ECB가 살펴본 AI와 금융안정

구분: 중앙은행 연구논문·ECB Working Paper No. 3225
발표일: 2026년 5월 6일
원문: ECB Working Paper PDF / ECB Research Bulletin 요약

핵심 요약

ECB 연구진은 뮤추얼펀드 환매 상황을 모사해 강화학습 기반 Q-learning 투자자와 LLM 투자자의 행동을 비교했다. Q-learning 에이전트는 서로 높은 수준으로 행동을 조정했지만, 펀드 부도위험이 존재할 때 과도한 동시 환매를 일으켜 취약성을 증폭시켰다. 반면 LLM 투자자는 균형구조를 어느 정도 이해했으나, 에이전트별 신념이 분산돼 행동의 일관성과 예측 가능성이 낮았다. 동일한 목적과 환경에서도 AI 아키텍처 자체가 금융안정 결과를 달라지게 한다는 것이 핵심 결론이다.

실무 시사점

• 트레이딩: 강화학습 모델은 평상시 효율적인 정책으로 수렴하더라도 스트레스 국면에서 다른 모델과 동시에 포지션을 줄일 수 있다. 평균 손익보다 위기구간의 행동 상관계수를 별도로 측정해야 한다.
• 리스크관리: 모델별 손실한도만으로는 부족하다. 동시 매도량, 시장 전체 예상 청산 DV01, 호가 잔량 대비 주문 크기를 결합한 군집행동 한도가 필요하다.
• 채권시장: 채권형 펀드 환매가 발생하면 비유동 회사채보다 국채·우량채가 먼저 매각되는 현금화 경로까지 시뮬레이션해야 한다.
• 모델 거버넌스: LLM과 강화학습 모델에 동일한 통제정책을 적용하지 말고, 아키텍처별 실패양식에 맞춘 스트레스 테스트를 설계해야 한다.

데스크 적용 우선순위: ★★★★★