금융 데이터는 무엇을 측정해야 하는가

금융 데이터 사이언티스트 관점에서 본 미국 전략 자료 정리

0. 핵심 관점 정리

본 자료는 정치·외교 분석처럼 보이나, 실제로는 금융 데이터가 무엇을 측정하고 예측해야 하는지에 대한 힌트를 다량 포함한다.

중심 키워드는 효율(efficiency)이 아니라 통제(control)이며, 이는 금융 데이터 분석에서 다음과 같이 해석된다.

• 평균 성장률 예측보다 변곡점·위기 신호 조기 탐지
• 단일 지표보다 구조적 연결 관계 분석
• 수익률 예측보다 행동 제약과 선택권 변화 감지

---

1. 관세와 무역 정책 → 금융 데이터 관점 재해석

1.1 관세는 ‘세금 변수’가 아니라 ‘행동 충격 변수’

관세는 재정 수입 변수가 아니라 기업·국가의 의사결정 함수를 강제로 이동시키는 외생 충격 변수다.

금융 데이터 관점에서의 해석:

• 관세 발표 시점 = 구조적 브레이크포인트
• 주가·환율보다 중요한 것은 거래량, 공급망 재배치, 수입선 다변화 지표
• 단기 가격 반응보다 중기 분산 변화(variance shift)가 중요
  • 중기 분산 변화의 정확 의미1. 의미 정리가격의 평균 이동(mean shift)보다
    • 단기 가격 반응
    • → 이벤트 직후의 수익률 방향(↑↓)
    • 중기 분산 변화
    • → 이벤트 이후 일정 기간 동안 변동성 수준이 달라졌는지
  • 가격 변동성 구조가 바뀌었는지가 더 중요한 신호라는 의미다.
  • “단기 가격 반응보다 중기 분산 변화가 중요”하다는 말은
  • “중기 분산 변화(variance shift)”의 정확한 의미

1.2 분석적으로 중요한 질문

• 관세 발표 이후 특정 산업의 수입국 집중도(HHI) 변화
• 관세 부과 전후 기업별 원가 구조 민감도
• 관세 뉴스 이후 기업 실적 가이던스 수정 빈도

→ 이벤트 스터디 + 구조 변화 탐지 문제로 귀결

---

2. 자원(에너지·희토류) → 가격이 아니라 ‘선택권 데이터’

2.1 자원은 현물 가격보다 ‘옵션 가치’

자원은 현재 생산량보다 미래에 꺼낼 수 있는 선택권(real option)으로 해석된다.

금융 데이터 사이언스 관점:

• 자원 보유국 = 잠재 공급자
• 시장의 핵심은 “얼마나 생산하나”가 아니라
• “언제 생산을 늘릴 수 있나”

2.2 중요한 분석 대상

• 유가·광물 가격 수준보다 spare capacity
• 생산량보다 생산 전환 속도
• 자원국 정치 리스크와 글로벌 변동성(VIX) 간 선행 관계

→ 시계열 예측 문제가 아니라 옵션성·비대칭 리스크 분석 문제

---

3. 미국 전략의 공통 구조 → 금융 모델링 힌트

3.1 ‘직접 소유’가 아니라 ‘구조 통제’

미국은 자산을 직접 보유하기보다 가격 결정, 결제, 보험, 규칙을 통제한다.

금융 데이터로 번역하면:

• 자산 수익률보다 거래 인프라 데이터
• 기업 실적보다 결제·정산·보험·운송 데이터
• 소득보다 흐름(flow)과 마찰(friction)

3.2 데이터 분석 시 중요한 관점

• GDP, 무역액 → 결과 변수
• 결제 통화, 보험 조건, 운송 경로 → 원인 변수
• “얼마나 벌었나”보다 “어디를 반드시 거쳐야 하나”

---

4. 스테이블코인 → ‘암호화폐’가 아니라 ‘금융 센서’

*기존 암호화폐의 가격 변동성 없애고, 달러나 원화같은 특정 법정화폐의 가치에 1:1 연동되도록 설계된 암호화폐

4.1 스테이블코인의 본질

스테이블코인은 탈달러 자산이 아니라 프로그래머블 달러 인터페이스다.

