|
IRRBB 측정 및 기능 업그레이드
주요 은행들은 대차대조표 관리, 가격 책정, 담보 등의 영역에서 IRRBB 위험을 파악하고 있습니다. 많은 사람들이 보다 효과적인 결정을 내리는 데 도움을 주기 위해 전담 팀을 구성했습니다. 예금에 대한 위협을 고려하여 일부에서는 시나리오 기반 프레임워크를 더 많이 활용하여 유동성과 금리 위험 관리를 통합하고 있습니다. 그들은 실시간 데이터를 사용하여 자금 조달 및 가격 결정을 알리고 있습니다.
금리 리스크의 모든 측면을 고려하기 위해 주요 은행은 일련의 모델을 사용하여 결과를 조정 및 스트레스 테스트 프레임워크에 입력하고 대차대조표 계획 및 헤징 활동에 정보를 제공할 수 있는 행동 지표를 포착합니다. 일부 은행에서는 대출 수락률과 신용 한도를 예측하기 위해 행동 모델을 사용하고 있습니다. 모범 사례에는 고객 유형, 제품 및 프로세스 단계별로 차별화된 통계 그리드를 사용하는 것이 포함됩니다.
대출과 관련하여 일부 은행은 선불금과 이것이 대차대조표 및 헤지 요건에 미치는 영향을 예측하기 위해 고급 분석을 활용하고 있습니다. 선불 모델링의 모범 사례는 선형 모델에서 벗어나 비선형 관계(예: 선불과 이자율 변동 간)와 대출 기능(예: 내장 옵션)을 고려하는 랜덤 포레스트와 같은 기계 학습 알고리즘으로 전환하는 것입니다. 행동 요인. 우리는 다섯 가지 주요 단계를 확인합니다.
또 다른 중요한 초점 영역은 예금 부패입니다. 많은 은행은 여전히 만기별로 세분화되고 전문가 판단을 바탕으로 한 이동 평균 접근 방식을 우선시합니다. 모범 사례는 고객 세분화, 핵심 잔액 모델링, 예금 볼륨 모델링, 예금 베타 및 통과율, 포트폴리오/헤지 전략 복제 전반에 걸친 추세를 살펴보고 전문가와 통계적 접근 방식을 결합하여 핵심 잔액을 식별하는 것입니다. 이는 거래와 관련된 고급 분석 및 고주파 데이터를 활용하여 고객이 다른 곳으로 이동할 가능성이 더 높은 각 계좌의 비운영 유동성을 추정하는 것을 의미합니다(사이드바 "사례 연구: 예금 침식을 제한하기 위한 예금 모델링" 참조). 일부 은행은 예금 행동의 비선형성을 측정하기 위해 생존 모델을 사용하기도 합니다.
공유하다
사이드바
사례 연구: 퇴적물 침식을 제한하기 위한 퇴적물 모델링
IRRBB 전략의 맥락에서 주요 은행들은 예금 베타와 통과율(기준 금리 변동 중 예금 금리에 전가되는 부분) 모두를 면밀히 주시하고 있습니다. 그들은 전통적으로 전문가 판단과 시장 조사를 통해 얻은 고객 충성도에 대한 견해로 자신의 판단을 뒷받침합니다. 보다 발전된 접근 방식은 과거 경제 사이클에서 데이터를 수집하여 체제 기반 탄력성을 도출하는 것입니다.
공유하다
사이드바
더 나은 모델링으로 더 높은 탄력성을 얻을 수 있습니다: 한 은행의 이야기
마지막으로 위험은 헤지와 최적으로 일치해야 합니다. 최근 추세는 확률론적 모델을 사용하여 헤징 결정을 지원함으로써 은행이 비선형성을 측정할 수 있도록 하는 것입니다. 미래 지향적인 은행은 점점 더 예금, 선불, 파이프라인 모델링을 헤징 전략에 직접 통합하고 있습니다. 또한 전문가 의견에 대한 의존도를 줄이기 위해 모델을 자주 재보정하여 모델 위험을 면밀히 모니터링합니다(사이드바 "더 나은 모델링으로 더 많은 복원력 제공: 한 은행의 이야기" 참조).
스트레스 테스트 개선
몇몇 기업에서는 규제 및 내부 스트레스 테스트 모두에서 금리 위험, 신용 스프레드 위험, 유동성 위험, 자금 집중 위험을 통합하고 있습니다. 실제로 IRRBB, 유동성 위험, 시장 위험(은행 장부의 신용 스프레드 위험, CSRBB)은 자본 규제와 유동성 규제 간의 상충관계를 강조합니다. 요컨대, 높은 자본 요건은 과도한 유동성에 대한 필요성을 감소시킬 수 있으며, 그 반대의 경우도 안정적인 자금을 보유한 은행의 경우 현재 규제 체계에 여전히 과제로 남아 있는 상황입니다.
