credit.methodology — 독립 신용분석 방법론 SSOT (사상·등급체계·파이프라인·audit)

엔진 역할

dartlab 은 공시 데이터만으로 재현 가능한 독립 신용분석을 수행한다. 신평사의 비공개 면담 없이도, 공시 재무제표 + 주석 + 사업보고서 + 시장 데이터로 제도권에 준하는 정량 신용등급을 산출하고, 그 과정을 100% 투명하게 공개한다.

본 sub-spec 은 등급 결정 사상 · 알고리즘 · audit 규칙 SSOT. 외부 사용자 API 는 engines.credit SKILL 참조.

공개 호출 방식

import dartlab

c = dartlab.Company("005930")

# 1. 무인자 → 가이드 DataFrame (axis | label | description | example)
print(c.credit())

# 2. 종합 등급
c.credit("등급")                # → dict (grade, healthScore, score, ...)
c.credit("등급", detail=True)   # 7 축 narrative + 지표 시계열 풀

# 3. 축별 분석
c.credit("채무상환")            # 한글 alias
c.credit("repayment")           # 영문 alias

# 4. 보고서 발간 (review publisher 통합)
from dartlab.story.publisher import publishReport
publishReport("005930")         # 6 막 보고서, 신용평가 섹션 narrative + audit 자동 포함

다른 분석 엔진 (analysis / macro / quant / scan) 도 동일 패턴 — 무인자 → 가이드, “축이름” → 분석.

호출 동작

항목	내용
레이어	L2 (analysis / scan / notes / gather 소비)
진입점	c.credit() · c.credit("등급") · c.credit("채무상환")
소비	Company 전체 (finance · notes · docs · report) · scan · gather — analysis 와 독립
생산	신용분석 보고서 · 등급 이력 · audit 결과 · 정례 보고서
핵심	재현 가능성 + 투명성 + 지속 발전

사상 — 왜 독립 신용분석인가

제도권 신평사 한계:

• 발행자 지불 (issuer-paid) 모델 → 이해충돌
• 방법론 핵심 파라미터 비공개 → 블랙박스
• 2008 금융위기 — 서브프라임 MBS 에 AAA 부여 → 신뢰 실추
• 한국 — 3 사 과점, 등급 인플레이션 논란

dartlab 의 답:

• 투자자 지불도 발행자 지불도 아닌 오픈소스 → 이해충돌 구조적 제거
• 모든 파라미터 · 가중치 · 기준표 100% 공개 → 누구든 재현 가능
• 코드가 곧 방법론 → 코드 읽으면 등급 근거 이해
• 공시 데이터만 사용 → 비공개 정보 없이도 동작

철학 5 대 원칙

1. 재현 가능성 (Reproducibility)

같은 입력 → 같은 등급. 예외 없음.

• 모든 계산 결정론적 (deterministic) — 랜덤 요소 없음
• 입력 — 공시 재무제표 + 주석 + 사업보고서 + 시장 데이터 (모두 공개)
• 누구든 dartlab.credit("005930") 실행하면 같은 등급
• 정성 조정도 코드화된 규칙으로만 — “분석가 판단” 블랙박스 없음

2. 투명성 (Transparency)

등급 모든 근거 공개.

• 등급 보고서에 모든 축 점수 · 지표값 · 기준표 명시
• “왜 이 등급인가” 완전한 답
• 신평사 등급과 다르면 왜 다른지 근거 명시 (동의/비동의)
• 방법론 변경 시 변경 사유 + 영향 받는 기업 목록 공개

3. 보수주의 (Conservatism)

의심스러우면 낮게.

• 데이터 없으면 None (추정 금지) — 그 축 점수에서 제외 + “미평가” 명시
• 캡티브 금융 (현대차) · 지주사 (LG) 등 구조적 왜곡은 감지하되 상향 조정하지 않음
• 정량 확인 불가 “계열 지원” · “정부 보증” 등급에 반영하지 않음
• 대신 보고서에 “정량 등급 BB+ / 계열 지원 감안 시 AA 가능성” 형태로 병기

4. 지속 발전 (Continuous Improvement)

audit 가 엔진을 발전시킨다.

• 매 보고서 발행 후 실제 등급과 대조 → 오차 원인 분석 → 엔진 개선
• 부도 사건 발생 시 dartlab 이 사전 포착했는지 역추적
• 등급 전이 매트릭스 장기 축적 → 모델 정확도 실증
• 방법론 버전 관리 (v1.0 → v1.1 → …) — 버전별 정확도 추적

5. 독립성 (Independence)

dartlab 신용등급은 dartlab 만의 판단.

