<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[inha Qlab - Medium]]></title>
        <description><![CDATA[Quant - Medium]]></description>
        <link>https://medium.com/inha-qlab?source=rss----b75e23b19386---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>inha Qlab - Medium</title>
            <link>https://medium.com/inha-qlab?source=rss----b75e23b19386---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 09:17:30 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/inha-qlab" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[실력이 5%인데 이기는 이유]]></title>
            <link>https://medium.com/inha-qlab/%EC%8B%A4%EB%A0%A5%EC%9D%B4-5-%EC%9D%B8%EB%8D%B0-%EC%9D%B4%EA%B8%B0%EB%8A%94-%EC%9D%B4%EC%9C%A0-6b81664134ae?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/6b81664134ae</guid>
            <category><![CDATA[북리뷰]]></category>
            <category><![CDATA[quantitative-finance]]></category>
            <category><![CDATA[퀀트]]></category>
            <category><![CDATA[투자]]></category>
            <category><![CDATA[포트폴리오이론]]></category>
            <dc:creator><![CDATA[Litshan]]></dc:creator>
            <pubDate>Sun, 01 Nov 2026 08:53:14 GMT</pubDate>
            <atom:updated>2026-11-01T08:53:13.514Z</atom:updated>
            <content:encoded><![CDATA[<h3>Active Portfolio Management (Grinold &amp; Kahn, 2nd ed.) Chapter 6 — 액티브 운용의 기본법칙 정리</h3><p><strong>한 줄 요약.</strong> 정보비율은 하늘에서 떨어지지 않는다. <strong>얼마나 잘 맞히는가(IC)</strong> 와 <strong>얼마나 자주 독립적으로 베팅하는가(BR)</strong>, 딱 두 개로 분해된다.</p><h3>이 챕터가 답하는 질문</h3><p>5장은 정보비율(information ratio, IR)을 <strong>주어진 것으로 놓고</strong> 시작했다. “당신의 IR이 0.5라면, 잔차위험을 얼마나 질 것인가”가 5장의 질문이었고, 답은 ω* = IR / (2λ_R) 이었다. 하지만 IR 자체가 어디서 오는지는 묻지 않았다. 원서는 이것을 통조림 따개를 가정하고 시작한 셈이라고 자조한다.</p><p>6장은 그 통조림 따개에 내용물을 채운다. 질문은 하나다. <strong>IR은 무엇으로 만들어지는가.</strong></p><p>이것으로 Part One(2~6장)의 논증이 닫힌다. 2장이 기준선을 정하고, 3장이 위험을 재는 자를 만들고, 4장이 목적함수 VA = α − λ_R·ω² 를 세우고, 5장이 그 목적함수를 풀어 ω*와 VA*를 IR로 표현했다. 6장은 마지막 미지수인 IR을 관측 가능한 두 양으로 내려보낸다.</p><h3>1. 기본법칙 (p.148)</h3><p>법칙은 한 줄이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/181/0*yuv7Zhk4h3hp27sU" /></figure><ul><li><strong>BR (breadth, 폭)</strong> — 1년에 만들어내는 <strong>독립적인</strong> 차별적 기대수익 예측의 개수</li><li><strong>IC (information coefficient, 정보계수)</strong> — 각 예측과 실제 결과의 <strong>상관계수</strong>. 모든 예측에서 IC가 같다고 가정한다</li></ul><p>원서는 이 식이 “근사적으로 참”이라고 못 박는다. 근사가 버리는 것은 예측이 가져다주는 <strong>위험 감소 효과</strong>인데, IC가 0.1 아래면 이 항은 무시할 수 있을 만큼 작다.</p><p>식이 말하는 바는 즉각적이다. IR을 0.5에서 1.0으로 올리려면 <strong>실력을 두 배로 만들거나, 폭을 네 배로 늘리거나, 그 사이 어딘가를 택해야 한다.</strong> IC는 제곱근 밖에 있고 BR은 제곱근 안에 있기 때문이다.</p><h3>2. 공격성과 부가가치로 옮기면 (p.148~149)</h3><p>5장의 결론에 (6.1)을 대입하면 두 식이 바로 나온다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/273/0*zOwviAaHDpfxAexG" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/281/0*vDsYH3X6UvbBsx6L" /></figure><p><strong>여기서 IC와 BR의 대칭이 깨진다.</strong> 부가가치는 <strong>폭에 비례하지만 실력의 제곱에 비례한다.</strong> 실력을 두 배로 만들면 부가가치는 네 배가 되고, 폭을 두 배로 늘리면 부가가치는 두 배가 된다. 같은 “두 배”가 아니다.</p><p>이 시리즈를 관통하는 예제로 확인해 보자. IC = 0.05, BR = 100, λ_R = 0.10 인 운용역이다.</p><pre>항목              계산                      값<br>----------------  ------------------------  ------<br>정보비율 IR       0.05 × √100              0.50<br>최적 잔차위험 ω*  0.50 / (2 × 0.10)         2.5%<br>기대 알파 α*      0.50 × 2.5%               1.25%<br>부가가치 VA*      0.05² × 100 / (4 × 0.10)  0.625%</pre><p>검산: 1.25 − 0.10 × 2.⁵² = 0.625 ✓ 5장에서 IR = 0.5라고 <strong>가정하고</strong> 얻었던 숫자가, 이제 IC = 0.05와 BR = 100에서 <strong>유도되어</strong> 나온다.</p><p>실력만 0.10으로 두 배 올리면 IR = 1.0, ω* = 5%, VA* = 2.5%다. 부가가치가 정확히 네 배다. 반면 폭만 200으로 두 배 늘리면 IR = 0.707, VA* = 1.25%로 두 배에 그친다.</p><h3>3. 같은 IR, 전혀 다른 요구조건 (p.149)</h3><p>원서는 IR = 0.50을 목표로 하는 세 사람을 나란히 세운다.</p><pre>전략                                           폭 BR  필요한 IC<br>---------------------------------------------  -----  ---------<br>분기마다 시장 방향을 맞히는 마켓 타이머        4      0.25<br>100개 종목을 분기마다 재평가하는 종목선택자    400    0.025<br>2개 종목을 연 200회씩 재평가하는 스페셜리스트  400    0.025</pre><p>셋 다 IR = 0.50이다. 그러나 요구조건은 극단적으로 다르다. <strong>마켓 타이머는 종목선택자보다 열 배 뛰어난 예측력을 가져야 한다.</strong> 폭이 100분의 1이기 때문이다. 그리고 종목선택자와 스페셜리스트는 같은 폭 400에 도달하지만, 한쪽은 넓게 가끔, 다른 쪽은 좁게 항상 본다.</p><p>트레이드오프의 환율도 계산된다. <strong>폭을 50% 늘리는 것은 실력을 22% 올리는 것과 같다</strong> (√1.5 ≈ 1.22). 큰 리서치 프로젝트에 착수하기 전 이 정도 암산은 해볼 가치가 있다는 것이 저자들의 조언이다.</p><p>다만 원서는 기본법칙이 <strong>운용 도구가 아니라 통찰용</strong>임을 반복해서 경고한다. 실무에서 BR을 정확히 추정하는 일 자체가 어렵다. 예측이 서로 독립이어야 한다는 요구 때문이다.</p><h3>4. 세 개의 예제 (p.150~154)</h3><p><strong>(1) 카지노.