금리 위험을 측정하기 위한 스트레스 테스트도 진화하고 있으며, 일부 은행에서는 역 스트레스 테스트를 채택하고 있습니다(사이드바 "바젤의 금리 위험 측정 강화: 역 스트레스 테스트 및 VAR의 효율성 탐색" 참조).
공유하다
사이드바
바젤의 금리 위험 측정 강화: 역 스트레스 테스트 및 VAR의 효율성 탐색
스트레스 테스트 프레임워크와 금리 전략을 업그레이드할 때 은행은 금리 변동성의 함수로 구체화될 수 있는 순이자소득(NII)과 경제적 자기자본 가치(EVE) 리스크의 균형을 맞춰야 합니다. NII에서 은행은 규제, 시장 및 은행별 변수에 걸쳐 시나리오 기반 수익률 곡선 분석을 생산적으로 적용하고 전체 대차대조표 노출, 헤지 및 예금, 선불, 약정 신용 한도를 포함한 요소의 맥락에서 이를 평가할 수 있습니다. 추가적인 경제적 리스크로는 베이시스 리스크, 옵션 리스크, 신용 스프레드 리스크 등이 있으며, 이들 역시 측정해야 합니다.
맞춤형 계획
은행 자금 조달 계획은 자금 계획, 자본 계획, 내부 자본 적정성 평가 프로세스(ICAAP) 및 내부 유동성 적정성 평가 프로세스(ILAAP)를 비롯한 다양한 프레임워크와 방법론에 걸쳐 일반적이고 주기적이며 분산되어 있는 경우가 많습니다. 이는 다양한 목적과 대상을 위해 설계되는 경우가 많으며 규제 요구 사항에 따라 업데이트되는 경우가 많습니다. 앞으로 은행에는 상품 및 지역에 맞는 역동적이고 다양하며 세분화된 자금 조달 계획이 필요할 것입니다. 계획은 유연하고 불확실한 자금 조달원, 중앙은행 정책, 위험과 비용 간의 균형을 반영해야 합니다.
역동적인 헤징 전략을 수용하세요
저금리 시대에는 금리위험 헤지 활동이 덜 두드러졌습니다. 은행은 주로 손익 보호를 목표로 단순, 정적, 단기 또는 격리 전략을 사용하는 경우가 많습니다. 담보관리에 많은 관심을 기울이는 은행은 거의 없습니다.
이제 변동성이 더욱 커지는 금리 환경에서는 손실 가능성이 훨씬 더 높으며, 이는 은행이 금리, 신용 스프레드 및 고객 예금 행동의 변화에 대응하기 위해 보다 정교하고 민첩하며 빈번한 헤징이 필요함을 시사합니다(그림 3). 실제로 국제스왑파생상품협회(International Swaps and Derivatives Association)에 따르면 2023년 유로화 금리 파생상품 거래량은 2020년 대비 3.4배 증가했다.삼
전시 3
우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.
헤징 전략은 조직 전체에 걸쳐 수평적으로 통합되고 위험 선호 프레임워크와 결합되는 역동적인 방향으로 발전하고 있습니다. 이를 통해 은행은 P&L 우선순위와 꼬리 위험 감소의 균형을 맞출 수 있습니다. 현장에서 은행은 외부 환경의 변화를 반영하기 위해 포괄적인 시나리오 기반 접근 방식을 활용하여 전략을 자주 재조정해야 할 것입니다. 예를 들어, 많은 기업은 이미 높은 금리를 반영하기 위해 헤징을 재검토했지만 금리가 하락함에 따라 볼록성이 매도 포지션에 미치는 영향과 같은 요소를 평가해야 합니다. 이러한 연습의 목표는 이상적으로는 위험 완화를 넘어 NII 최적화까지 확장됩니다(사이드바 "복제 및 헤징: NIM 최적화의 장점" 참조).
공유하다
사이드바
복제 및 헤징: NIM 최적화의 장점
최고의 헤징 전략의 핵심 원칙은 적극적이고 미래 지향적인 접근 방식이 가장 효과적이며 은행이 수익률 곡선에서 더 많은 지점을 헤징할 수 있게 한다는 것입니다. 그리고 미래 지향적인 시나리오 분석을 통해 위험을 보다 효과적으로 예측할 수 있어야 합니다. 금리 하락에 노출되어 있고 NII 변경에 대한 새로운 IRRBB 규칙에 따라 이상치에 대한 규제 기준을 충족하지 못한 은행의 사례를 생각해 보십시오. 잠재적인 고객의 다른 상품으로의 이전에 대한 분석과 고객이 이러한 이전을 할 수 있도록 지원하려는 노력과 수십억 달러 규모의 새로운 파생상품 헤징 전략을 결합하여 은행은 스스로 한계점을 넘었습니다.