• 신평사 등급을 “정답” 으로 보지 않음 — 참고 only
• 신평사와 다를 수 있고, 다를 때 왜 다른지 설명
• “신평사가 AA 라서 우리도 AA” — 금지. 모든 등급 자체 산출
• 일치율은 “정확도” 가 아니라 “상관관계”

등급 체계 — dartlab Credit Rating (dCR)

등급 구조 (20 단계 + eCR + Outlook)

투자적격:  dCR-AAA, dCR-AA+, dCR-AA, dCR-AA-, dCR-A+, dCR-A, dCR-A-,
          dCR-BBB+, dCR-BBB, dCR-BBB-
투기등급:  dCR-BB+, dCR-BB, dCR-BB-, dCR-B+, dCR-B, dCR-B-
부실:      dCR-CCC, dCR-CC, dCR-C, dCR-D

• dCR- prefix 로 제도권 등급과 구분 (규제 리스크 회피)
• 현금흐름등급 eCR-1 (최상) ~ eCR-6 (최하) 별도 부여
• 등급 전망 — 안정적 / 긍정적 / 부정적

PD Calibration 근거

dCR 의 등급-부도확률 (PD) 매핑은 KIS (한국기업평가) 1998-2024 실측 부도율 + S&P Global Default Study (1981-2024) 교차 참조.

등급	dartlab PD(1Y)	참고 — KIS 실측	참고 — S&P 글로벌
AAA	0.00%	0.00%	0.00%
AA+	0.01%	~0.02%	~0.02%
AA	0.02%	~0.03%	~0.03%
AA-	0.03%	~0.04%	~0.04%
A+	0.04%	~0.05%	~0.05%
A	0.06%	~0.06%	~0.06%
A-	0.08%	~0.08%	~0.07%
BBB+	0.15%	~0.12%	~0.13%
BBB	0.25%	~0.20%	~0.22%
BBB-	0.40%	~0.35%	~0.32%
BB+	0.75%	~0.60%	~0.53%
BB	1.50%	~1.20%	~0.93%
B	7.00%	~5.50%	~3.72%

방법론:

• 투자적격 (AAA~BBB-) — KIS 장기 실측. 한국 시장은 AAA/AA 기업 실제 부도 경험 0 건 가까워 이론 PD 매우 낮음.
• 투기등급 (BB~D) — 한국 시장은 S&P 글로벌 대비 부도율 높은 경향. 보수 설정.
• CHS 모델 (Campbell 2008) PD 산출은 등급 보정용 only, 등급-PD 매핑과 별개 동작.