</strong> 룰렛에 적 18칸, 흑 18칸, 녹색 1칸이 있다. 녹색 한 칸이 카지노의 우위, 즉 IC = 1/37이다. 1달러 베팅 하나에 대한 카지노의 기대수익은 2.7027%, 표준편차는 99.96%다. 1년에 베팅이 <strong>한 번</strong>이면 IR은 0.027 — 처참하다. 그런데 진짜 카지노처럼 연 100만 번 돌리면 기대수익은 2.7027% 그대로인데 표준편차가 0.09996%로 떨어져 <strong>IR = 27</strong> 이 된다. 공식이 예측하는 값은 (1/37)·√1,000,000 = 27.027. 미국식으로 녹색 칸을 하나 더 넣으면 IR은 52.7이다. 원서의 결론은 짧다. 카지노를 소유하는 편이 운용업보다 낫다.</p><p><strong>(2) 200 종목, 반기 예측.</strong> 각 종목의 잔차수익 θ_n 이 300개의 독립적인 조각으로 이루어져 있다고 하자.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/146/0*5xQ_AvMuClruqxfV" /></figure><p>각 조각은 +1% 또는 −1%로 동일 확률이다. 300개가 더해지면 반기 표준편차는 √300 = 17.32%가 된다. 우리의 예측력은 <strong>그중 딱 한 조각 θ_n,1 을 아는 것</strong>이다. 나머지 299개는 여전히 깜깜하다. 이때 상관계수는 1 / 17.32 = 0.0577이다.</p><p>200종목 × 연 2회 = BR 400. 법칙이 예측하는 IR은 0.0577 × √400 = <strong>1.154</strong>. 실제로 매수 리스트를 균등 보유하고 매도 리스트를 버리는 전략을 짜서 계산하면 IR = 1.157이 나온다. 근사가 미세하게 낮게 나오는 이유는 예측이 주는 불확실성 감소를 무시했기 때문이다.</p><p><strong>300개 중 1개를 안다.</strong> 이것이 상위 10%의 운용 실력이다.</p><p><strong>(3) 방향 맞히기.</strong> 시장 방향을 ±1로만 예측하는 경우, IC는 적중 횟수만으로 표현된다.</p><h3>5. IC를 적중률로 번역하기 (p.153~154)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/482/0*TzWbq_5ZVNvzqgR1" /></figure><p>N번 중 N₁번 맞혔다면 IC = 2·(N₁/N) − 1 이다. 뒤집으면 적중률 = (1 + IC) / 2.</p><p>이 식이 이 챕터에서 가장 충격적인 문장을 만든다. 방금 본 IC = 0.0577은 <strong>적중률 52.885%</strong> 에 해당한다. 상위 10% 운용역의 실력이란 동전 던지기보다 2.885%포인트 나은 것이다. 원서는 IC = 0.02(적중률 51%)로 200종목을 분기마다 예측해도 IR 0.56이 나온다고 덧붙인다.</p><p>관통 예제의 IC = 0.05는 <strong>적중률 52.5%</strong> 다. 100번 중 52~53번 맞히면 IR 0.5, 즉 상위 25%다.</p><h3>6. 가법성 (p.154~157)</h3><p>기본법칙은 <strong>IR의 제곱에 대해 덧셈이 성립한다.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/334/0*FzEJqjmueEozeB4N" /></figure><p>이것이 이 챕터의 두 번째 핵심이다. 원서의 예를 그대로 따라가 보자. 200종목을 반기마다 예측(BR 400, IC 0.04)하면 IR = 0.8이다. 여기에 100종목을 반기마다(BR 200, IC 0.03) 추가하면 IR² = 0.64 + 0.18 = 0.82가 되어 IR은 0.906으로 오른다. <strong>부가가치는 IR²에 비례하므로 28% 증가다.</strong></p><p>주의할 점은 가법성이 <strong>최적 구현을 전제로 한다는 것</strong>이다. 원서는 각주에서, 추가된 종목군을 그냥 인덱싱해 버리면 결합 IR은 0.8 그대로라고 못 박는다. 정보를 얻는 것과 그것을 포트폴리오로 옮기는 것은 별개다.</p><p>가법성은 여러 축을 가로지른다.</p><ul><li><strong>전략 축</strong> — 400종목 연 1회(IC 0.03, IR 0.6) + 분기 마켓타이밍(IC 0.1, BR 4, IR 0.2) → 전체 IR 0.63</li><li><strong>매니저 축</strong> — 스폰서가 IR 0.75, 0.50, 0.30인 매니저 셋을 최적 배분으로 고용하면 스폰서의 IR은 0.95</li><li><strong>국제 포트폴리오 축</strong> — 통화·국가배분·각국 종목선택이 모두 더해진다</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/922/0*L78y0aXuDOR14zg4" /></figure><p>런던 기반, 4개국 투자 사례다. 4개국이면 독립적인 통화 베팅은 3개이고 분기마다 조정하니 연 12회. 각국 종목의 IC를 모두 0.02로 두면 종목선택 기여분은 1000 × 0.0²² = 0.40이다. 통화와 국가배분의 IC를 0.075로 두면 기여분은 0.135. 합이 0.535이므로 전체 IR은 0.73이다.</p><h3>7. 법칙이 서 있는 세 가지 가정 (p.157~162)</h3><p>원서는 요약에서 가정 셋을 명시한다.</p><p><strong>① 운용역이 자기 실력을 정확히 알고 정보를 최적으로 사용한다.</strong> 저자들은 이것을 가장 결정적인 가정으로 꼽고, 통찰과 겸손이 한 사람 안에서 만나는 일은 드물다고 적는다. 자기 IC를 과대평가하면 알파 규모를 과대 설정하고, 결국 과도한 위험을 지게 된다.</p><p><strong>② 예측이 서로 독립이다.</strong> 이 가정이 깨지는 방식이 실무적으로 가장 흔하다. “성장주가 부진할 것”과 “고배당주가 좋을 것”은 두 개의 예측처럼 보이지만 하나의 베팅이다. 고배당주 중에 성장주로 불릴 종목이 별로 없기 때문이다. 시간 축에서도 같은 함정이 있다. <strong>연 1회 갱신하는 산업 베팅을 월간으로 리밸런싱한다고 해서 연 12번의 독립 베팅이 되지 않는다.</strong> 같은 베팅을 12번 반복하는 것뿐이다.</p><p>원서는 진단 방법도 제시한다. 애널리스트 추천을 수치화해 기업 속성에 회귀시키면, 겉보기에 종목별인 추천이 사실은 하나의 산업 베팅·하나의 이익수익률 베팅·하나의 모멘텀 베팅임이 드러난다. 그리고 <strong>그 회귀의 잔차야말로 진짜 독립적인 예측</strong>이다.</p><p>두 정보원의 상관을 γ라 할 때 결합 실력은 다음과 같다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/285/0*dgq2B46sce7U8LSF" /></figure><p>γ = 0이면 IC²이 두 배가 되어 완전한 덧셈이 성립하고, γ가 1에 가까워질수록 두 번째 정보원의 가치는 사라진다.</p><p><strong>③ 모든 예측의 IC가 같다.</strong> 실제로는 잘하는 영역과 못하는 영역이 있다. 원서는 정보원을 실력 순으로 정렬하면 부가가치가 그 곡선 아래 면적이 되고, 법칙은 그 곡선을 <strong>평평한 평균선으로 대체하는 근사</strong>라고 설명한다.</p><p>시뮬레이션 검증도 언급된다. 잔차수익에 잡음을 섞어 IC를 통제한 알파를 만들고 최적 포트폴리오를 구성하면, 실현 IR은 법칙의 예측과 통계적으로 구별되지 않았다. <strong>다만 공매도 제약을 걸면 실현 IR이 다소 떨어진다.</strong></p><h3>8. 대수의 법칙이 아니다 (p.160)</h3><p>일부 실무자가 기본법칙을 대수의 법칙(law of large numbers)의 변형으로 읽는데, 원서는 이를 오독이라고 단언한다.</p><p>대수의 법칙은 <strong>표본이 커질수록 표본평균이 참값에 가까워진다</strong>는 주장이다. 추정의 정확도에 관한 이야기다. 기본법칙은 다르다. <strong>BR이 10이든 1000이든 IR = IC·√BR 은 똑같이 성립한다.</strong> 폭이 하는 일은 참값을 더 잘 알게 해주는 것이 아니라, 액티브 베팅들 사이에서 <strong>잔차위험을 분산시켜 주는 것</strong>이다. 표본오차를 분산시키는 것과 유비 관계일 뿐 같은 명제가 아니다.</p><h3>용어 대조표</h3><ul><li><strong>액티브 운용의 기본법칙</strong> <em>(fundamental law of active management)</em> — IR ≈ IC·√BR. 정보비율을 실력과 폭으로 분해한 근사식</li><li><strong>정보계수</strong> <em>(information coefficient (IC))</em> — 예측과 실현 결과의 상관계수. 