금융 데이터 관점 핵심:

• 자산 클래스가 아니라 결제 로그 데이터
• 투자 대상이 아니라 행동 데이터 스트림

4.2 기존 금융 데이터와의 차이

구분	전통 금융	스테이블코인
시간 해상도	일·월 단위	초·분 단위
접근성	폐쇄적	공개/준공개
국경	국가별	글로벌
지연	큼	거의 없음

→ 스테이블코인은 글로벌 달러 수요의 실시간 센서

---

5. 스테이블코인 데이터로 가능한 분석 주제

5.1 글로벌 리스크 조기 탐지

• 특정 국가/지역에서 USDT·USDC 거래량 급증
• 체인 간 브리지 이동 증가
• 법정통화 약세보다 선행 신호로 작동

5.2 금리 정책 민감도 분석

• 금리 인상기: 스테이블코인 잔고 변화
• DeFi 예치 이동 → 위험 선호 변화
• 연준 발표 이전에 나타나는 행동 기반 시그널

5.3 제재·자본 통제 회피 패턴

• 특정 시간대 대형 트랜잭션 집중
• 믹서·DEX·브리지 사용 급증
• 지정학 리스크 데이터로 활용 가능

---

6. 디페깅(de-peg) 연구 → 예측 문제가 아닌 ‘리스크 모니터링 문제’

6.1 디페깅 예측의 한계

*stable coing 가격 고정되어 있어야 할 목표 가치에서 벗어나는 현상 ex) 1dollar에 고정되어야 하는 USDT(암호화폐 stable coin)나 USDC(USD에 1:1로 연동되는 stable coin)가 0.95, 1.05로 거래되는 상황

• 정상 상태가 대부분(극단적 클래스 불균형)
• 핵심 데이터(order book, 준비금 실시간)는 비공개
• 가격 데이터만으로는 한계 명확

→ 정확한 시점 예측 문제는 비현실적

6.2 현실적인 문제 재정의

• “언제 깨질까?” → “위험이 높아지고 있는가?”
• 회귀/예측 → 조기경보(Early Warning System)
• 목표는 정확도보다 리스크 순위화

6.3 데이터 사이언스적으로 유의미한 접근

• 온체인 지표 + 오프체인 지표 결합
• 가격이 아니라 유동성·담보·심리 지표
• 분류(classification), 이상치 탐지, 체인지포인트 분석

---

7. 금융 데이터 사이언티스트가 가져가야 할 핵심 교훈

7.1 문제 정의 관점

• 평균 수익률 예측 → 구조 변화 탐지
• 정상 상태 모델링 → 극단 상황 대비
• 결과 변수 중심 → 제약 조건·행동 공간 중심

7.2 데이터 관점

• 가격 데이터 < 흐름(flow) 데이터
• 회계 데이터 < 결제·이동 로그
• 사후 통계 < 실시간 행동 데이터

7.3 모델링 관점

• 정밀 예측보다 조기 신호 감지
• 단일 모델보다 리스크 지수·스코어링
• 설명력보다 운영 가능성(operational usefulness)

---

8. 정리

이 자료의 핵심 메시지는 정치가 아니라 다음과 같다.

금융 시장에서 중요한 것은

“얼마나 성장했는가”가 아니라

“누가 언제 무엇을 선택할 수 있는가”다.

금융 데이터 사이언티스트의 역할은

가격을 맞히는 사람이 아니라

구조가 바뀌는 순간을 가장 먼저 감지하는 사람이다.

---

Deep dive into real project

---

Depeg

Depeg(stable coin이 연동된 특정 자산의 가치와 동일한 비율을 유지하지 못하고 가치 변동)

⇒ 언제 무너질지를 맞추는게 아니라 디페깅 확률이 높아지는 조짐이 있는가를 확률적 신호로 탐지

---

Synthetic Data

● 사건 데이터가 부족하면, 시뮬레이션으로 extreme scenario를 합성해서 모델 학습

✔ Stablecoin stress scenario generator

• Simulation 기반 가상 시장에서 peg breakdown 실험 → 정책적 시사점.

✔ Cross-market arbitrage monitoring

• Stablecoin이 여러
  CEX (centralized exchange: 중앙화된 거래소, 사용자 자금을 맡고 KYC 수행) /
  DEX (사용자가 직접 개인 지갑을 연결해 거래하며 자금을 통제하는 거래소)
  에 상장돼 있을 때
  가격 차이와 유동성 흐름 추적 → arbitrage(차익거래) window 탐지.

✔ Dynamic reserve adequacy score

• Depeg 확률을 담보율, 은행 파산, fiat redemption demand로 추정

---

왜 CEX–DEX 가격 차이를 보면 depeg 탐지가 되나?

👉 depeg은 ‘기준 가치(peg)’에서 벗어났느냐의 문제

👉 CEX–DEX 가격 차이는 depeg의 조기 신호 또는 전파 경로

에 가깝다.

