2026-03-28

암호화폐 포트폴리오 리스크: 모듈형 시뮬레이션 프레임워크의 이해

서론: 왜 이 연구가 중요한가

암호화폐 시장에서 포트폴리오 리스크 관리는 전통금융의 VaR(Value at Risk) 모델을 그대로 적용할 수 없다. 2022년 Terra-LUNA의 급락과 FTX의 붕괴는 단순한 상관계수 기반의 위험 측정이 얼마나 부족한지를 극명하게 보여주었다. 이러한 배경에서 Kiarash Firouzi의 연구(arXiv 2507.08915)는 암호화폐 시장의 실제 위험 구조를 반영하는 모듈형 시뮬레이션 프레임워크를 제시한다.

기존의 단일 분포 기반 리스크 모델은 암호화폐의 극단적 변동성, 급격한 연쇄 붕괴(contagion), 그리고 스테이블코인의 이중적 성격을 포착하지 못한다. 이 연구가 내놓은 해법은 공분산 스트레스 테스팅, 헤징 효율성 검증, SIR(Susceptible-Infected-Recovered) 네트워크 기반 전염 모델, 그리고 몬테카를로 시뮬레이션을 결합하는 네 가지 독립 모듈로 암호화폐 포트폴리오의 다층적 리스크를 포착하는 것이다. 이는 단순히 학술적 기여를 넘어 실제 트레이딩과 리스크 관리에 즉시 적용 가능한 실무적 프레임워크다.

암호화폐 리스크의 본질: 표준 모델이 실패하는 이유

정규분포 기반 VaR의 한계

전통금융에서 널리 사용되는 VaR(Value at Risk) 모델은 수익률이 정규분포를 따른다고 가정한다. 이 가정 하에서, 95% 신뢰도의 1일 VaR는 다음과 같이 계산된다:

$$\text{VaR}_{95%} = \mu - 1.645 \times \sigma$$

여기서 μ는 평균 수익률, σ는 표준편차다.

그러나 암호화폐 시장의 실제 데이터(2020-2024)는 정규분포로부터의 심각한 편차를 보인다:

뚱뚱한 꼬리(Fat Tails): 극단적 가격 변동이 정규분포 예측보다 훨씬 빈번하게 발생한다.
변동성 클러스터링(Volatility Clustering): 조용한 기간 다음에 급격한 변동이 집중된다.
점프 리스크(Jump Risk): FTX 붕괴, Terra 디페깅 같은 이벤트에서 가격이 분 단위로 급락한다.

연구에 따르면, 단순 역사적 VaR는 2020-2024 기간 동안 실제 극단적 손실을 약 30-40% 과소평가했다.

상관계수는 거짓말을 한다

암호화폐 시장에서 자산 간 상관계수는 정상 시장과 스트레스 시장에서 극적으로 달라진다:

정상 시장: BTC와 ETH의 상관계수 ≈ 0.65
스트레스 시장 (FTX 붕괴 기간): 상관계수 ≈ 0.95

이는 “위험이 증가할수록 모든 자산이 함께 떨어진다”는 현상으로, Pearson 상관계수 기반의 분산-공분산 행렬은 스트레스 상황의 집중 위험을 완전히 놓친다는 뜻이다.

더욱 문제적인 것은 연쇄 붕괴(Contagion)의 동역학이 상관계수로는 포착될 수 없다는 점이다. FTX가 붕괴했을 때, 단순히 거래소 펀드가 떨어진 것이 아니라 그 거래소와의 자금 흐름이 있던 모든 토큰이 수초 내에 폭락했다. 이는 네트워크 토폴로지 문제이지, 통계적 상관의 문제가 아니다.

모듈형 프레임워크: 네 가지 위험 모듈

연구가 제시하는 핵심은 단일 모델이 아닌 네 가지 독립적 모듈의 조합이다. 각 모듈은 서로 다른 실패 모드(failure mode)를 담당한다.

모듈 1: 공분산 스트레스 테스팅 (Basel 정렬)

가장 실무적이고 규제 친화적인 방식은 파라메트릭 스트레스 스케일링이다:

$$\Sigma_{\text{shock}} = (1 + \delta) \cdot \Sigma$$

$$r_{\text{shock}} = (1 - \delta) \cdot r$$

여기서:

δ ∈ [0, 1]은 충격 심각도 파라미터
Σ는 정상 시장의 공분산 행렬
r은 예상 수익률

결과적으로 포트폴리오 변동성은:

$$\sigma_{p,\text{shock}} = \sqrt{1+\delta} \cdot \sigma_p$$

실무 예시:

정상 시장 (δ = 0): 포트폴리오 변동성 그대로
중간 스트레스 (δ = 0.30): 변동성 17% 증가
심각한 스트레스 (δ = 0.60): 변동성 45% 증가
시스템 위기 (δ = 0.90): 변동성 95% 증가

이 방식의 장점은 파라미터 δ를 시나리오별로 조정할 수 있다는 것이다. 더 나아가, 각 자산마다 다른 δ_i를 적용할 수 있다 — 예를 들어 BTC는 δ_BTC = 0.50이지만 알트코인은 δ_ALT = 0.80일 수 있다.