실력의 척도</li><li><strong>폭</strong> <em>(breadth (BR))</em> — 연간 독립적인 차별적 기대수익 예측의 개수</li><li><strong>가법성</strong> <em>(additivity)</em> — 독립적인 전략의 IR이 제곱 단위로 더해지는 성질</li><li><strong>절충적 스타일</strong> <em>(eclectic style)</em> — 독립적인 정보원이면 무엇이든 활용하는 운용 스타일</li><li><strong>대수의 법칙</strong> <em>(law of large numbers)</em> — 표본이 커지면 표본평균이 참값에 수렴한다는 통계 정리</li></ul><blockquote><strong><em>주의 1.</em></strong><em> BR ≠ 보유 종목 수 ≠ 연간 거래 횟수. </em><strong><em>독립적인 예측의 개수</em></strong><em>다. 100종목을 월간 리밸런싱해도 예측을 연 1회만 갱신하면 BR은 1200이 아니라 100이다.</em></blockquote><blockquote><strong><em>주의 2.</em></strong><em> IC ≠ 적중률. 적중률 50%가 IC = 0이다. IC = 2 × 적중률 − 1.</em></blockquote><blockquote><strong><em>주의 3.</em></strong><em> 기본법칙 ≠ 대수의 법칙. 전자는 위험 분산, 후자는 추정 정확도.</em></blockquote><blockquote><strong><em>주의 4.</em></strong><em> VA는 BR에는 1제곱, IC에는 </em><strong><em>2제곱</em></strong><em>으로 반응한다. “두 배”가 같은 두 배가 아니다.</em></blockquote><h3>연습문제</h3><p>원서 연습문제의 숫자를 바꾼 것이다.</p><ol><li>매니저 A는 300개 기업을 분기마다 새로 예측한다. 예측과 잔차수익의 상관은 0.02다. 매니저 B는 4개 스타일(가치·성장·대형·소형)을 분기마다 타이밍한다. B가 A와 같은 IR을 내려면 IC가 얼마여야 하는가?</li><li>위 문제에서 매니저 B의 실제 IC가 0.08이라면, 두 매니저를 함께 고용한 스폰서가 얻을 수 있는 IR은 얼마인가? (최적 배분 가정)</li><li>어떤 종목선택자가 500종목을 매월 갱신하며 IC = 0.05, IR = 1.0을 주장한다. 명목상 연간 베팅 수는 몇 번인가? 법칙이 요구하는 독립 베팅 수는 몇 번인가? 이 차이는 그의 알파에 대해 무엇을 말하는가?</li><li>IC = 0.03인 전략의 적중률은 몇 %인가? 이 실력으로 IR 0.6을 내려면 BR이 얼마여야 하는가?</li><li>두 정보원의 IC가 각각 0.06이고 서로의 상관이 γ = 0.6이다. 결합 실력 IC(com)은 얼마인가? γ = 0이었을 때와 비교하면 몇 %를 잃은 것인가?</li></ol><h3>다음 편 예고</h3><p>Part One이 여기서 끝난다. 7장 <strong>차익거래가격결정이론(APT)</strong> 부터는 Part Two다. 지금까지는 알파가 있다고 <strong>가정</strong>하고 그것을 어떻게 다룰지를 논했다. 이제부터는 그 알파를 <strong>어디서 어떻게 만들어내는가</strong>로 넘어간다.</p><p>기본법칙이 남긴 실무적 숙제도 뒤에서 회수된다. 알파 스케일링(예측을 자기 IR에 맞는 크기로 조정하는 일)은 14장 포트폴리오 구성에서, IC를 실제 데이터로 추정하는 문제는 12장 정보 분석에서 다시 나온다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6b81664134ae" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/%EC%8B%A4%EB%A0%A5%EC%9D%B4-5-%EC%9D%B8%EB%8D%B0-%EC%9D%B4%EA%B8%B0%EB%8A%94-%EC%9D%B4%EC%9C%A0-6b81664134ae">실력이 5%인데 이기는 이유</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[APT는 과학이 아닌 기술]]></title>
            <link>https://medium.com/inha-qlab/apt%EB%8A%94-%EA%B3%BC%ED%95%99%EC%9D%B4-%EC%95%84%EB%8B%8C-%EA%B8%B0%EC%88%A0-16b7c82b69e0?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/16b7c82b69e0</guid>
            <category><![CDATA[포트폴리오이론]]></category>
            <category><![CDATA[퀀트]]></category>
            <category><![CDATA[북리뷰]]></category>
            <category><![CDATA[투자]]></category>
            <category><![CDATA[quantitative-finance]]></category>
            <dc:creator><![CDATA[Litshan]]></dc:creator>
            <pubDate>Sun, 01 Nov 2026 08:53:06 GMT</pubDate>
            <atom:updated>2026-11-01T08:53:05.577Z</atom:updated>
            <content:encoded><![CDATA[<h3>Active Portfolio Management (Grinold &amp; Kahn, 2nd ed.) Chapter 7 정리</h3><p><strong>한 줄 요약</strong> — 기대 초과수익을 베타 하나가 아니라 여러 팩터 노출의 가중합으로 쓰는 것이 APT다. 그런데 “어떤 모형을 쓸 것인가”는 거의 공짜로 풀리고, “팩터에 어떤 숫자를 넣을 것인가”는 하나도 풀리지 않는다. 이 비대칭이 7장의 전부다.</p><h3>이 챕터가 답하는 질문</h3><p>Part One(2~6장)은 <strong>주어진 알파를 어떻게 다룰 것인가</strong>를 풀었다. 무엇을 최대화하는지(부가가치), 얼마나 세게 갈 것인지(최적 잔차위험), 그 세기가 어디서 나오는지(IR = IC×√BR)까지 왔다. 6장이 마지막 미지수인 IR을 IC와 BR로 내려보내면서 Part One의 논증은 닫혔다.</p><p>닫히지 않은 것이 하나 있다. <strong>알파 자체가 어디서 오는가.</strong> 지금까지 알파는 늘 “있다고 치자”였다. Part Two(7~9장)가 이 질문을 시작하고, 7장은 그 틀을 놓는다.</p><p>2장의 CAPM은 이미 하나의 답이었다. 기대 잔차수익은 0이고, 기대 초과수익은 베타 하나로 결정된다. 7장은 그 답이 어디서 무너지는지 보인 다음, 베타 자리에 팩터 여러 개를 넣는다.</p><h3>1. CAPM은 어디서 고장나는가 (p.174~177)</h3><p>먼저 구조적인 문제. CAPM은 시장 포트폴리오가 샤프비율 최대라고 말한다. 그런데 실무에서 그 “시장”은 S&amp;P 500 같은 한 나라의 주가지수로 대체된다. 채권·해외자산·부동산·금까지 넣은 넓은 의미의 시장에서 CAPM이 참이라 해도, 한 나라 주식시장만 떼어낸 세계에서는 그대로 성립할 수 없다.</p><p>더 아픈 곳은 따로 있다. <strong>CAPM은 모든 참가자가 모든 종목의 기대 초과수익을 안다고 가정한다.</strong> 우리가 지금 찾고 있는 바로 그 값이다. 답을 이미 안다고 전제하는 모형에서 답을 얻으려는 셈이다.</p><p>그리고 실증. 원서는 1983~84년 미국 주식을 든다. 금리가 크게 떨어진 시기다.</p><p>1982년 12월에 S&amp;P 500 종목을 예측 베타 순으로 줄 세워 시가총액이 같은 10개 포트폴리오로 나눈다. 1번이 저베타, 10번이 고베타다. 이후 24개월의 시총가중 수익을 따라간다.</p><p><strong>베타 예측은 정확했다.</strong> 예측 베타 대 실현 베타 회귀의 기울기는 0.93, 결정계수 R²는 0.89였다. 예측이 틀려서 생긴 일이 아니다.</p><p>문제는 알파였다. CAPM대로라면 열 개 포트폴리오의 알파는 전부 0이어야 한다. 그렇지 않았을 뿐 아니라, <strong>알파가 베타와 거꾸로 줄을 섰다.</strong> 저베타 포트폴리오는 양의 잔차수익, 고베타 포트폴리오는 음의 잔차수익을 냈다. 원서는 금리 변화와 인플레이션 기대 변화를 유력한 원인으로 본다.</p><p>여기서 중요한 것은 “CAPM이 틀렸다”가 아니다. <strong>오차가 무작위가 아니라 체계적이었다</strong>는 것이다. 무작위 오차는 분산으로 처리하면 된다. 체계적 오차는 설명변수가 빠졌다는 신호다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/379/0*SKDBImr9OM_Rh5ni" /></figure><p>부수적이지만 값진 지적이 각주에 있다. 이 시기는 시장이 크게 오른 기간이었다. 그런데 고베타 종목으로 기울여 벤치마크 타이밍을 시도했다면 결과가 나빴을 것이다. 