LifetimePD/docs/devlog/entries/20260326-001.md

확률 가중평균 시나리오 가중치 고도화 - 방법론 설계 및 실증 분석

• 시간: 2026-03-26 19:16~21:28
• Commit: acb232f
• Vikunja: 신규 태스크

결정 사항

1. 확률 가중치 산출 방법론

기존 하드코딩(20/50/30)을 실증 데이터 기반으로 교체하는 방법론을 설계했다.

• 30/50/20 분할 채택: Downside 30% / Baseline 50% / Upside 20%

  • 신용 손실 함수의 비선형성(convexity) 반영 -> 불황에 더 큰 비중
  • 분위수 경계: 30th percentile, 80th percentile

• 12개월 롤링 연환산: 월간 데이터를 연간 베타와 같은 단위로 변환

  • 원유(WTI): log(price)
  • 순상품교역조건지수: 12개월 수익률
  • KOSPI: 12개월 log수익률

• Virtual Zt 구성: 연간 회귀 beta를 월별 롤링 데이터에 적용 (300개 표본)

• 정규분포 면적으로 실증 가중치 산출: 경험적 분위수 경계를 정규분포에 투영

2. 검토 후 기각된 방법들

• 3차 가우시안 AND 조건: 확률이 3% 수준으로 너무 작음
• PCA 제1주성분: 변수 상관이 약해(|rho|=0.06~0.18) 설명력 낮음
• 변수별 독립 평균: 단순하여 근거 부족

3. 실증 분석 결과 (beta: -0.8037, -10.8856, 3.2878 / const: 2.8575)

• Virtual Zt: mu=0.016, sigma=0.94 (min=-2.54 @ 2009/06, max=+2.21 @ 2005/12)
• 정규분포 면적 가중치: Downside 27.2% / Baseline 56.4% / Upside 16.5%
• Jarque-Bera p=0.085 -> 정규성 기각 못함 -> 정규분포 가정 유효

미완료

• tmp_analysis.py를 정식 모듈로 이동/통합 (scenarios/ 또는 projection/)
• 산출된 가중치(27/56/17)를 config.yaml에 반영하고 실제 Lifetime PD 재산출
• 방법론을 docs/methodology.md에 추가 (신규 섹션)
• AGENT.md의 Python 환경이 lifetimePD로 변경됨 -> architecture.md도 동기화 필요