단순 산업분류나 규모 기준 비교와 달리, 모델이 실제 신용위험 예측에 중요하다고 학습한 변수공간에서 유사성을 판단한다. 비교기업군을 소수의 동일 섹터 기업으로 제한해 모델 결과의 설명가능성과 실무 검토 가능성을 높이려는 설계다. 비상장기업 데이터의 결핍을 합성 데이터로 채우기보다 공개시장 가격정보에 연결한다는 점이 핵심이다.
편집 전 브리핑 원문 펼치기
구분: 주요 금융기관 연구논문·BlackRock 연구진 SSRN 프리프린트
작성일: 2026년 4월 15일
공개일: 2026년 7월 6일
원문 링크: SSRN 논문 · PDF
핵심 요약
재무제표가 없거나 업데이트가 느린 비상장기업의 부도위험을 추정하기 위해, 공개 회사채시장에서 유사한 상장기업을 찾는 Public Market Equivalent 프레임워크를 제안한다. Random Forest로 회사채 특성과 위험지표 사이의 비선형 관계를 학습한 뒤, RF-GAP proximity를 이용해 각 비상장 차주와 경제적으로 유사한 소수의 상장 비교기업을 선정한다.
단순 산업분류나 규모 기준 비교와 달리, 모델이 실제 신용위험 예측에 중요하다고 학습한 변수공간에서 유사성을 판단한다. 비교기업군을 소수의 동일 섹터 기업으로 제한해 모델 결과의 설명가능성과 실무 검토 가능성을 높이려는 설계다. 비상장기업 데이터의 결핍을 합성 데이터로 채우기보다 공개시장 가격정보에 연결한다는 점이 핵심이다.
실무 시사점
크레딧 분석: 비상장 차주의 등급을 곧바로 예측하기보다, 먼저 어떤 상장기업과 유사한지를 제시하면 심사역이 모델 판단을 검증하기 쉽다.
시장가격 활용: 공개 회사채 스프레드, 주가, CDS 등 시장기반 지표는 재무제표보다 빠르게 변한다. 이를 사모대출의 내부등급과 예상손실률에 보조적으로 반영할 수 있다.
리스크관리: 유사기업이 존재하지 않는 독특한 사업모델이나 구조화 차주는 모델이 억지로 비교기업을 제시할 위험이 있다. 최소 유사도와 out-of-distribution 경고가 필수다.
한국 적용: 공모 회사채 발행기업을 학습표본으로 삼아 비상장기업·사모사채·PF 보증주체의 비교기업과 암묵적 스프레드를 추정할 수 있다. 그룹 지원 가능성과 계열관계는 별도 범주형 변수로 반영해야 한다.
데스크 적용 우선순위: ★★★★☆