고베타 종목에 기울이는 행위는 <strong>베타 베팅에 잔차 베팅을 얹는 일</strong>이기 때문이다. 선물로 베타를 조절했다면 잔차 베팅 없이 베타만 움직일 수 있었다.</p><h3>2. APT의 두 식 (p.177~178)</h3><p>APT는 K개의 팩터가 있어서 초과수익이 식 (7.1)처럼 분해된다고 가정한다. X는 노출, b는 팩터가 실제로 낸 수익, u는 고유수익이다. 노출은 기간이 시작되기 전에 알려져 있다고 본다.</p><p>이 식은 3장의 구조적 리스크 모형(식 3.16)과 <strong>구조가 완전히 같다.</strong> 달라진 것은 겨냥하는 대상이다. 3장에서는 리스크를 재려고 이 식을 썼고, 7장에서는 기대수익을 말하려고 쓴다.</p><p>본론은 두 번째 식이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/442/0*FOmfQS3eTG6liLxL" /></figure><p>각 팩터마다 <strong>팩터 예측(factor forecast)</strong> m_k라는 숫자가 하나씩 있고, 종목의 기대 초과수익은 노출과 예측의 가중합이라는 주장이다. 이론은 올바른 m이 <strong>존재한다</strong>고 말한다. 그것이 무엇인지는 말하지 않는다. 원서가 APT를 “arbitrary” 가격결정이론이라고 비꼬는 지점이 여기다.</p><p>CAPM은 이 틀의 특수한 경우다. 팩터가 하나(K=1)이고, 노출이 베타이고, 그 하나의 팩터 예측이 시장의 기대 초과수익이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/729/0*4h0E0sSvk6tdWDCg" /></figure><h3>3. 숫자로 보기 — MMI 20종목 (p.179~181)</h3><p>원서는 1992년 12월 기준 Major Market Index 20종목으로 예시를 만든다. 산업 분류에 더해 네 가지 속성을 쓴다.</p><ul><li><strong>성장</strong> — IBES 컨센서스 예상과 과거 실현 이익성장률로 만든 예측</li><li><strong>채권 베타</strong> — 국채 지수 수익에 대한 주가의 반응</li><li><strong>사이즈</strong> — 시가총액의 자연로그</li><li><strong>자기자본이익률(ROE)</strong> — 이익 ÷ 장부가</li></ul><p>한 개는 예측치, 한 개는 거시 특성, 한 개는 기업 특성, 한 개는 재무 데이터다. 팩터 종류를 섞어도 된다는 것을 보여주려는 배치다.</p><p>노출은 <strong>표준화</strong>한다. 시장 평균을 빼고 표준편차로 나눈다. 그러면 평균 노출이 0이 되고, 종목의 약 66%가 −1에서 +1 사이에, 약 5%만 +2 위나 −2 아래에 놓인다. 단위가 사라져 팩터끼리 비교할 수 있게 된다.</p><p>팩터 예측은 이렇게 넣는다(예시용 숫자다).</p><pre>팩터        예측 m_k  담긴 견해<br>----------  --------  ------------------------------------------<br>성장        +2.0%     성장주가 잘할 것이다<br>채권 베타   +2.5%     금리 민감주(대개 고레버리지)가 잘할 것이다<br>사이즈      −1.5%    작은 종목이 잘할 것이다<br>ROE         0.0%      ROE는 무관하다<br>화학 산업   +8.0%     —<br>그 외 산업  +6.0%     —</pre><p>제너럴 일렉트릭으로 계산해 보자. 중공업전기 산업(그 외 6.0%), 성장 −0.24, 채권 베타 0.13, 사이즈 1.56, ROE 0.15다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/916/0*h0RYclgVp6Goh75L" /></figure><p>3.51%가 나온다. 같은 종목의 CAPM 예측은 베타 1.10에 시장 기대 초과수익 6%를 곱한 6.60%다. <strong>차이가 −3.10%p.</strong> 사이즈 노출이 1.56으로 크고 사이즈 예측이 음수라, 그 항 하나에서 −2.34%p가 깎였다.</p><p>원서 자신이 붙이는 논평이 냉정하다. APT 모형은 <strong>훌륭한 이야깃거리</strong>가 된다는 것이다. 팩터에 다른 기대를 넣기만 하면 리서치가 자동으로 산더미처럼 쏟아진다. 유연함은 장점인 동시에, 근거 없는 숫자를 그럴듯하게 포장해 주는 장치이기도 하다.</p><h3>4. 왜 이 관계가 성립하는가 — 준차익거래 (p.181~182)</h3><p>식 (7.2)가 깨졌다고 하자. 그러면 <strong>모든 팩터에 대한 노출이 0이면서 기대 초과수익이 1%인 액티브 포지션</strong>을 만들 수 있다.</p><p>팩터 노출이 0이므로 팩터 리스크가 없다. 남는 것은 고유리스크뿐인데 종목을 늘리면 흩어진다. 액티브 포지션이므로 순투자액도 0이다. <strong>비용 0, 리스크 거의 0, 기대수익 +1%.</strong> 게다가 이걸 아무 포트폴리오에나 얹어도 성과가 개선된다.</p><p>차익거래는 비용 0에 확실한 이익이다. 여기서는 이익이 확실하지는 않다 — 고유리스크가 아주 작게 남는다. 그래서 원서는 이것을 <strong>준차익거래(quasi-arbitrage)</strong>라고 부른다. 이런 기회가 없다고 놓으면 식 (7.2)가 성립해야 한다.</p><h3>5. 쉬운 절반 — 적격 모형 찾기 (p.182~185)</h3><p>이제 실무 질문. 어떤 팩터 모형을 골라야 (7.2)가 성립하는가.</p><p>여기서 <strong>포트폴리오 Q</strong>가 등장한다. Q는 완전투자 포트폴리오 중 기대 초과수익 대비 리스크 비율(샤프비율)이 가장 높은 것이다. Q를 알면 모든 종목의 기대수익을 계산할 수 있고, 역도 성립한다. CAPM은 결국 <strong>“Q가 시장 포트폴리오다”라고 말하는 또 하나의 방식</strong>이다. 문제는 우리가 Q를 모른다는 것이다.</p><p>원서는 여기서 질문을 둘로 쪼갠다.</p><ol><li><strong>적격(qualified) 모형이란 무엇인가</strong> — 식 (7.2)를 성립시키는 m이 존재하는 모형</li><li><strong>올바른 m을 어떻게 찾는가</strong></li></ol><p>첫 번째 답이 기술 부록의 명제 1이다.</p><blockquote><em>팩터 모형 (X, F, Δ)가 기대 초과수익을 설명한다 ⟺ 포트폴리오 Q가 그 모형에 대해 </em><strong><em>분산되어 있다</em></strong><em>.</em></blockquote><p>여기서 “분산되어 있다”는 일상어가 아니라 <strong>정확한 정의</strong>다. 어떤 포트폴리오 P가 팩터 모형에 대해 분산되어 있다는 것은, <strong>P와 팩터 노출이 똑같은 모든 포트폴리오 중에서 P의 리스크가 최소</strong>라는 뜻이다. 종목을 많이 담았다는 얘기가 아니다.</p><p>왜 이 조건이 나오는지는 부록 식 (7A.8)이 보여준다. 기대수익 벡터를 팩터 항으로 옮기면 찌꺼기 항이 하나 남는데, 그것이 고유리스크 행렬 Δ에 Q의 보유비중을 곱한 것이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/430/0*MuAK4W7DJgEgdqEb" /></figure><p>Q가 잘 흩어져 있으면 개별 보유비중이 작고, 이 항이 무시할 만해진다. 그때 (7.2)가 (거의) 참이 된다.</p><p><strong>실무에서 이 조건은 사실상 자동으로 만족된다.</strong> 원서는 1992년 12월 기준으로 미국 주요 지수의 리스크 중 팩터 모형이 설명하지 못하는 비중을 재 보인다(BARRA 미국 주식 모형 기준).</p><pre>포트폴리오  종목 수  미설명 분산<br>----------  -------  -----------<br>MMI         20       2.51%<br>OEX         100      0.99%<br>S&amp;P 500     500      0.30%<br>FR1000      1000     0.21%<br>FR3000      3000     0.18%<br>ALLUS       약 6000  0.17%</pre><p>FR3000의 리스크 중 99.82%가 팩터 성분이다. 같은 팩터 노출을 가진 다른 포트폴리오를 찾아도 팩터 리스크는 똑같으니 고유리스크에서만 차이가 날 수 있는데, 그 여지가 0.18%밖에 없다. <strong>개선할 공간 자체가 없다.</strong></p><p>BARRA 모형은 원래 기대수익을 설명하려고 만든 것이 아니라 리스크를 통제하려고 만든 것이다. 그런데도 적격 조건을 통과한다. 결론은 이렇다.</p><blockquote><em>분산된 포트폴리오의 리스크를 잘 설명하는 팩터 모형이면 거의 자동으로 APT 모형 자격을 갖춘다.</em></blockquote><h3>6. 어려운 절반 — 팩터 예측 (p.185~187)</h3><p>관문 하나는 공짜로 통과했다. 