부실 금융기관 분류·BIS·헐값매각 진단

공개 호출 방식

AI 도구 실행 순서는 EngineCall 우선이다. Company.panel("IS"|"BS"|"CF"), Company.filings, scan.quality, scan.audit, scan.disclosureRisk 는 엔진 호출로 근거를 먼저 확보한다. 아래 Python 블록은 확보한 L1/L1.5 근거를 buildEvidenceForensicsMemo 로 묶는 RunPython fallback 절차다 — 부실 금융기관 — 엔진 후보 메모.

import dartlab
from dartlab.synth.evidenceForensics import buildEvidenceForensicsMemo

target = "005930"  # KOSPI/KOSDAQ 종목코드
c = dartlab.Company(target)

statements = {}
for topic in ("IS", "BS", "CF"):
    try:
        statements[topic] = c.panel(topic, freq="Y")
    except TypeError:
        statements[topic] = c.panel(topic)
    except Exception:
        pass

sectionTexts = {}
for topic in ("businessOverview", "riskFactors", "mdna", "notesDetail"):
    try:
        sectionTexts[topic] = str(c.panel(topic))[:20000]
    except Exception:
        pass

try:
    disclosure = c.filings()
    events = disclosure.head(20).to_dicts() if hasattr(disclosure, "head") else list(disclosure)[:20]
except Exception:
    events = []

scanRows = []
for axis in ("quality", "audit", "disclosureRisk"):
    try:
        df = dartlab.scan(axis)
        rows = df.head(3).to_dicts() if hasattr(df, "head") else []
        for row in rows:
            row["axis"] = axis
        scanRows.extend(rows)
    except Exception:
        pass

memo = buildEvidenceForensicsMemo(
    target=target,
    market=str(getattr(c, "market", "KR")),
    companyName=str(getattr(c, "corpName", target)),
    statements=statements,
    sectionTexts=sectionTexts,
    events=events,
    scanRows=scanRows,
)

emit_result(
    table=memo["tables"]["engineCandidateMemo"],
    values={
        "target": target,
        "riskScore": memo["headline"].get("riskScore"),
        "signalCount": memo["headline"].get("signalCount"),
    },
    date=memo.get("asOf", "latest"),
    sources=memo["sources"],
)

호출 동작 — 5 단 분석 구조

1. 결론 도출

BIS·NPL·LCR 시계열 + 자기자본 보강 + 부실 분류 매트릭스 + 인수·매각 가격 적정성 + 산업 평균 비교 한 문장.

좋은 결론 예시:

• “외환은행-론스타 케이스 — 인수 시점 (2003) BIS X% (8% 기준 ±N%p) → 부실 분류 (요주의/고정/회수의문) Y% / 총 여신. 인수가 Z 조원 vs 추정 NAV K 조원 (가격 / NAV = M%, 30% 할인). 자기자본 보강 (증자·후순위채) 잠재 효과 시뮬레이션. 헐값매각 가능성 [중간][conf:55]. counter — 부실 자산 인수 위험 프리미엄 (negative goodwill 인정 가능성) + 외환위기 직후 정상 인수 시점 환경 별도 평가. 산업 평균 BIS·NPL 동행 비교 의무.”

금지:

• BIS 8% 미달 단독으로 부실 단정 (시점 일시 변동 가능).
• 헐값매각 단정 시 인수자 위험 프리미엄 누락.

2. 핵심 근거 수집

requiredEvidence: skillRef + target + tableRef + valueRef + dateRef + sourceRef + executionRef 필수.

• target (stockCode).
• sourceRef: 사업보고서 감독 지표 주석 (BIS·NPL·LCR·RBC·K-ICS) + 자본확충 공시 + 인수·매각 공시 + 감독원 발표 (외부 webRef).
• tableRef (5+ 표):
  1. 감독 지표 시계열 — BIS·CET1·Tier1 (은행) / NCR (증권) / RBC·K-ICS (보험) / LCR·NSFR (유동성)
  2. 부실 분류 매트릭스 — 정상 / 요주의 / 고정 / 회수의문 / 추정손실 / 비율 시계열
  3. 자기자본 보강 ledger — 증자·후순위채·하이브리드 자본 (영구채·CB) 시점·규모·인정 한도
  4. 인수·매각 가격 적정성 — 인수가 vs NAV / DCF / peer 비교 (3 방식)
  5. 산업 평균 비교 — 동종 업종 (은행·증권·보험) 평균 BIS·NPL·NIM 동행 비교
• valueRef: BIS 비율, NPL 비율, 대손비용 / 영업이익, 인수가 / NAV.
• dateRef: 감독 지표 발표일·자본확충일·인수·매각일.
• executionRef: RunPython 으로 시계열 회귀 + 산업 평균 차이 계산.

