 관계인 상관관계가 있는 다변수 시나리오의 실시간 동시 스트레스 테스트를 실행하고, 거래가 예약되기 전 단 몇 초 만에 VaR 또는 Expected Shortfall 델타를 확인하여 다음 날 아침에 위반 사항을 발견하는 대신 갑작스러운 거시적 변화로부터 마진을 보호합니다.
• 감사 가능한 출처를 갖춘 AI 지원 조사. 자연어 기반의 Risk Genie를 통해 데스크에서는 완전한 SQL 감사 추적을 유지하면서 쉬운 영어로 거버넌스가 적용된 데이터를 쿼리할 수 있으며, MLflow 기반의 모델 출처 관리를 통해 검증자와 규제 기관에 시나리오 입력부터 출력 지표까지 재현 가능한 체인을 제공합니다. 이를 통해 각 질문을 퀀트 대기열로 보내는 대신 시장의 속도에 맞춰 새로운 리스크 질문에 답할 수 있습니다.

이것이 바로 Databricks에서 구현되는 현대적인 시장 리스크 관리의 모습입니다. 기존 사일로 위에 얹어진 또 다른 대시보드가 아니라, 프론트, 미들, 백오피스 전반에서 익스포저 관리, 모델 투명성 및 신속한 의사 결정을 지원하는 실시간 거버넌스 기반의 AI 지원 제어 인터페이스입니다.

프로덕션 환경에서의 검증

이는 단순한 지향점이 아닙니다. Tier-1 금융 기관들은 이미 Databricks 데이터 및 AI 플랫폼에서 핵심 리스크 및 자본 기능을 실행하고 있습니다.

은행 부문에서 Raiffeisen Bank International의 사례는 은행 조직이 속도, 비용 효율성 및 감사 가능성을 개선하는 동시에 파편화된 분석 환경을 보다 표준화되고 거버넌스가 적용된 기반으로 통합하는 방법을 보여줍니다. 현대의 은행에 있어 이는 수동 조정 작업을 줄이고 제시되는 수치에 대한 신뢰도를 높이면서 유동성 및 자본에 대한 논의를 실시간에 가깝게 진행할 수 있음을 의미합니다.

자본 시장 부문에서 Morgan Stanley 는 가장 중요한 규제 계산기 중 하나인 SACCR 거래 상대방 신용 리스크를 Databricks 상에서 확장하여 성능, 계산 정확도 및 규제 준수 능력을 향상시켰으며, 완전히 관리되는 데이터 및 AI 플랫폼으로 통합하여 실질적으로 훨씬 적은 노력으로 규제 의무를 충족했습니다. State Street은 정형 및 비정형 데이터를 Unity Catalog 하에 통합하여 엄격한 규제 및 보안 요구 사항과 신속한 AI 도입의 균형을 맞춤으로써 금융 부문 엔터프라이즈 AI의 새로운 표준을 개척하고 있습니다. 두 영역 모두에서 패턴은 동일합니다. 하나의 거버넌스 기반, 실시간 집계, 감사 가능한 AI라는 현대 CRO의 요구 사항이 프로덕션 환경에서 실현되고 있습니다.

다음 위기는 야간 배치를 기다려주지 않습니다

SVB, Archegos, LDI 사태는 수학의 실패가 아니었습니다. 모델은 건전했습니다. 실패한 것은 그 아래의 아키텍처였습니다. 즉, 데이터 집계가 너무 느렸고, 익스포저가 여러 시스템에 파편화되어 있었으며, 스트레스 테스트가 실시간으로 형성되는 피드백 루프를 감지하지 못했습니다. 각 사례에서 리스크는 예측할 수 있는 것이었습니다. 단지 조치를 취할 수 있을 만큼 제때 보이지 않았을 뿐입니다.

이것이 바로 현대 리스크 관리를 정의하는 격차입니다. 이제 시장은 바이럴 게시물과 당일 디지털 인출이라는 디지털 속도로 움직입니다. 주간 배치 주기와 수동 조정을 중심으로 구축된 리스크 인프라는 이러한 속도를 따라잡을 수 없으며, 이러한 불일치로 인한 비용은 수십억 달러에 달하며 점차 기관의 생존 문제로 이어지고 있습니다.

격차를 줄이는 것은 더 이상 단순한 기술 업그레이드가 아닙니다. 이는 CRO의 진화하는 책무를 위한 전제 조건입니다. 실시간 집계, 1초 미만 단위의 시나리오 분석, 감사 가능한 AI는 리스크 관리 기능을 사후 점검 단계에서 자본 배분과 성장을 위한 미래 지향적 엔진으로 전환하는 핵심 요소입니다.

Databricks 데이터 및 AI 플랫폼은 오늘날 이러한 전환을 현실로 만들어 줍니다. 시장, 유동성, 자본, 운영 및 컴플라이언스 리스크를 거버넌스가 확보된 단일 기반으로 통합하고, 모든 메트릭에 대한 리니지와 모든 모델에 대한 투명성을 제공함으로써, CRO에게 기업에 대한 실시간의 신뢰할 수 있는 단일 뷰를 제공합니다. 이미 이 플랫폼을 도입한 기관들은 리스크를 더 빠르게 보고하는 데 그치지 않고, 리스크가 누적되어 악화되기 전에 더 일찍 감지하고 대응하고 있습니다.

이제 모든 리스크 관리 리더에게 중요한 질문은 '모델이 맞는지'가 아닙니다. 다음 충격이 발생했을 때 아키텍처가 상황을 명확하게 파악하고 단호하게 대처할 수 있도록 지원하는지 여부입니다. 현대적인 리스크 관리에는 현대적인 기반이 필요합니다. 레거시 아키텍처는 이미 그 한계를 드러냈습니다.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)