남은 것은 m_k에 넣을 숫자다.</p><p><strong>첫 번째 함정: 팩터가 적으니 더 쉬울 것이라는 생각.</strong> 원서는 이것을 6장의 기본법칙으로 곧장 반박한다. 같은 실력이라면 예측은 적은 쪽보다 많은 쪽이 낫다. 종목 1000개를 예측하다가 팩터 10개만 예측하기로 하면 폭이 100분의 1로 줄고, <strong>같은 부가가치를 유지하려면 실력이 10배 필요하다.</strong></p><p><strong>두 번째 함정: 과거 평균을 그대로 쓰는 것.</strong> 가장 단순한 방법은 팩터 수익의 역사를 계산해 평균을 내는 것이다. 하지만 이건 과거에 가장 잘 맞았을 값, 즉 예측이 아니라 <strong>후측(backcast)</strong>이다. 이것이 미래에 통한다고 믿는 순간 시장이 정상적(stationary)이라고 암묵적으로 가정한 것이 된다. APT는 여기에 아무 보증도 하지 않는다.</p><p>그래도 팩터를 볼 이유는 있다. <strong>팩터 관계가 종목 관계보다 안정적</strong>이기 때문이다. 지금 성장주로 분류된 어떤 종목의 과거 수익을 아는 것보다, 성장주 전체가 과거에 어땠는지 아는 편이 대개 더 쓸모 있다. 그 종목이 과거에도 성장주였다는 보장이 없기 때문이다. 종목은 옷을 갈아입지만 팩터는 그대로 있다.</p><p>실제로 이 접근을 그대로 밀어붙인 사례가 있다. Haugen and Baker(1996)는 각 팩터 예측을 <strong>직전 12개월 팩터 수익의 평균</strong>으로만 쓰는 APT 모형을 제안했다. 팩터 구성은 BARRA 모형과 비슷하되 50개 넘는 산업을 10개 섹터로, 13개 리스크 인덱스를 40개 디스크립터로 바꿨다. 원서는 이 구성이 <strong>공선성(collinearity)</strong>을 부른다고 지적한다. BARRA 모형은 그걸 피하려 애쓴다.</p><p><strong>구조가 도움이 되는 이유.</strong> 통계적 모형의 팩터는 의미가 없는 추상적 구성물이라, 팩터 수익을 예측할 여지가 거의 없다. 반면 구조적 모형은 팩터가 종목의 특정 성질에 묶여 있어서, 팩터 예측이 <strong>“그 성질을 공유하는 종목들에 대한 전망”</strong>으로 번역된다.</p><p>“채권시장 베타” 팩터를 생각해 보자. 이 팩터에 대한 예측은 곧 <strong>채권시장에 대한 예측</strong>이다. 금리 예측이 쉬워지는 것은 아니다. 다만 자기가 지금 금리를 예측하고 있다는 사실이 분명해진다. “성장” 팩터라면 성장주 전망을 말하는 것이 된다. 과제가 명시적으로 바뀌었을 뿐이지만, 그래야 상식과 다른 통계 절차로 검증할 수 있다.</p><p>여기서 원서는 <strong>기회주의적 모형 구축</strong>을 권한다. 적격 모형은 어차피 쉽게 만들어지니, <strong>자기가 예측할 수 있는 것을 팩터로 쓰라</strong>는 것이다. 금·유가·채권·엔화를 볼 줄 안다면 그걸로 팩터를 만들고, 리스크의 나머지는 산업 변수 같은 것으로 채우면 된다. <strong>팩터 예측을 못 채울 거라면 세계 최고의 적격 모형을 만들어도 소용없다.</strong></p><h3>7. 구현하는 여섯 가지 방식 (p.187~190)</h3><p>원서는 구현 예시를 여섯 개 들고 둘로 나눈다.</p><p><strong>구조적 모형</strong> — 팩터를 구체적 변수에 묶는다. 거시(예상 밖 인플레이션, 금리 변화), 펀더멘털(이익성장, ROE, 시장점유율), 시장 관련(베타, 산업) 무엇이든 되고 한 모형에 섞어도 된다.</p><ol><li><strong>노출을 주고 팩터 수익을 추정</strong> — BARRA 모형이 이 방식이다. 노출은 종목의 현재 특성(이익수익률, 상대 규모 등)에서 바로 읽고, 팩터 수익을 추정한다.</li><li><strong>팩터 수익을 주고 노출을 추정</strong> — 팩터 수익을 시가가중 NYSE 수익, 금, 국채 지수, 외화 바스켓, 상품 바스켓 같은 것으로 먼저 정한다. NYSE에 대한 노출은 모두 1로 두고, 나머지 팩터에 대한 노출은 (종목수익 − NYSE수익)을 나머지 팩터 수익에 회귀시켜 얻는다. 이 방식은 <strong>추정된 노출이 시간에 걸쳐 안정적이기를 기대</strong>해야 한다.</li><li><strong>1과 2의 혼합</strong> — 원시적인 팩터 정의에서 출발해 2번 방식으로 노출을 추정하고, 그다음 1번 방식으로 팩터에 수익을 귀속시킨다.</li></ol><p><strong>통계적 모형</strong> — 수익 데이터를 넣고 기계를 돌린다. 학계가 선호한다. 자기 선입견을 모형에 넣지 않을 수 있기 때문이다.</p><ol><li><strong>주성분분석</strong> — 예를 들어 50종목 200개월 수익으로 50×50 실현 공분산 행렬을 만들고 주성분분석을 한다. 보통 앞의 20개 성분이 리스크의 90% 이상을 설명한다. 그 20개를 팩터라 부른다. <strong>순수한 통계적 구성물이라 이름을 빨강·초록·파랑이라 붙여도 상관없다.</strong> 팩터 수익은 서로 무상관이라, 원래 집합에 없던 종목의 노출은 회귀로 구할 수 있다.</li><li><strong>최대우도 인자분석</strong> — 식 (7.1)을 60개월에 걸쳐 통째로 추정한다. 가능하게 하려면 노출이 5년 동안 상수라고 가정해야 한다. 500종목·60개월·10팩터면 3만 개 수익으로 5000개 노출과 600개 팩터 수익을 추정하는 셈이다.</li><li><strong>5번의 쌍대</strong> — 종목 수 N이 기간 수 T보다 훨씬 클 때, N×N 대신 <strong>T×T 공분산 행렬</strong>을 분석한다. 팩터 노출과 팩터 수익의 역할이 뒤바뀐다(Connor and Korajczyk 1988).</li></ol><p>실무가는 구조적 모형을 선호한다. 팩터를 구체적 변수에 연결할 수 있어야 자기 투자 경험과 직관을 모형에 넣을 수 있기 때문이다. 통계적 모형에서는 팩터가 추상적이라 <strong>역사적 평균과 다른 예측을 정당화할 근거가 없다.</strong> 어려운 절반이 통째로 막히는 것이다.</p><h3>8. APT는 왜 컨센서스 모형이 될 수 없는가</h3><p>7장이 조용히 붙이는 결론이 하나 더 있다. 유연함 때문에 APT는 <strong>컨센서스 기대수익 모형으로는 부적절하고, 한 운용역의 기대수익 모형으로는 적절하다.</strong></p><p>이유는 논리적이다. 컨센서스란 모두가 공유하는 견해다. 그런데 APT는 팩터 선택도 예측 값도 만드는 사람마다 다르게 나오도록 설계돼 있다. 잘 아는 두 사람이 독립적으로 만들면 닮은 구현이 나오지 않는다. 그런 것으로 “시장 전체의 견해”를 대표시킬 수는 없다.</p><p>뒤집으면 이것이 액티브 운용역에게 APT가 쓸모 있는 이유다. APT는 <strong>정보의 출처</strong>다. 그리고 6장이 말했듯 정보의 가치는 남들과 다를 때만 생긴다. <strong>모든 액티브 운용역이 같은 정보를 공유하면 그 정보는 가치가 0이다.</strong></p><h3>9. 관통 예제에 연결하기</h3><p>우리 예제는 IC = 0.05, BR = 100, λ_R = 0.10이었다. 7장은 <strong>어떤 값을 바꾸는가</strong>보다 <strong>그 값들이 어떤 형태로 만들어지는지</strong>를 규정한다.</p><p>7장 이전에는 알파가 종목별로 100개 있는 무언가였다. 7장의 APT 틀에서는 알파가 <strong>팩터 예측 m을 노출 X에 통과시킨 결과</strong>다. 그러면 독립적인 판단은 종목 100개가 아니라 <strong>팩터 K개</strong>다.</p><p>팩터 10개짜리 모형을 쓴다고 하자. BR이 100에서 10으로 떨어진다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/748/0*gKcr9yhB_yEJot1G" /></figure><p>부가가치를 원래대로 0.625%로 유지하려면 IC가 0.05에서 0.158로 올라야 한다. 적중률로는 52.5%에서 <strong>57.9%</strong>다. 6장 기준으로 “낙관적”이라던 0.075의 두 배가 넘는다.</p><p><strong>이것이 7장이 관통 예제에 남기는 것이다.</strong> 팩터 모형은 리스크 통제 면에서 거의 공짜지만, 기대수익 생성기로 쓰는 순간 폭을 크게 잘라먹는다. 그 대가를 실력으로 메울 수 있는지가 실제 질문이다.</p><h3>용어 대조표</h3><ul><li><strong>차익거래가격결정이론</strong> <em>(arbitrage pricing theory (APT))</em> — 기대 초과수익이 팩터 노출과 팩터 예측의 가중합이라는 이론. 식 (7.2)</li><li><strong>팩터 예측</strong> <em>(factor forecast)</em> — 각 팩터에 부여하는 기대수익 m_k. APT에서 사람이 채워 넣어야 하는 유일한 자리</li><li><strong>팩터 로딩</strong> <em>(factor loading)</em> — 팩터 익스포저 X의 다른 이름. 