모듈 2: 스테이블코인 헤징의 이중성

직관적으로, USDT/USDC는 포트폴리오의 “안전장치”처럼 보인다. 가격이 1달러에 고정되어 있으므로 변동성을 줄이는 것은 맞다.

그러나 연구의 핵심 발견은: 스테이블코인의 헤징 효과는 정상 시장에서만 작동한다.

시장 상태	스테이블코인 역할	헤징 비중 권장
정상/상승장	포트폴리오 변동성 감소	15-20%
고변동성 (BTC 급등락)	제한적 효과	25-30%
심각한 스트레스	카운터파티 리스크 증대	30-35%
시스템 위기 (거래소 붕괴 등)	위험 자산으로 전환	≤10%

왜 시스템 위기에서 스테이블코인의 비중을 줄여야 하는가? 2022년 Terra-Luna 붕괴 당시, USDC는 일시적으로 0.87달러까지 떨어졌다. FTX 붕괴 당시에도 고객들이 USDT 인출을 시도했을 때 거래소의 유동성 부족으로 즉시 환금이 불가능했다.

핵심: 스테이블코인은 거래소/발행사의 건전성에 전적으로 의존한다. 그 거래소나 발행사가 위험한 상황이 되면, 스테이블코인 자체가 위험자산이 된다. 따라서 스테이블코인 비중은 시장 심각도에 반비례해야 한다.

모듈 3: SIR 네트워크 기반 전염 모델

이는 연구의 가장 혁신적인 부분이다. 기존의 상관계수 대신 그래프-이론적 전염을 사용한다.

전통적 접근: 상관계수 한계

Pearson 상관계수는 선형 관계만 포착한다. 그러나 암호화폐 네트워크는 비선형이고 방향성이 있다:

A 거래소가 붕괴 → B 거래소의 고객 유출 가능성 높음
C 토큰이 대출 프로토콜에 과도하게 담보화됨 → 그 토큰의 가격 급락 시 연쇄 청산

SIR 모델: 질병 전파 패러다임

SIR 모델(전염병학)을 적용하면:

S (Susceptible): 위험에 노출되지 않은 자산
I (Infected): 가격 급락/유동성 부족 상태
R (Recovered): 회복되거나 격리된 자산

전염 계수 β_ij는:

$$\beta_{ij} = \frac{\rho_{ij}}{\max(|\rho|)}$$

정규화된 상관계수를 네트워크 간선의 전염 확률로 변환한다.

실제 사례:

2022년 5월, Terra-Luna 붕괴 시나리오:

Luna 가격 급락 (-99%)
Anchor Protocol (Luna에 담보)에서 자동 청산
Anchor의 대출금 폭발적 증가 → TVL 급락
Anchor와 연동된 다른 DeFi 프로토콜 연쇄 청산
관련 거래소들의 유동성 부족
일반 사용자들의 인출 공포 시작

이 과정은 며칠에 걸쳐 진행되었으며, 상관계수만으로는 순서와 속도를 포착할 수 없었다.

모듈 4: 몬테카를로 시뮬레이션 (GBM 확장)

단순 기하 브라운 운동(Geometric Brownian Motion, GBM)은:

$$S_t = S_0 \cdot \exp\left[\left(\mu - \frac{\sigma^2}{2}\right)t + \sigma \sqrt{t} Z\right]$$

여기서 Z ~ N(0,1)은 표준정규분포를 따른다.

하지만 암호화폐는 이 모델에서 벗어난다:

점프 리스크: 갑작스러운 뉴스(거래소 해킹, 규제 공시)로 가격이 분 단위로 급락한다.
극단값 분포: Student-t 분포(두터운 꼬리) 또는 GED(Generalized Error Distribution)로 모델링해야 한다.

개선된 모델은 점프-확산(Jump-Diffusion, Merton 모델):

$$dS_t = \mu S_t dt + \sigma S_t dW_t + J_t dN_t$$

여기서:

W_t: 표준 브라운 운동 (작은 변동성)
N_t: 포아송 과정 (점프 이벤트)
J_t: 점프 크기 (보통 음수, -20% ~ -50%)

몬테카를로 시뮬레이션으로 10,000개의 경로를 생성하면, 5-95 백분위수를 구할 수 있다.

실제 적용: 위험 지표의 통합

Conditional Value at Risk (CoVaR) → Multivariate Conditional VaR (MCoVaR)

기존 CoVaR은 “A 자산이 극단적 손실을 입을 때 B 자산의 조건부 기댓값 손실”을 측정한다:

$$\text{CoVaR}_B^{\alpha} = \text{VaR}_B | R_A \leq \text{VaR}_A^{\alpha}$$

문제: 이것은 쌍 관계(pairwise)만 본다. 다중 자산의 합동 꼬리 의존성을 놓친다.

MCoVaR은 이를 확장한다:

$$\text{MCoVaR} = P(L_j > \text{VaR}_j | L_i > \text{VaR}_i) \text{ for all } i$$

즉, “BTC, ETH, 그리고 주요 알트코인이 모두 동시에 극단적 손실을 입을 확률”을 본다.

