# 대출 심사 모델 (Loan Underwriting Model)

## 1. 개요
**대출 심사 모델**이란 금융기관이 대출 신청자의 신용도와 상환 능력을 평가하여 대출 승인 여부, 대출 한도, 그리고 적용 금리를 결정하기 위해 사용하는 정량적·정성적 분석 체계를 의미한다.

금융기관의 핵심 목적은 **리스크 관리(Risk Management)**와 **운영 효율화(Automation)**에 있다. 부실 대출로 인한 자산 건전성 악화를 방지하는 동시에, 심사 프로세스를 자동화하여 고객 경험을 개선하고 인건비를 절감하는 것이 주된 목표이다. 과거의 대출 심사는 심사역의 주관적 판단과 단순한 체크리스트에 의존하는 전통적 방식이었으나, 최근에는 빅데이터와 머신러닝을 활용하여 실시간으로 정밀한 예측을 수행하는 데이터 기반 방식으로 진화하고 있다.

## 2. 대출 심사의 핵심 구성 요소
심사 모델은 신청자의 상환 가능성을 예측하기 위해 다양한 지표를 입력값(Input)으로 사용한다.

### 2.1 주요 판단 지표
*   **신용점수 (Credit Score):** 과거의 금융 거래 이력을 바탕으로 산출된 수치로, 상환 의지와 능력을 나타내는 대표적 지표이다.
*   **소득 수준 (Income Level):** 연간 소득 및 고용 형태를 통해 원리금 상환 능력을 평가한다.
*   **담보 가치 (Collateral Value):** 부동산, 예금 등 대출금 회수를 보장할 수 있는 자산의 가치를 평가한다.
*   **DSR (Debt Service Ratio, 총부채원리금상환비율):** 연간 소득 대비 모든 대출의 원리금 상환액이 차지하는 비율로, 차주의 실질적인 상환 부담을 측정한다.

### 2.2 데이터의 구분
| 구분 | 정의 | 주요 예시 | 특성 |
| :--- | :--- | :--- | :--- |
| **정량적 데이터** | 수치로 측정 가능한 객관적 데이터 | 연소득, 신용점수, 기존 대출 잔액, DSR, 연체 횟수 | 분석 및 모델링이 용이하며 객관성이 높음 |
| **정성적 데이터** | 수치화하기 어려운 속성 및 상태 데이터 | 직업군, 재직 기업의 업력, 거주 형태, 학력 | 심사역의 판단이 개입되며, 최근 데이터 전처리를 통해 수치화함 |

## 3. 심사 모델의 유형 및 작동 원리
대출 심사 모델의 핵심은 입력 데이터($X$)를 통해 차주의 부도 확률($PD, Probability of Default$)을 예측하는 함수 $f(X) = PD$를 구축하는 것이다.

### 3.1 모델의 발전 과정
1.  **스코어카드 (Scorecard):** 각 항목(변수)에 가중치를 부여하여 합산 점수를 내는 방식이다. 해석이 매우 쉽지만, 변수 간의 복잡한 상호작용을 반영하기 어렵다.
2.  **로지스틱 회귀 (Logistic Regression):** 특정 사건(부도 여부)이 발생할 확률을 0과 1 사이의 값으로 예측하는 통계 모델이다. 금융권에서 가장 널리 쓰이는 표준 모델이다.
3.  **결정 트리 및 앙상블 (Decision Tree, Random Forest, XGBoost):** 데이터를 조건에 따라 분기하여 예측하는 방식이다. 비선형 관계를 잘 포착하며 예측 성능이 매우 뛰어나다.
4.  **딥러닝 (Deep Learning):** 다층 신경망을 통해 복잡한 패턴을 학습한다. 대량의 데이터가 필요하며, 결과 도출 과정의 투명성(설명 가능성)이 낮다는 단점이 있다.

### 3.2 임계값(Threshold) 설정 원리
모델은 최종적으로 '부도 확률(Probability of Default)'을 출력한다. 금융기관은 리스크 수용 범위에 따라 **임계값(Threshold)**을 설정한다.
*   예: 임계값이 0.2일 때, 부도 확률이 0.15인 신청자는 **승인**, 0.25인 신청자는 **거절** 처리한다.
*   경기 불황기에는 리스크 관리를 위해 임계값을 낮추어 심사 기준을 강화한다.

## 4. 대출 심사 프로세스 (Workflow)
전체 파이프라인은 데이터의 수집부터 최종 의사결정까지 유기적으로 연결된다.

> **[프로세스 흐름]**
> 1. `신청 접수` $\rightarrow$ 2. `데이터 수집 (내부/외부)` $\rightarrow$ 3. `데이터 전처리` $\rightarrow$ 4. `모델 스코어링` $\rightarrow$ 5. `정책 필터링` $\rightarrow$ 6. `최종 승인/거절 및 조건 결정`

### 4.1 심사 로직 의사코드 (Pseudo-code)
```python
def loan_underwriting(applicant_data):
    # 1. 기본 자격 검증 (Hard-cut)
    if applicant_data.credit_score < 400 or applicant_data.has_bankruptcy:
        return "REJECTED (Policy)"

    # 2. 모델 스코어링 (ML Model)
    pd_score = ml_model.predict_probability(applicant_data) # 부도 확률 계산

    # 3. DSR 및 한도 체크
    if applicant_data.dsr > 40:
        return "REJECTED (DSR Limit)"

    # 4. 임계값 기반 최종 결정
    threshold = 0.2
    if pd_score < threshold:
        # 승인 시 부도 확률(PD)에 따라 금리와 한도를 차등 결정
        rate, limit = determine_rate_and_limit(pd_score)
        return f"APPROVED (Rate: {rate}, Limit: {limit})"
    else:
        return "REJECTED (High Risk)"
```