기초 시점에 알려져 있다고 가정</li><li><strong>적격 모형</strong> <em>(qualified model)</em> — 식 (7.2)를 성립시키는 m이 존재하는 팩터 모형. 존재 주장일 뿐 유용성 주장이 아니다</li><li><strong>팩터 모형에 대해 분산됨</strong> <em>(diversified with respect to a factor model)</em> — 같은 팩터 노출을 가진 모든 포트폴리오 중 리스크가 최소라는 뜻. 종목 수와 무관한 정확한 정의</li><li><strong>준차익거래</strong> <em>(quasi-arbitrage)</em> — 비용 0, 리스크는 0이 아니라 아주 작고, 기대수익이 양인 기회</li><li><strong>포트폴리오 Q</strong> <em>(portfolio Q)</em> — 샤프비율이 최대인 완전투자 포트폴리오. CAPM은 Q가 시장 포트폴리오라는 주장</li><li><strong>표준화 익스포저</strong> <em>(standardized exposure)</em> — 시장 평균을 빼고 표준편차로 나눈 노출. 평균 0, 약 66%가 −1~+1</li><li><strong>후측</strong> <em>(backcast)</em> — 과거에 가장 잘 맞았을 값. 팩터 수익의 역사적 평균이 이것이다</li><li><strong>공선성</strong> <em>(collinearity)</em> — 설명변수들이 서로 겹쳐 각각의 기여를 갈라내기 어려워지는 상태</li><li><strong>주성분분석</strong> <em>(principal components analysis)</em> — 공분산 행렬에서 분산을 많이 설명하는 축을 순서대로 뽑는 통계 기법</li></ul><blockquote><strong><em>주의 1:</em></strong><em> 식 (7.1) ≠ 식 (7.2). 앞은 </em><strong><em>실현 수익의 분해</em></strong><em>(리스크 모형)이고, 뒤는 </em><strong><em>기대수익에 대한 주장</em></strong><em>이다. 모양이 같아 헷갈리지만 (7.1)은 잔차를 u로 정의하면 거의 항등식처럼 만들 수 있고, (7.2)는 Q가 그 모형에 대해 분산되어 있어야만 성립한다.</em></blockquote><blockquote><strong><em>주의 2:</em></strong><em> 팩터 수익 b_k ≠ 팩터 예측 m_k. b는 사후에 관측되는 실현값, m은 사전에 사람이 넣는 기대값이다.</em></blockquote><blockquote><strong><em>주의 3:</em></strong><em> 적격(qualified) ≠ 유용(useful). 적격은 “올바른 m이 존재한다”는 존재 주장이다. 그 m을 찾아냈다는 뜻이 전혀 아니다.</em></blockquote><blockquote><strong><em>주의 4:</em></strong><em> 일상어 “분산투자” ≠ “팩터 모형에 대해 분산됨”. 후자는 종목을 많이 담았다는 뜻이 아니라 </em><strong><em>같은 노출 중 최소 리스크</em></strong><em>라는 최적화 조건이다.</em></blockquote><blockquote><strong><em>주의 5:</em></strong><em> 고유리스크(specific risk) ≠ 잔차리스크(residual risk). 앞은 팩터로 설명 안 되는 부분, 뒤는 베타로 설명 안 되는 부분이다. 7장에서 준차익거래 포지션에 남는 것은 </em><strong><em>고유리스크</em></strong><em> 쪽이다.</em></blockquote><h3>다음 편 예고</h3><p>7장은 기대수익의 <strong>형태</strong>를 정했다 — 팩터 노출 곱하기 팩터 예측. 하지만 그 숫자를 어디서 가져올지는 여전히 비어 있다. 8장 <em>Valuation in Theory</em>는 자산 가격이 이론적으로 어떻게 결정되는지로 들어간다. 9장 <em>Valuation in Practice</em>가 실제로 그 값을 만드는 이야기다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=16b7c82b69e0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/apt%EB%8A%94-%EA%B3%BC%ED%95%99%EC%9D%B4-%EC%95%84%EB%8B%8C-%EA%B8%B0%EC%88%A0-16b7c82b69e0">APT는 과학이 아닌 기술</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[저평가 종목을 찾아도 알파가 0일 수 있다]]></title>
            <link>https://medium.com/inha-qlab/%EC%A0%80%ED%8F%89%EA%B0%80-%EC%A2%85%EB%AA%A9%EC%9D%84-%EC%B0%BE%EC%95%84%EB%8F%84-%EC%95%8C%ED%8C%8C%EA%B0%80-0%EC%9D%BC-%EC%88%98-%EC%9E%88%EB%8B%A4-9041d0772fe0?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/9041d0772fe0</guid>
            <category><![CDATA[퀀트]]></category>
            <category><![CDATA[quantitative-finance]]></category>
            <category><![CDATA[투자]]></category>
            <category><![CDATA[북리뷰]]></category>
            <dc:creator><![CDATA[Litshan]]></dc:creator>
            <pubDate>Sun, 01 Nov 2026 08:52:57 GMT</pubDate>
            <atom:updated>2026-11-01T08:52:56.428Z</atom:updated>
            <content:encoded><![CDATA[<h3>Active Portfolio Management (Grinold &amp; Kahn, 2nd ed.) Chapter 8 — Valuation in Theory 정리</h3><p><strong>한 줄 요약</strong> — 가치평가는 확률을 비틀어 놓고 무위험금리로 할인하는 일이고, 액티브 운용의 알파는 오평가의 <strong>크기</strong>가 아니라 <strong>크기 × 시장이 알아채는 속도</strong>다.</p><h3>이 챕터가 답하는 질문</h3><p>7장까지의 이야기는 이랬다. 기대 초과수익 f는 팩터 노출 X와 팩터 예측 m의 곱으로 만들어진다. 그런데 그 m을 어디서 가져오느냐는 열려 있었다.</p><p>8장은 한 층 아래로 내려간다. 기대수익 공식을 손보는 대신, <strong>애초에 주식 가격이 어떤 원리로 정해지는가</strong>를 묻는다. 그리고 이 질문에 답하고 나면 액티브 운용에 관한 매우 실용적인 결론 하나가 딸려 나온다. 저평가를 찾는 것만으로는 알파가 생기지 않는다는 것이다.</p><p>원서는 이 장의 메시지를 셋으로 요약한다. ① 가치는 리스크 조정된 기대 현금흐름에서 나온다. ② 이 이론은 옵션가격결정 이론과 사실상 같은 것이며 CAPM·APT와도 어긋나지 않는다. ③ 오평가는 기대수익과 직접 연결된다 (p.199).</p><h3>1. 확실한 현금흐름이면 쉽다 (p.199~200)</h3><p>주식의 가치는 그 주식을 보유해서 받을 현금흐름에서 나온다. 배당이거나, 나중에 팔아서 받는 돈이거나 둘 중 하나다.</p><p>현금흐름 cf(t)가 <strong>확실하다면</strong> 계산은 채권 계산과 같다. 무위험금리 i_F로 할인하면 끝이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/371/0*H50Y2jVnrXzpMc5l" /></figure><p>숫자로 보면, 1년 뒤 6달러와 3년 뒤 10달러를 확실히 받고 i_F = 0.06이면 6/1.06 + 10/1.0⁶³ = 14.06이다 (식 8.3).</p><h3>2. 불확실해지는 순간 이 식이 깨진다 (p.201)</h3><p>이제 현금흐름이 불확실하다고 하자. 원서가 이 장 내내 쓰는 작은 예제가 여기서 나온다.</p><ul><li>현재 주가 50달러, 기간은 1개월(t = 1/12)</li><li>한 달 뒤 값은 <strong>49달러 또는 53달러</strong>, 확률은 각각 0.5</li><li>연 무위험금리 6%</li></ul><p>기대 현금흐름은 51달러다. 가장 자연스러운 수선법은 식 (8.1)의 cf 자리에 기대값 E{cf}를 넣는 것이다. 그런데 그렇게 하면 51 ÷ 1.06^(1/12) = <strong>50.75달러</strong>가 나온다. 