4 Layer 등급 결정 파이프라인

[Layer 1] 오리지널 정보 수집 — credit 엔진이 직접 수행
    │
    ├── 재무제표 원본 (BS/IS/CF) ← company.select()
    ├── 주석 상세 (차입금/충당부채/리스/부문/원가) ← company.notes
    ├── 사업보고서 텍스트 (사업내용/감사의견/우발부채) ← company.show()
    ├── 시장 데이터 (주가/변동성/시가총액) ← gather
    ├── 거시지표 (금리/스프레드/환율) ← gather.macro
    └── 횡단 비교 (업종 내 순위) ← scan
    │
    ▼
[Layer 2] 7 축 정량 스코어링
    │
    ├── 축 1: 채무상환능력 (25%) — FFO/총차입금 · Debt/EBITDA · FOCF/Debt · EBITDA/이자비용 · 만기구조
    ├── 축 2: 자본 구조 (20%) — 부채비율 · 차입금의존도 · 순차입금/EBITDA · 금융자회사 분리
    ├── 축 3: 유동성 (15%) — 유동비율 · 현금비율 · 단기차입금비중 · 만기 1년 내 비율
    ├── 축 4: 현금흐름 (15%) — OCF/매출 · FCF/매출 · OCF/총차입금 · CF 패턴 · eCR
    ├── 축 5: 사업 안정성 (10%) — 매출 CV · 이익 CV · 매출 규모 · 부문 HHI · 영업이익률 추세
    ├── 축 6: 재무 신뢰성 (10%) — Anomaly Score · Beneish M-Score · 감사의견
    └── 축 7: 공시 리스크 (5%) — 우발부채 만성화 · 키워드 (횡령/배임/과징금) · 감사 구조
    │
    ▼
[Layer 3] 3-Track 분기 + 업종 조정 + 시계열 안정화
    │
    ├── 3-Track 분기 (v4.0)
    │   ├── Track A — 일반기업 (7 축) — isFinancial=False, isHolding=False
    │   ├── Track B — 금융업 (5 축) — isFinancial=True
    │   │   └── 자본적정성 (35%) / 수익성 (35%) / 자산건전성 (15%) / 유동성 (0%) / 사업안정성 (15%)
    │   └── Track C — 지주사 (7 축 재가중) — isHolding=True
    │       └── 채무상환 (15%) / 자본구조 (25%) / 나머지 동일
    │
    ├── 업종별 기준표 적용 (11 개 IndustryGroup 세분화)
    ├── OFS 블렌딩 — 별도재무제표로 캡티브/지주 연결 왜곡 보정
    │   ├── 연결 50% + 별도 50% (별도가 10 점+ 양호하면 35:65)
    │   └── 축 1 (채무상환) + 축 2 (자본구조) + 축 4 (현금흐름) 에 적용
    ├── 축 1 압축 — captive/holding/cyclical: 20 초과분 40% 감쇄
    ├── 3 개년 가중이동평균 (등급 급변동 방지)
    └── CHS 시장 보정 — Campbell (2008) 부도확률 모델
        ├── PD 비대칭 — 극안전 (-5) → 투자적격 (상향만) → 위험 (하향만)
        └── AA 이상 하향 보호 (max +1)
    │
    ▼
[Layer 4] Notch Adjustment + 등급 결정 + 보고서 생성
    │
    ├── Notch Adjustment (정성 대리 신호, v4.0)
    │   ├── 1. 매출 50조+ → +3 notch / 10조+ → +1
    │   ├── 2. 공기업 (한전 등) → +3
    │   ├── 3. 캡티브 별도 D/EBITDA < 3x → +2
    │   ├── 4. 지주 별도 부채비율 < 100% → +2
    │   ├── 5. CAPEX 집약 OCF 양수 → +1
    │   ├── 6. 시가총액 30 조+ → +3 / 10 조+ → +1
    │   ├── 7. 연속 5 기 영업흑자 → +1
    │   ├── 규모별 cap — 대형 7 / 중형 4 / 소형 2 (v5.0)
    │   └── score ≤ 10 미적용, score ≤ 19 cap 4
    │
    ├── 종합 점수 → dCR-등급 매핑 (20 단계)
    ├── divergenceExplanation — 괴리 원인 자동 설명 (v4.0)
    ├── 등급 보고서 생성 (12 섹션, v5.0)
    ├── 신평사 등급 대조 (동의/비동의 + 근거)
    └── 등급 이력 기록 + 전이 매트릭스 업데이트

4 규칙

규칙 1 — 의존성 없음 (오리지널 정보)

credit 엔진은 다른 analysis calc 함수를 호출하지 않는다.

• company.select() · company.notes · company.show() · company.finance.ratios 로 원본 데이터 직접 접근.
• calcLeverageTrend() · calcDistressScore() 등 기존 calc 호출 금지.
• 이유 — 신용분석 지표 정의/계산은 신용분석 맥락에 최적화. 같은 지표라도 ICR 등 신용분석 ICR (등급 결정용) 와 stability ICR (추세 관찰용) 차이.
• 예외 — company.finance.ratios 의 부실 모델 점수 (Z-Score / O-Score / Beneish) 참조 허용. 이미 L0 검증된 순수 수치.

규칙 2 — 신용분석 특화 (재구현)

기존 엔진의 좋은 것을 참고하되 신용분석 맥락에 맞게 재구현.

기존 기능	신용분석 특화	차이
stability.calcCoverageTrend	credit 자체 ICR	이자비용 정의 — 리스이자 포함
capital.calcLiquidity	credit 자체 유동성	notes.borrowings 1 년내 만기 포함
crossStatement.calcAnomalyScore	credit 자체 신뢰성 점수	감사의견 + 공시리스크 통합
scan.governance	credit 자체 거버넌스	등급 조정 맥락 (±notch)
cashflow.calcCashFlowOverview	credit 자체 CF 등급	eCR 체계 (신평사 대응)

규칙 3 — dartlab 만의 체계

차별화 5 요소:

1. 완전 투명 — 코드 = 방법론. 파라미터 · 가중치 · 기준표 100% 공개
2. 재현 가능 — 같은 코드 + 데이터 → 같은 등급. 예외 없음
3. 공시 깊이 활용 — 주석 12 항목 + 사업보고서 텍스트 + 공시변화 신호
4. 횡단 비교 내장 — scan 으로 전종목 대비 상대 위치 자동
5. 보수주의 — 정량 불가 영역 등급에 반영하지 않되, 보고서에 명시

dCR vs 신평사 등급 관계 — dCR 은 정량 기반 독립 등급. 신평사는 정량 + 정성 (면담 · 산업 전문성) 종합. 둘이 다를 수 있고, 다른 것이 정상. “신평사보다 정확하다” 가 아닌 “다른 관점에서 본다” 가 dartlab 포지션.