은행은 헤징을 독립적인 활동으로 보지 말고 팀이 올바른 상황에 적합한 헤지를 선택할 수 있도록 인재 및 교육에 대한 투자를 뒷받침하는 위험 관리와 통합된 활동으로 보아야 합니다. 이는 전통적인 금리 파생상품일 수도 있지만 헤징 전략에 더 많은 유연성을 제공하기 위한 옵션이나 스왑션일 수도 있습니다. 고급 분석은 의사 결정을 지원하고 위험이 구체화되기 전에 이를 식별하는 데 중요한 역할을 합니다. 데이터 분석에 대한 보다 자동화된 접근 방식이 필요할 수 있습니다. 그리고 담보 관리는 헤징 프레임워크의 핵심 요소가 되어야 하며, 분석을 사용하여 담보 가치 평가 및 요구 사항을 예측하고 유동성 준비금을 최적화하며 마진 콜 위험을 완화해야 합니다.
다음 단계: 변화 실현
여기에 강조된 활동 전반에 걸쳐 변화를 효과적으로 구현하기 위한 모범 사례는 전용 데이터 전략에 따라 모델링 기능을 통합하는 것입니다. 목표 상태는 포괄적인 기능, 통합되고 실행 가능한 시나리오 기반 프레임워크, 가격 책정 및 담보 관련 결정을 위한 고급 분석 기술 및 행동 데이터의 일상적인 사용이어야 합니다. 분석, 거래, 금융, 가격 책정 및 위험 관리 전반에 걸쳐 역량 구축을 지원하려면 인재 전략도 필요할 가능성이 높습니다.
은행은 효과적인 모델링을 지원하기 위해 광범위한 시장 데이터를 정리해야 합니다. 데이터에는 대차대조표 내 항목과 난외 항목, 예금 한도, 채권 자산 및 부채, 자본 항목, 은행 장부의 기타 항목을 포함한 모든 신용 한도가 포함됩니다. 이상적으로 은행은 2004년부터 2007년까지 금리 인상 기간을 포함하는 15~20년간의 데이터를 수집해야 합니다. 이러한 기본 자원과 함께 은행에는 과거 잔액, 상각 계획, 선택 사항, 통화, 색인 생성, 상대방 정보, 행동 통찰력 및 전체 매크로 데이터 세트. 일부 최첨단 모델에는 약 150가지의 다양한 기능이 포함되어 있습니다.
포괄적인 데이터로 무장한 은행은 행동 모델(예: 선불, 예금)을 구축하여 다양한 시나리오에서 매개변수를 추정하고 행동 효과를 추론할 수 있습니다. 그런 다음 전문가 기반 통찰력과 함께 행동 결과를 스트레스 테스트 시뮬레이션에 통합할 수 있습니다. 거시경제 데이터가 입력되면 은행은 3년간 델타 NII와 EVE를 계산할 수 있어야 합니다. 시각화 도구와 헤징 복제본 분석은 팀이 통찰력을 명확히 하고 위험 요인 전반에 걸쳐 헤징 전략을 테스트하는 데 도움이 됩니다.
여기에서 논의된 수단을 채택한 은행은 보다 적극적이고 효과적인 금리 리스크 관리를 위한 방향을 설정했습니다. 고품질 데이터에 더욱 집중하고 고급 분석 및 시나리오 기반 프레임워크를 사용함으로써 은행은 더 나은 결정을 내리고, 헤징 기능을 업그레이드하고, 자금 비용을 최적화하고, 규제 기준을 준수할 수 있음을 보여주었습니다. 간단히 말해서, 금리가 새로운 변동성 시대로 진입함에 따라 그들은 더 빠르고 유연하게 대응할 수 있는 준비를 갖추게 될 것입니다.
저자 소개
Andreas Bohn 은 McKinsey 프랑크푸르트 사무소의 파트너, Sebastian Schneider 는 뮌헨 사무소의 수석 파트너, Enrique Briega 는 마드리드 사무소의 지식 전문가, Mario Nargi는 밀라노 사무소의 어소시에이트 파트너입니다.
저자는 이 기사에 기여한 Gonzalo Oliveira와 Stefano Terra에게 감사의 말씀을 전하고 싶습니다.
|