실제 가격은 50달러다. 75센트가 남는다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/617/0*P8c2mNlQFxDYV6CT" /></figure><p>이유는 간단하다. 기대 현금흐름은 <strong>리스크를 전혀 반영하지 않는다.</strong> 확실한 51달러와 평균이 51달러인 도박은 같은 값일 수 없다. 그런데 식 (8.4)의 기대값 계산에는 둘을 구분할 재료가 없다.</p><h3>3. 갈림길 — 분모를 고칠까, 분자를 고칠까 (p.203~204)</h3><p>식 (8.5)의 우변을 고치는 방법은 두 가지다.</p><p><strong>첫째, 분모(할인율)를 올린다.</strong> 이게 CAPM과 APT를 그대로 확장한 방식이고, 실무에서 쓰이는 방식이다. 할인율 자리에 i_F + β·f_Q를 넣는다. 여기서 f_Q는 포트폴리오 Q의 기대 초과수익이고, i_F + β·f_Q를 흔히 <strong>자기자본 자본비용(equity cost of capital)</strong>이라 부른다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/0*CjXXAQ4S5CJAJ88U" /></figure><p>간단하고 직관적이다. 그런데 원서는 곧바로 이 방식이 무너지는 지점을 보인다. 동전을 던져 앞면이면 10만 달러를 받고 뒷면이면 10만 달러를 잃는 증권을 생각해 보자. 기대 현금흐름이 <strong>0</strong>이다. 분모를 아무리 만져도 0을 무엇으로 나누든 0이다. 이 증권의 값은 정말 0인가? 아니다 — 잠시 뒤에 숫자로 확인한다.</p><p><strong>둘째, 분자(확률)를 고친다.</strong> 현대 가치평가 이론이 택하는 길이다. 실제 확률 π(t,s) 대신 <strong>비틀어 놓은 확률</strong>을 써서 기대값을 계산하고, 할인은 여전히 무위험금리로 한다. 리스크 조정을 할인율이 아니라 확률 쪽으로 옮기는 것이다.</p><h3>4. 가치승수 υ (p.204~206)</h3><p>비틀기는 상태마다 붙는 <strong>가치승수(value multiple)</strong> υ(t,s)로 이뤄진다. 리스크 조정 기대값은 이렇게 정의된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/897/0*AzgTuByxg5K9FxVN" /></figure><p>υ에 요구되는 성질은 셋이다 (p.204). <strong>양수일 것. 기댓값이 1일 것. 포트폴리오 Q의 수익만의 함수일 것.</strong> 그리고 이 승수가 존재하기 위한 조건은 딱 하나, <strong>차익거래 기회가 없을 것</strong>이다. 원서 기술부록은 선형계획법의 쌍대성 정리로 이를 증명한다 (명제 1, p.214~216).</p><p>이제 가치평가 공식이 완성된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/385/0*mCYKnmULQE-dGSam" /></figure><p><strong>앞서의 예제에 대입해 보자.</strong> 원서가 부록에서 구한 값은 υ(49 상태) = 1.38, υ(53 상태) = 0.62다. 확률 0.5를 곱하면 비틀린 확률은 각각 0.69와 0.31이 된다.</p><pre>(0.69 × 49 + 0.31 × 53) ÷ 1.06^(1/12) = 50.24 ÷ 1.00487 = 50.00</pre><p>정확히 현재가격이 나온다. 눈여겨볼 것은 <strong>나쁜 상태(49)의 확률이 0.5에서 0.69로 부풀려졌다</strong>는 점이다. 이게 리스크 벌점의 정체다.</p><h3>벌점의 크기를 직접 재기</h3><p>υ의 기댓값이 1이라는 사실과 공분산의 정의를 결합하면 실제 기대값과 리스크 조정 기대값의 차이가 딱 떨어진다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/696/0*dsfKEf0HrUmbgVUA" /></figure><p>예제에서는 E<em>{cf} = 50.24, E{cf} = 51이므로 공분산 항은 −0.76</em>*이다. 이것이 리스크에 매겨진 명시적 벌점이고, 현재가치로는 −0.756이다 (p.206).</p><p><strong>해석 하나 더.</strong> 승수를 확률이 아니라 현금흐름에 곱해도 결과는 같다. 그러면 49는 1.38배인 67.62로 부풀고, 53은 0.62배인 32.86으로 쪼그라든다. 시장이 나쁠 때 들어오는 1달러가 시장이 좋을 때 들어오는 1달러보다 비싸다는 뜻이다. 현금이 귀할 때의 현금이 더 값지다 — 이건 놀라운 얘기가 아니다 (p.206~207).</p><p>기술부록은 υ의 정체를 구체적으로 밝힌다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/841/0*m6xsWt0WqgUcLGan" /></figure><p>κ의 현실적 범위는 1.5~2.0이라고 원서는 적는다 (p.219). κ = 1.75면 υ가 음수가 되려면 시장 초과수익이 평균보다 57%p 더 나와야 한다. 1926년 이후 S&amp;P 500의 최고 연간 수익이 50%대였으니, 실질적으로 υ는 항상 양수다.</p><h3>5. 같은 υ 하나로 모든 것을 값 매긴다 (p.207)</h3><p>이 이론의 결정적인 성질은 <strong>υ와 i_F가 시장에만 의존하고 개별 종목에는 의존하지 않는다</strong>는 것이다. 종목별로 필요한 정보는 오직 그 종목의 상태별 현금흐름 cf(t,s)뿐이다. IBM 주식이든 GM 풋옵션이든 S&amp;P 500이든 <strong>같은 υ를 쓴다.</strong> 체계적 리스크만 가격에 반영된다는 CAPM·APT의 주장이 여기서 다시 나온다.</p><p><strong>앞의 예제로 확인해 보자.</strong> 행사가 50, 만기 1개월인 콜옵션의 만기 현금흐름은 53 상태에서 3달러, 49 상태에서 0달러다. 새 모형을 만들 필요 없이 같은 승수를 쓰면 된다.</p><pre>(0.31 × 3 + 0.69 × 0) ÷ 1.00487 = 0.93달러</pre><p>기대값을 그냥 할인했다면 (0.5 × 3) ÷ 1.00487 = 1.49달러가 나왔을 것이다. <strong>60% 넘게 비싸게 매겼을 것이다.</strong></p><p><strong>3절에서 미뤄둔 문제도 이제 풀린다.</strong> 49 상태에서 1달러를 받고 53 상태에서 1달러를 잃는 증권은 기대 현금흐름이 0이다. 그런데 값은,</p><pre>(0.69 × 1 − 0.31 × 1) ÷ 1.00487 = 0.38달러</pre><p><strong>양수다.</strong> 주가가 떨어질 때 돈이 나오는 보험이기 때문이다. 할인율만 만지는 (8.7)로는 이 0.38달러를 절대 만들어낼 수 없다.</p><h3>6. 가치평가와 기대수익은 같은 얘기다 (p.207~208)</h3><p>1년 뒤 배당 d와 주가 p(1)을 받고 지금 p(0)에 거래되는 주식을 생각하자. 식 (8.9)를 이 한 기간에 적용한 뒤 양변을 p(0)으로 나누고 (1 + i_F)를 곱하면 이렇게 정리된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/0*gg9sk6z4QRrQTlQO" /></figure><p><strong>모든 주식의 기대수익이 υ와의 공분산으로 결정된다.</strong> CAPM·APT가 “포트폴리오 Q와의 공분산으로 결정된다”고 말한 것과 같은 구조다. 실제로 υ는 Q의 수익만의 함수이므로 두 진술은 같은 얘기다. 그리고 이 관계는 양방향이다. (8.9)에서 (8.16)이 나오고, (8.16)에서 (8.9)도 나온다.</p><p>한 가지 덧붙이면, 비틀린 확률 아래에서는 <strong>모든 주식의 기대수익이 무위험수익과 같아진다</strong> (식 8.17). 리스크 프리미엄이 확률 안으로 흡수됐기 때문이다.</p><h3>7. 액티브 매니저를 위한 결론 — 알파의 두 요소 (p.208~209)</h3><p>여기까지는 시장이 옳게 값을 매긴다는 전제였다. 액티브 매니저는 정반대에 관심이 있다. 시장가격 p(0,mkt)와 모형가격 p(0,mdl)이 어긋나 있을 때 무슨 일이 벌어지는가?</p><p>원서는 두 파라미터를 정의한다.</p><ul><li><strong>κ (카파)</strong> — 오평가의 <strong>크기</strong>. 모형가격이 시장가격보다 몇 % 위인가 (식 8.19)</li><li><strong>γ (감마)</strong> — 오평가의 <strong>지속성</strong>. 1년 뒤에도 오평가가 얼마나 남아 있는가. 0 ≤ γ ≤ 1 (식 8.20)</li></ul><p>γ가 1에 가까우면 “느린 아이디어”다. 시장이 좀처럼 알아채지 못한다. γ가 0에 가까우면 “빠른 아이디어”다. 원서는 −0.69/ln(γ)를 오평가의 <strong>반감기</strong>(년)로 읽으라고 한다.</p><p>이 둘로 알파가 결정된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/530/0*CD0PYecFKcL38pPq" /></figure><p><strong>이 식이 이 장의 실무적 핵심이다.