3. 메커니즘 분석

부실 금융기관 진단 = 감독 지표 + 자본 보강 + 부실 분류 + 매각 가격 + 산업 비교 5 차원 동시 검증:

graph LR
  BS_FI["금융기관 BS"] --> RWA["위험가중자산 RWA"]
  BS_FI --> CAPITAL["자기자본<br/>CET1 + Tier1 + Tier2"]
  CAPITAL --> BIS["BIS 비율<br/>= 자기자본 / RWA"]
  RWA --> BIS

  BIS --> THRESHOLD["8% (최저)<br/>10.5% (시스템적)"]
  THRESHOLD --> DISTRESS["부실 신호"]

  LOAN["여신 총액"] --> NPL["NPL 분류"]
  NPL --> NORMAL["정상"]
  NPL --> WATCH["요주의"]
  NPL --> SUB["고정"]
  NPL --> DOUBT["회수의문"]
  NPL --> LOSS["추정손실"]

  WATCH --> NPL_RATIO["NPL 비율<br/>= (고정+회수+손실) / 여신"]
  SUB --> NPL_RATIO
  DOUBT --> NPL_RATIO
  LOSS --> NPL_RATIO

  CAPITAL_RAISE["자본 확충"] --> EQUITY_ISSUE["증자"]
  CAPITAL_RAISE --> SUB_DEBT["후순위채"]
  CAPITAL_RAISE --> HYBRID["하이브리드 자본<br/>(영구채·CB·RCPS)"]
  EQUITY_ISSUE --> CAPITAL
  SUB_DEBT --> TIER2["Tier 2 (한도 적용)"]
  HYBRID --> TIER1["Tier 1 추가 (한도 적용)"]

  MA["인수·매각"] --> PRICE_FAIR["가격 적정성"]
  PRICE_FAIR --> NAV_COMP["NAV 비교"]
  PRICE_FAIR --> DCF_COMP["DCF 비교"]
  PRICE_FAIR --> RISK_PREMIUM["부실 자산 위험 프리미엄"]

  INDUSTRY_AVG["산업 평균"] --> COMPARE["회사 vs 산업"]
  BIS --> COMPARE
  NPL_RATIO --> COMPARE

  DISTRESS --> SCORE["부실 점수"]
  NPL_RATIO --> SCORE
  PRICE_FAIR --> SCORE
  COMPARE --> SCORE

5 패턴 정량 신호:

패턴	신호	임계	가중치
BIS 자기자본비율	일반 은행 BIS	< 8%	high
BIS 자기자본비율	시스템적 중요 은행 (D-SIB)	< 10.5%	high
CET1 비율	Common Equity Tier 1	< 4.5%	high
NPL 비율	고정+회수의문+추정손실 / 여신	≥ 5%	high
NPL 비율 산업 비교	회사 NPL / 산업 평균 NPL	≥ 1.5 배	medium
대손비용 비중	대손비용 / 영업이익	≥ 50%	high
자본확충 빈도	5Y 내 자본확충 횟수	≥ 3 회	medium
하이브리드 자본 의존	Tier 1 중 영구채·CB 비중	≥ 30%	medium
LCR (유동성)	30 일 유동성 커버리지	< 100%	high
헐값매각 의심	인수가 / NAV	< 70%	medium