전형적인 패턴

1. 온체인 리스크 발생
   • 준비금 루머
   • 브릿지 해킹
   • 담보 자산 급락
2. DEX 유동성 풀에서:
   • 사람들이 stablecoin을 먼저 던짐
   • 풀 비대칭 → 가격 하락
3. DEX 가격 < 1 USD
4. CEX는:
   • 아직 MM·회계·정책 때문에 가격 유지
5. CEX–DEX 가격 괴리 확대
6. 차익거래 시도 → 유동성 이동
7. 괴리가 수렴하면 정상
8. 괴리가 유지되면 → depeg 확정

---

현실성 고려

• 디페깅 예측 보다는 → 조기 경보
  Early Warning System or Stress Test Tool로 축소
• 실거래 데이터 대신 → 합성 시뮬레이션 + 공개 사건 데이터로 연구
• 단일 price만 말고 →
  담보율, twitter, on-chain reserve 변화까지 함께 쓰는 다중 feature

---

직접적 실시간 예측 대신 아래 3가지 방식으로 연구 수행

---

1. 사후 분석 (Post-mortem Analysis)

실제로 디페깅이 발생한
과거 사건(예: Terra UST, USDC-SVB 사태) 을
정책적, 구조적 관점에서 분석

• 디페깅 전 유동성 변화
• 담보금 비율 변화
• 대형 트랜잭션 (whale dump)
• 트위터 FUD 확산 시점
• 스테이블코인 redemption 트랜잭션 급증

같은 설명변수(feature) 를 사후적으로 모아 패턴 도출

장점

• 데이터 부족 문제 없음 (사건 직전 데이터만 확보하면 됨)
• 구조 요인, 거버넌스 요인 분석 가능
• 학계에서는
  ‘리스크 인디케이터 설계’, ‘감독정책 시사점’ 논문으로 많이 활용

---

2. Simulation & Agent-Based Modeling

실제 데이터 부족 → 가상 디페깅 상황 모델링

대표적 방법:

• 담보 비율이 점진적으로 하락하는 가상 시나리오
• DeFi pool에서 bank run이 발생하는 agent-based simulation
• 대규모 redemption 발생 시 유동성 고갈 속도 계산

예:

An Agent-Based Model of Stablecoin Depegging under Liquidity Shock

NetLogo, Python SimPy, custom simulator로
가상 시장을 만들고 디페깅 확률과 위험요소 민감도 분석

장점

• 데이터 의존도 낮음
• extreme case 실험 가능
• 정책·감독 연구에 적합

---

3. Early Warning System

‘디페깅을 정확히 맞춘다’가 아니라
디페깅 리스크가 높아지는 징후를 감지

실제 금융감독기구가 선호하는 접근

종합 risk index 구성 예:

• On-chain: 담보 reserve 잔고, 대규모 트랜잭션
• Off-chain: CEX/DEX 가격 괴리, order book depth
• Sentiment: 뉴스/트위터 공포지수
• Ground truth: 디페깅 발생 시점
• 모델 목적: 리스크 경보를 조기 발화

→ Classification (High / Low Risk)
→ Changepoint detection

---

연구자로서의 실전 전략

1. 데이터가 없는 걸 피하지 말고, 왜 없는지를 논문에 담는다
2. 사건 중심 post-mortem을 통해
   앞으로 공개돼야 할 데이터를 정책 제언으로 연결
3. 예측모델보다 조기 경보 스코어링 모델을 현실성 있게 설계
4. 부족한 실데이터는 시뮬레이션으로 보완

---

Example Observation

BIS (2022)

https://www.bis.org/publ/qtrpdf/r_qt2209b.htm

실시간 디페깅 예측은 데이터와 사건 수가 극도로 제한됨
→ 대신 위험 신호를 조기 탐지하는 스코어링 모델 연구가 활발

Aramonte, Huang, Schrimpf (2022):

• DeFi 대출 시장의 정보 비대칭 문제 지적
• 실거래 데이터 확보 한계 인정
• 담보 비율, 온체인 풀 유동성, 차입–대출 비율 등으로
  단순 조기경보 지표 설계
• 감독당국·투자자 실무 활용 방안 제시

---

Gorton & Zhang (2022)

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3888752

「Taming Wildcat Stablecoins」

• 담보·유동성 정보 비공개 문제 제기
• Terra UST 디페깅 사례 기반 분석
• 발행사의 담보·회계 감사 공개 부족 비판
• 규제를 통한 해결 필요성 주장

→ 데이터 부족 자체를 연구의 핵심 논점으로 설정
→ 향후 데이터 공개 수준과 감독 체계 제안

---

Eichengreen & Viswanath-Natraj (2022)

IMF 보고서

• UST, USDC 디페깅 사례 구조적 분석
• 담보율, 유동성, 거래소 간 가격 괴리만으로도
  중요한 설명력 확보 가능함을 제시
• 데이터 부족·정보 비대칭이 리스크를 증폭시킴을 지적
• 정책당국의 규제 프레임 필요성 강조

⇒ 사후 분석을 통해 재발 방지 + 데이터 투명성 강화로 연결