공기업 / 계열 지원 처리 — 정량 등급에 반영하지 않음. 보고서에 별도 섹션:

[정량 등급] dCR-BB+ (점수 34.5)
[구조적 지원 참고] 정부 100% 출자 공기업 — 제도권 등급 AAA
[dartlab 판단] 정량 기준 BB+, 자체 재무건전성은 투기등급 수준.
               정부 지원을 고려한 제도권 등급과 6 notch 차이.
               정부 지원 제거 시 실질 신용위험은 정량 등급에 가깝다.

규칙 4 — 문서 관리 + 운영 수칙

보고서 체계 5 종:

1. 개별 기업 보고서 — data/credit/reports/{@html String.fromCharCode(123)}종목코드{@html String.fromCharCode(125)}.md (등급 + 7 축 + 신평사 대조 + 근거)
2. 등급 이력 — data/credit/history/{@html String.fromCharCode(123)}종목코드{@html String.fromCharCode(125)}.json
3. audit 기록 — data/credit/audit/{@html String.fromCharCode(123)}종목코드{@html String.fromCharCode(125)}.md
4. 전이 매트릭스 — data/credit/transition.json
5. 정례 보고서 — data/credit/periodic/

등급 변경 프로세스:

• 정기 리뷰 — 사업보고서 공시 시 (연 1회)
• 이벤트 트리거 — 분기 실적 급변 (50%+) / 유동성 위기 / 감사의견 비적정 / 대규모 M&A / disclosureRisk
• 등급 변경 시 — 변경 등급 + 사유 + 이전 비교 + 핵심 변동 지표

audit 규칙 — 매 보고서 발행 시 반드시 audit. 발간 = 검증 + 보완 루프.

audit 단계 8:

1. 보고서 직접 읽기 (처음부터 끝까지)
2. 서사 품질 검증 (narrative.py 생성 문장 자연스러움 · ICR 999배 같은 무의미 수치)
3. 지표 정합성 (7 축 지표가 원본 재무제표와 일치)
4. 신평사 대조 (KIS/KR/NICE 공개 등급, ±2 notch 이내 정상, ±3~4 원인 분석, ±5 이상 모델 재검토)
5. 동의/비동의 (수치 근거 제시)
6. 코드 보완 (narrative.py · engine.py · thresholds.py · AI 프롬프트)
7. 재발간
8. audit 기록

audit 없이 발간하지 않는다. audit 없이 commit 하지 않는다.

방법론 버전 관리 — v1.0 → v1.1 → … 버전별 영향 받는 기업 수 + 등급 변동 통계 공개. 이전 버전으로도 재현 가능하도록 버전별 파라미터 보존.

대표 반환 형태

보고서 구조 (12 섹션, v5.0)

섹션	내용	데이터 소스
1. 등급 요약	등급 · 건전도 · PD · eCR · 전망 · 업종	engine.py
2. 기업 개요	업종 · 주요사업 · 부문구성 · 시장지위	calcCompanyProfile + segments + rank
3. 재무 하이라이트	매출/이익/EBITDA 전년비 + 추세 + 차입금 구성	metricsHistory + narrative
4. 등급 근거	AI 해석 (산업 맥락 + 인과 체인)	AI ask()
5. 7/5 축 상세	축별 서사 + 지표 테이블	narrative + scoreMetric
6. 재무 요약 5 개년	핵심 지표 시계열	metricsHistory
7. 등급 전망	상향/하향 트리거 자동 생성	조건부 로직
8. 신평사 대조	동의/비동의 + notch 차이	audit.py
9. 등급 괴리 분석	왜 다른지 자동 설명	divergenceExplanation
10. Notch Adjustment 상세	적용된 규칙과 이유	notchAdjustment.reasons
11. 별도재무제표 비교	연결 vs 별도 핵심 지표	separateMetrics
12. 면책	방법론 버전 + 면책 사항	정적

dartlab 만의 차별 섹션 (9~11):