4. 반례·한계

• Falsifier: 금융기관 감독 지표 본문 또는 자본확충 공시 부재 시 진단 불가 — Company.panel 주석 + DART 자본확충·인수·매각 공시 fetch 후 재호출.
• 업권별 감독 지표 차이: 은행 (BIS·CET1) / 증권 (NCR) / 보험 (RBC·K-ICS) / 저축은행 (BIS·고유 비율) — 지표 적용 다름. 단일 지표로 단정 금지.
• 분기말 일시 변동: BIS·LCR 은 분기말 자본조달·자산 매각 등 일시 조정 가능. 시계열 ≥ 4 분기 동행 평가.
• 위험가중자산 (RWA) 산정 차이: 표준방식 vs 내부등급방식 (IRB) 산정 결과 달라 단순 BIS 절대값 비교 한계. 산정 방법 명시 필수.
• 산업 cycle 동행: 다운사이클 시 전 산업 NPL 동시 상승 정상. 단순 NPL 절대값 만으로 회사 단독 부실 단정 금지.
• 헐값매각 vs 부실 인수 정상: 부실 자산 인수 (예 외환위기 직후) 시 위험 프리미엄 으로 가격 < NAV 정상 가능. negative goodwill 인정 가능성 별도.
• 후순위채·하이브리드 자본 한도: 후순위채는 Tier 2 한도 (CET1 의 50% 이하) / 하이브리드 자본은 Tier 1 추가 한도 별도. 단순 자본 보강 = 정상 단정 금지.
• 저축은행 vs 일반 은행: 저축은행은 예금자보호 한도 5,000 만원 + 별도 BIS 적용 + 자산 5 조 미만 등 제도 차이. 일반 은행 기준 적용 금지.
• K-ICS 도입 (2023) 자본 변동: 보험사는 RBC → K-ICS 전환으로 자본 인식 변화. 도입 시점 동행 분석 필요.

5. 후속 모니터링

신호	임계	조치
BIS 일반 은행	< 8% / 2Q 연속	부실 격상
CET1	< 4.5%	즉시 격상
NPL 비율	≥ 5%	부실 분류 ledger
NPL / 산업 평균	≥ 1.5 배	회사 단독 부실 의심
자본확충 빈도 / 5Y	≥ 3 회	자본 부족 신호
하이브리드 자본 비중	≥ 30%	자본 질 의심
LCR	< 100%	유동성 위기
인수가 / NAV	< 70%	헐값매각 의심
대손비용 비중 / 영업이익	≥ 50%	수익성 위기

대표 반환 형태

• tableRef:dfi:supervisory_timeseries — 감독 지표 시계열
• tableRef:dfi:npl_classification — 부실 분류 매트릭스
• tableRef:dfi:capital_raise_ledger — 자기자본 보강
• tableRef:dfi:acquisition_appraisal — 인수·매각 가격 적정성
• tableRef:dfi:industry_compare — 산업 평균 비교
• valueRef:dfi:bis_ratio — BIS 비율
• valueRef:dfi:cet1_ratio — CET1 비율
• valueRef:dfi:npl_ratio — NPL 비율
• valueRef:dfi:lcr — LCR
• valueRef:dfi:price_to_nav — 인수가 / NAV
• sourceRef:dfi:supervisory_note_id — 감독 지표 주석 id
• sourceRef:dfi:capital_disclosure_id — 자본확충 공시 id
• executionRef:dfi:calc_id — RunPython 실행 id

연계 절차

• 영구채·하이브리드 자본 분류 → recipes.fundamental.quality.forensics.hybridSecurityClassification
• 빅 배스 (신임 경영자 NPL 일회 인식) → recipes.fundamental.quality.forensics.bigBathDetection
• 합병비율 적정성 (인수 시) → recipes.fundamental.quality.forensics.mergerRatioFairness
• 주석 신호 (감독 지표 본문) → recipes.fundamental.quality.forensics.noteSignalExtractor

재호출 트리거: “BIS 자기자본비율”, “NPL 부실 분류”, “저축은행 사태”, “외환은행 론스타 헐값매각”, “보험사 K-ICS RBC”, “SVB 시그니처”.

기본 검증

• 감독 지표 (BIS·NPL·LCR) 시계열 ≥ 5 년.
• 업권 구분 (은행·증권·보험·저축은행) + 적용 지표 명시.
• 부실 분류 5 단계 (정상·요주의·고정·회수의문·추정손실) 비율.
• 자본 보강 (증자·후순위채·하이브리드) 한도 인용.
• 산업 평균 동행 비교.
• falsifier — 분기말 일시 변동·다운사이클 동행 반례 검토.

AI 직접 사용 방식

1. ReadSkill 에서 금융기관 부실·BIS·NPL·헐값매각 질문이면 본 recipe 선정.
2. target stockCode 확인 (은행·증권·보험·저축은행 분류).
3. Company.panel("BS","IS",freq="Y") 시계열.
4. Company.panel("BIS") 또는 사업보고서 감독 지표 주석 fetch.
5. Company.filings("자본확충","인수","합병") 공시.
6. scan("financialHealth") 산업 평균 횡단.
7. RunPython 으로 5 차원 매트릭스 계산.
8. 답변에 감독 지표 시계열 + 부실 분류 + 자본 보강 + 가격 적정성 + 산업 비교 5 셋 + 반례·한계 필수.