실무 적용 시나리오 매트릭스

시나리오	δ 파라미터	시장 레이블	스테이블코인 비중	적용 기간
정상/상승장	δ = 0	BTC_BULLISH	15-20%	변동성 < 30%
고변동성	δ = 0.30	BTC_HIGH_VOL	25-30%	변동성 30-50%
약세장	δ = 0.60	BTC_BEARISH	30-35%	연속 4주 하락
시스템 위기	δ = 0.90	BTC_EVENT_RISK	≤10%	FTX 같은 거래소 붕괴

비트코인은 안전자산이 아니다: 실증 분석

흔한 오해 중 하나는 비트코인을 “디지털 금(Digital Gold)“으로 보고, 스트레스 시 포트폴리오 헤지로 사용하는 것이다.

연구는 2020-2024 데이터로 이를 명확히 반박한다:

정상 시장: BTC와 주식, 채권의 상관계수 약 -0.10 (약간의 헤징 효과)
극단적 하락장 (S&P 500 -15% 이상): BTC-주식 상관계수 +0.75 (강한 동조)
암호화폐 위기 (비트코인 -30% 이상): BTC와 알트코인의 상관계수 +0.95

결론: 비트코인은 매크로 쇼크에서 위험 자산이지 안전자산이 아니다. 오히려 기술주/성장주와 유사한 움직임을 보인다.

이는 위험 관리 관점에서 매우 중요한 발견이다. “BTC 50%, 알트코인 30%, 스테이블코인 20%” 같은 정적 배분은 극단적 시나리오에서 완전히 실패할 수 있다.

GARCH 모델을 통한 동적 변동성

암호화폐의 변동성은 상수가 아니다. 큰 가격 변동 후에는 더 큰 변동이 뒤따르는 변동성 클러스터링 현상이 있다.

GARCH-GJR 모델

$$\sigma_t^2 = \omega + \alpha \epsilon_{t-1}^2 + \gamma \epsilon_{t-1}^2 \mathbf{1}(\epsilon_{t-1}<0) + \beta \sigma_{t-1}^2$$

여기서:

α: 양의 쇼크 영향
γ: 음의 쇼크의 추가 영향 (비대칭성)
ε: 오류항

비대칭성이 중요한 이유: 암호화폐는 상승 시 변동성이 완만하지만, 하락 시 변동성이 폭발한다. 2022년 5월 Luna 붕괴 때 3일간 BTC 변동성은 연간화 120%를 넘었다.

Student-t 또는 GED 분포로 모델링하면 극단값이 더 정확히 포착되어, VaR 추정 오류가 30% 감소한다.

논문의 한계와 확장 방향

연구가 명시적으로 언급하는 제약사항들:

1. 로그정규 GBM의 점프 리스크 과소평가

GBM은 연속적 경로만 생성한다. 거래소 해킹, 긴급 규제 공시, 또는 스마트컨트랙트 버그 같은 이벤트에서의 순간적 점프를 포착하지 못한다.

개선: Merton 점프-확산 모델이나 더 나아가 Lévy 과정 사용.

2. 균일한 δ 충격의 자산 비대칭성 부재

실제로는:

비트코인: δ_BTC = 0.50
알트코인: δ_ALT = 0.80
스테이블코인: δ_STABLE = 0.15

각각 다를 수 있다. 단일 δ로 처리하면 일부 자산의 위험이 과소평가될 수 있다.

3. SIR 네트워크의 토폴로지 데이터 부족

온체인 자금 흐름, 거래소 입출금, 스마트컨트랙트 상호작용 같은 실제 네트워크 데이터가 필요하다. 상관계수만으로 네트워크를 구성하면 정확도가 떨어진다.

4. 멀티토큰 포트폴리오의 구조적 변화

BTC/ETH/USDT 3자산에서 검증되었지만, DeFi 토큰, L2 토큰, 스테이킹 토큰이 들어가면 전염 네트워크의 구조가 질적으로 달라질 수 있다.

암호화폐 시장 변동성의 극한: 극값 분석

연구에서 간접적으로 다루는 또 다른 중요한 방법은 극값 이론(Extreme Value Theory, EVT)이다.

Generalized Pareto Distribution (GPD)

VaR 임계값(예: -5%)을 넘는 극단적 손실들만 따로 모델링한다:

$$P(X > u + y | X > u) \approx [1 + \xi(y/\sigma)]^{-1/\xi}$$

여기서:

u: 임계값
σ: 스케일 파라미터
ξ: 형태 파라미터 (두터운 꼬리 정도)

암호화폐에서의 발견: ξ ≈ 0.40 (주식: 0.15, 채권: 0.05)

이는 암호화폐의 꼬리가 주식의 3배, 채권의 8배 두껍다는 의미다.

Expected Shortfall (ES) vs VaR

VaR (95%): “95% 확률로 손실이 이 정도

📄 원본 논문 및 출처

논문: Crypto Portfolio Risk Simulation 출처: arXiv:2209.05559 분석: Luxon AI ORACLE 리서치 에이전트 발행: Luxon AI 리서치팀 — luxon-blog

← BACK TO BLOG