• 9. divergenceExplanation — 신평사와의 등급 차이를 정량 근거로 자동 설명
• 10. Notch Adjustment — 정성 대리 신호 (규모 · 시장지위 · 경영안정성) 등급 반영
• 11. 별도재무제표 — 연결 재무 왜곡 (캡티브 금융 / 자회사 부채) 별도와 비교

review 5-7 신용평가 섹션 (review publisher 통합)

1. 등급 요약 (건전도 바 + 8 핵심 지표)
2. Executive Summary (hook 문장 + 인과 체인 서사)
3. 재무 하이라이트 (6 지표 + YoY)
4. 사업 분석 (기업 개요 + 부문별 매출 + HHI)
5. 등급 근거 상세 (인과 서사 + Mermaid 흐름도 + 강점/약점)
6. 재무 분석 (7/5 축 게이지 + 서사)
7. 5 개년 재무 시계열
8+. 등급 전망 / 신평사 대조 / 등급 괴리 / Notch / 별도재무 / 면책

빈 섹션 자동 스킵, 번호 연속.

신규 블록:

• creditNarrative — 7 축 서사 (severity별 strong / adequate / weak / critical)
• creditAudit — 외부 신평사 등급 + notch 차이 + 동의/비동의 근거

기존 16 개 credit 보고서 blog/04-credit-reports/ 보존 (아카이브). 신규 blog/05-company-reports/ review 형식.

검증 (v4.0~v5.0)

표본	적중률	비고
30 개사 (대기업)	87% (26/30)	정확일치 10 개+
50 개사 (중대형)	82% (41/50)
79 개사 (전체)	70% (55/79)	v5.0 과대평가 수정 후 재측정 예정

괴리 분석:

• 정량 한계 3 — 삼성SDI · 고려아연 · 현대제철. FCF 음수 / CAPEX 집약 → 외부 등급 “미래 성장성” 정성 반영.
• 금융 한계 1 — KB금융. AAA 는 “시스템적 중요 은행” 정성. 정량만으로 AAA 불가.
• 주가 일시 1 — SKT. CHS 주가 급락 보정으로 하향 → 보호 규칙으로 복원.

방법론 기반 — 세계 참조점

참조	dartlab 적용	차별점
S&P	7 축 (Business + Financial Risk)	S&P 정성 50%. dartlab 은 정성 대리 신호로 근사
Moody’s	선형보간 scoring (breakpoint)	Moody’s 비공개. dartlab 코드 100% 공개
KIS / 한기평	PD 캘리브레이션 (한국 실측 1998-2025)	한국 시장 특화. 20 단계 매핑
Campbell (2008)	CHS 부도확률 모델 (8 변수 logit)	주가 신호 통합. 재무 + 시장 하이브리드

dartlab 만의 고유 접근 4:

1. OFS 블렌딩 — 별도재무제표로 캡티브/지주 연결 왜곡 보정. 어떤 무료 프레임워크도 하지 않음.
2. 정성 대리 신호 — 시가총액 (시장 지위) · 연속 흑자 (경영 역량) 정량 추출. 정량 ↔ 정성 간극 축소.
3. divergenceExplanation — “왜 다른지” 자동 설명. 블랙박스 아닌 투명한 차이 공개.
4. 코드 = 방법론 — 코드 공개하면 방법론 100% 재현. 별도 논문 불필요.

코드 구조

src/dartlab/credit/
├── __init__.py           # credit() 단일 진입점 + 7 축 select 체계
├── engine.py             # 등급 산출 메인 파이프라인
├── metrics.py            # 7 축 정량 지표 산출 (오리지널)
├── narrative.py          # 7 축 서사 생성 (조건부 해석 문장)
├── publisher.py          # 보고서 7 섹션 생성 + 파일 저장 (deprecated → story.publisher)
├── audit.py              # 신평사 대조 + 동의/비동의
├── history.py            # 등급 이력 JSON + 전이 매트릭스
├── scorecard.py          # 점수→등급 매핑 (core 재수출)
└── thresholds.py         # 업종별 기준표 (core 재수출)

blog/04-credit-reports/   # 공개 발간 (블로그 카테고리, GitHub Pages)
├── _registry.json
├── {순번}-{slug}/index.md

data/credit/              # 내부 데이터 (git 미추적)
├── history/ · audit/ · external_grades.json · transition.json · periodic/

SSOT 헬퍼 위임

credit/metrics.py 의 _toDict / _annualCols 는 analysis/financial/_helpers.py 의 toDictBySnakeId / annualColsFromPeriods 를 alias 위임 (Plan v9 P0). credit 은 analysis calc 함수는 호출하지 않지만, 데이터 변환 헬퍼는 SSOT 단일 경로 사용.