## 5. 리스크 관리 및 모델 평가 지표
모델의 성능을 지속적으로 모니터링하고 최적화하는 과정이 필수적이다.

### 5.1 모델 성능 평가 지표
*   **AUC-ROC:** 모델이 정상 차주와 부도 차주를 얼마나 잘 구분하는지 나타내는 곡선 아래 면적이다. 1에 가까울수록 성능이 우수하다.
*   **Gini 계수:** AUC와 밀접한 관련이 있으며, 모델의 변별력을 측정하는 지표이다. ($Gini = 2 \times AUC - 1$)
*   **KS 통계량 (Kolmogorov-Smirnov):** 정상군과 부도군의 누적 분포 차이가 최대가 되는 지점을 측정하여, 모델이 두 집단을 얼마나 명확하게 분리해내는지를 평가하는 지표이다.

### 5.2 혼동 행렬 (Confusion Matrix)
모델의 예측 결과와 실제 결과를 비교하여 정확도를 측정한다.

| 예측 \ 실제 | 실제 정상 (Non-Default) | 실제 부도 (Default) |
| :--- | :--- | :--- |
| **정상 예측** | **True Negative (TN)**: 정상 차주를 정상으로 예측 (정확한 승인) | **False Negative (FN)**: 부도 차주를 정상으로 예측 (위험한 승인) |
| **부도 예측** | **False Positive (FP)**: 정상 차주를 부도로 예측 (기회 손실) | **True Positive (TP)**: 부도 차주를 부도로 예측 (정확한 거절) |

### 5.3 모델 유지보수
*   **과적합(Overfitting) 방지:** 학습 데이터에만 지나치게 최적화되어 새로운 데이터에서 성능이 떨어지는 현상을 막기 위해 교차 검증(Cross-validation)과 규제(Regularization)를 적용한다.
*   **재학습(Retraining):** 경제 상황 변화(금리 인상, 팬데믹 등)로 인해 과거 데이터의 패턴이 변하는 **개념 표류(Concept Drift, 학습 데이터와 실제 데이터의 통계적 특성이 변하는 현상)**가 발생하므로 주기적인 재학습이 필요하다.

## 6. 실제 대출 심사 시나리오 사례 연구
**시나리오: 씬 파일러(Thin Filer)를 위한 중금리 대출 심사**
*   **대상:** **씬 파일러(Thin Filer, 금융 이력 부족자로 신용평가에 필요한 정보가 부족한 사람)**인 사회초년생.
*   **문제:** 전통적인 신용점수 모델로는 상환 능력을 평가할 수 없어 무조건 '거절' 처리됨.
*   **해결책:** **대안 신용평가 모델** 도입.
    *   **활용 데이터:** 통신비 납부 내역, 온라인 쇼핑 결제 패턴, 앱 사용 행태, 공공요금 납부 실적, 배달 플랫폼 매출 데이터, 구독 서비스 결제 이력 등.
    *   **결과:** 성실한 통신비 납부 이력이 확인된 신청자에게 낮은 부도 확률을 부여하여 대출 승인 및 적정 금리 제공.

## 7. 금융 규제 가이드라인 및 법적 근거
대출 심사 모델은 금융 소비자의 권익 보호를 위해 엄격한 법적 규제를 받는다.

*   **신용정보법 (신용정보의 이용 및 보호에 관한 법률):** 개인신용정보의 수집, 이용, 제공에 관한 절차를 규정하며, 정보 주체의 동의 없는 데이터 활용을 금지한다.
*   **설명요구권 (Right to Explanation):** 자동화된 결정(AI 심사)으로 인해 불이익을 받은 고객이 그 이유에 대해 설명을 요구할 수 있는 권리이다. 이에 따라 금융사는 **XAI(Explainable AI, 설명 가능한 AI)** 기술을 도입하여 거절 사유를 명확히 제시해야 한다.
    *   **XAI의 역할:** 블랙박스 형태의 복잡한 AI 모델(딥러닝, XGBoost 등)이 왜 특정 결과를 도출했는지 사람이 이해할 수 있는 형태로 설명하는 기술이다. 예를 들어, SHAP(SHapley Additive exPlanations)나 LIME과 같은 기법을 통해 "DSR 비율이 기준치보다 5% 높아 거절되었습니다"와 같은 구체적인 근거를 제공한다.
*   **금소법 (금융소비자 보호에 관한 법률):** 적합성 원칙과 적정성 원칙에 따라 고객의 재산 상황과 목적에 맞는 상품을 권유해야 하며, 모델의 편향성으로 인한 차별적 금리 적용을 금지한다.

## 8. 최신 트렌드 및 윤리적 쟁점
### 8.1 비금융 데이터와 대안 신용평가
전통적인 금융 데이터 외에 SNS 활동, 플랫폼 매출, 행동 데이터 등을 활용하는 추세이다. 이는 금융 소외 계층을 포용하는 효과가 있으나, 프라이버시 침해 우려가 공존한다.

### 8.2 알고리즘 편향성과 공정성
AI 모델이 학습 데이터에 포함된 과거의 편견(예: 특정 지역, 성별, 연령대에 대한 차별)을 그대로 학습하여 특정 집단에 불리한 심사 결과를 내놓는 **알고리즘 편향성** 문제가 제기되고 있다. 이를 해결하기 위해 '공정성 지표'를 설정하고 모델의 출력값을 보정하는 연구가 진행 중이다.