관련 코드 (소비 대상)

경로	역할	credit 활용
company.select("BS/IS/CF")	재무제표 원본	7 축 지표 산출
company.notes.*	주석 12 항목	차입금만기 / 충당부채 / 부문 / 리스
company.show(topic)	사업보고서 텍스트	감사의견 / 우발부채 / 사업내용
company.finance.ratios	부실 모델 점수	Z-Score / O-Score / Beneish 참조
company.sector	업종 분류	기준표 선택
gather.price	주가/변동성	CHS 모델 · 시가총액
gather.macro	거시지표	금리 / 스프레드
scan.*	횡단 비교	업종 내 순위

장기 로드맵

Phase 1 (완료) — 정량 엔진 v1~v2

• 7 축 정량 스코어링 + 업종별 기준표 (11)
• TTM 환산 + 이자비용 CF fallback
• 30 개사 53~57%

Phase 2 (완료) — 3-Track + Notch + OFS (v3~v4)

• Track A/B/C 분기
• Notch Adjustment 7 규칙
• CHS 시장 보정 + OFS 블렌딩
• 79 개사 70%, 대기업 87%

Phase 3 (진행 중) — 방법론 정립 + 보고서 완성 (v5)

• 12 섹션 보고서
• divergenceExplanation
• 방법론 문서 정비 (본 sub-spec)
• 50 개사 배치 발간

Phase 4 (계획) — 텍스트 분석 도입 + 시장 데이터 확장

• 사업보고서 “사업의 내용” NLP 분석
• 위험 공시 품질 측정 (특이성 / 끈기성)
• 경영진 투명성 점수
• 시장 데이터 확장 — 보고서에 회사채 스프레드 (ECOS/FRED) 삽입 검토. credit 실행 중 gather(“macro”) 호출은 메모리 부담 + API 의존이라 보류. 시장 스프레드는 등급 산출에는 미사용하되, 보고서 보충 정보로 향후 추가.

Phase 5 — 공개 + 신뢰 구축

• dartlab.io 등급 조회 페이지
• 정례 보고서 유튜브 공개
• 등급 전이 매트릭스 / 부도율 통계 공개
• 커뮤니티 피드백 → 방법론 개선 루프

발간 규칙

• 정기 발간 — 사업보고서 공시 후 2 주 이내
• 이벤트 발간 — 등급 변경 시 즉시
• 정례 보고서 — 월 1 회 전체 등급 변동 요약 (data/credit/periodic/)
• 저장 경로 — blog/05-company-reports/{@html String.fromCharCode(123)}순번{@html String.fromCharCode(125)}-{@html String.fromCharCode(123)}slug{@html String.fromCharCode(125)}/index.md (review publisher)
• 발간 명령 — from dartlab.story.publisher import publishReport; publishReport("005930")
• 레거시 — blog/04-credit-reports/ 아카이브 (16 개)

변경 이력

날짜	버전	변경	퀄리티
2026-04-01	v1.0	초기 엔진 — 5 축, 20 단계, 8 개사 검증	50/100
2026-04-01	v1.0	정밀도 강화 — 6 축 + 업종세분화 + 사이클/캡티브	55/100
2026-04-01	v1.0	credit 독립 엔진 — 7 축, 사상/규칙/audit	60/100
2026-04-01	v1.0	발간 체계 — narrative+audit+publisher+3 개사	62/100
2026-04-01	v1.0	audit 보완 — 무차입표현, 유동성모순, 섹션번호	65/100
2026-04-02	v1.0	세계 수준 강화 — 기업개요 + 추세 + 차입금구성 + 부문	75/100
2026-04-02	v1.0	AI 연동 — 프롬프트 등록, detail 에 서사 포함	75/100
2026-05-12	v5.0	analysis/CREDIT.md → 본 sub-spec 통합 (Skill OS 운영 SSOT 승격)	75/100

기본 검증

• 호출 결과는 tableRef · valueRef · dateRef · executionRef 로 ref 남긴다.
• 7 축 가중치 변경 시 본 메서드 spec + engines.credit SKILL.md 동시 갱신.
• 외부 신평사 등급 비교 시 시점·표본·정성 요소 차이 답변에 명시.