</strong> 두 극단을 보자.</p><ul><li><strong>γ = 1이면 알파는 0이다.</strong> 아무리 크게 저평가돼 있어도, 세상이 끝내 모른다면 아무 소용이 없다.</li><li><strong>γ = 0이면 α = (1 + i_F)·κ.</strong> 오평가 전액을 이자까지 붙여 1년 안에 회수한다.</li></ul><p>즉 <strong>좋은 아이디어를 찾는 것은 절반의 일이다.</strong> 나머지 절반은 시장이 언제 그것을 인정하느냐다. 이것이 나중에 정보 지평(information horizon) 논의로 이어지는 지점이다.</p><p>원서 Table 8.1은 κ와 γ 조합별 알파를 표로 준다 (i_F = 6% 가정). 아래는 그중 일부를 뽑고 반감기 열을 덧붙인 것이다. 반감기는 원서가 준 −0.69/ln(γ) 식으로 직접 계산했다.</p><pre>γ    반감기  κ=5%   κ=10%   κ=25%<br>---  ------  -----  ------  ------<br>0.0  즉시    5.30%  10.60%  26.50%<br>0.4  0.75년  3.12%  6.12%   14.45%<br>0.6  1.35년  2.06%  4.00%   9.22%<br>0.8  3.09년  1.02%  1.96%   4.42%</pre><p><strong>같은 25% 저평가라도 반감기가 3년이면 연 알파는 4.4%로 줄어든다.</strong> 즉시 수렴할 때의 26.5%와 비교하면 6분의 1이다.</p><h3>8. 6장까지 쌓아온 숫자와 잇기</h3><p>4장에서 8장까지 계속 따라오는 예제는 IC = 0.05, BR = 100, λ_R = 0.10인 운용역이다. 여기서 IR = 0.05 × √100 = 0.5, 최적 잔차위험 ω<em> = 2.5%, 기대 알파 α</em> = 1.25%**가 나왔다.</p><p>8장은 이 숫자들 중 어느 것도 바꾸지 않는다. 대신 <strong>α* = 1.25%가 어디서 오는 돈인지</strong>를 처음으로 설명한다. 1.25%는 5장이 최적화로 뽑아낸 목표치일 뿐, 그 알파를 실제로 만들어내는 것은 개별 종목의 오평가와 그 수렴이다.</p><p>식 (8.22)를 거꾸로 풀어 보자. 반감기가 3.1년(γ = 0.8)인 아이디어로 1.25%의 알파를 만들려면 얼마나 큰 오평가가 필요할까?</p><pre>1.06 × [κ × 0.2 ÷ (1 + 0.8κ)] = 0.0125  →  κ ≈ 0.062</pre><p><strong>약 6.2% 저평가된 종목</strong>이 필요하다. 검산하면 1.06 × (0.0619 × 0.2) ÷ 1.0495 = 1.25%다. (이 역산은 원서에 없다. 식 (8.22)에 관통 예제 숫자를 넣어 구한 것이다.)</p><p>반대로 같은 6.2% 저평가를 찾아도 γ = 1이면 알파는 0이고, ω<em> = 2.5%도 VA</em> = 0.625%도 전부 무너진다. <strong>5장~6장이 계산한 부가가치는 오평가가 실제로 수렴한다는 조건 위에 서 있다.</strong></p><h3>용어 대조표</h3><ul><li><strong>가치평가</strong> <em>(valuation)</em> — 미래 현금흐름으로부터 현재의 값을 산출하는 일</li><li><strong>현금흐름</strong> <em>(cash flow)</em> — 배당 또는 매각대금. 기호 cf(t,s)</li><li><strong>상태</strong> <em>(state)</em> — 미래 시점에 벌어질 수 있는 경우 하나. 기호 s</li><li><strong>가치승수</strong> <em>(value multiple)</em> — 상태별 확률에 곱해 리스크를 반영하는 양수. 기호 υ</li><li><strong>리스크 조정 기대값</strong> <em>(risk-adjusted expectation)</em> — 비틀린 확률로 계산한 기대값. 기호 E*</li><li><strong>비틀린 확률</strong> <em>(risk-neutral probability)</em> — π*(t,s) = π(t,s)·υ(t,s). 믿음이 아니라 계산 장치다</li><li><strong>자기자본 자본비용</strong> <em>(equity cost of capital)</em> — i_F + β·f_Q. 리스크 조정 할인율</li><li><strong>차익거래</strong> <em>(arbitrage)</em> — 돈을 안 들이고 손해 없이 이익 가능성만 있는 기회</li><li><strong>포트폴리오 S</strong> <em>(portfolio S)</em> — 총수익의 2차 적률이 최소인 포트폴리오. 총수익이 υ에 비례한다</li><li><strong>오평가</strong> <em>(misvaluation)</em> — 모형가격과 시장가격의 괴리. 크기는 κ</li><li><strong>지속성</strong> <em>(persistence)</em> — 오평가가 1년 뒤에도 남아 있는 비율. 기호 γ</li><li><strong>반감기</strong> <em>(half-life)</em> — 오평가가 절반으로 줄기까지의 햇수. −0.69/ln(γ)</li></ul><blockquote><strong><em>주의 1:</em></strong><em> </em><strong><em>κ가 두 뜻으로 쓰인다.</em></strong><em> 본문 식 (8.19)의 κ는 </em><strong><em>오평가의 크기(%)</em></strong><em>이고, 기술부록 식 (8A.22)의 κ는 </em><strong><em>f_Q/σ_Q²</em></strong><em>다. 완전히 다른 값이며(전자는 0.05 수준, 후자는 1.5~2.0), 원서가 같은 글자를 재사용한 것이다. 어느 절을 읽고 있는지로 구분해야 한다.</em></blockquote><blockquote><strong><em>주의 2:</em></strong><em> </em><strong><em>비틀린 확률 π*는 “실제로 그럴 확률”이 아니다.</em></strong><em> 49달러가 될 확률이 0.69로 오른 것이 아니라, 가격을 맞추기 위해 나쁜 상태에 가중치를 더 준 것이다. 진짜 확률은 여전히 0.5다.</em></blockquote><blockquote><strong><em>주의 3:</em></strong><em> </em><strong><em>저평가 ≠ 알파.</em></strong><em> 알파는 κ가 아니라 κ와 γ의 조합이다. γ = 1이면 κ가 얼마든 알파는 0이다.</em></blockquote><blockquote><strong><em>주의 4:</em></strong><em> </em><strong><em>리스크 조정 할인율 ≠ 리스크 조정 확률.</em></strong><em> 전자는 분모를 키우고 후자는 분자의 확률을 비튼다. 결과가 같아 보이는 경우가 많지만, 기대 현금흐름이 0에 가까운 증권에서는 전자가 무너진다.</em></blockquote><h3>다음 편 예고</h3><p>8장은 제목 그대로 이론이다. 가치승수 υ가 존재한다는 것은 증명했지만, APT의 경우 그것을 실제로 <strong>계산할 방법은 주지 않는다</strong> (p.207). 9장 Valuation in Practice는 배당할인모형처럼 실무에서 실제로 쓰이는 절차가 이 이론과 어떻게 맞물리는지를 다룬다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9041d0772fe0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/%EC%A0%80%ED%8F%89%EA%B0%80-%EC%A2%85%EB%AA%A9%EC%9D%84-%EC%B0%BE%EC%95%84%EB%8F%84-%EC%95%8C%ED%8C%8C%EA%B0%80-0%EC%9D%BC-%EC%88%98-%EC%9E%88%EB%8B%A4-9041d0772fe0">저평가 종목을 찾아도 알파가 0일 수 있다</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Chapter3: RISK]]></title>
            <link>https://medium.com/inha-qlab/chapter3-risk-72dd725e50e2?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/72dd725e50e2</guid>
            <dc:creator><![CDATA[이상준]]></dc:creator>
            <pubDate>Sun, 01 Nov 2026 08:52:42 GMT</pubDate>
            <atom:updated>2026-11-01T08:52:41.548Z</atom:updated>
            <content:encoded><![CDATA[<p>리스크란 무엇이고, 어떻게 예측하며, 어떻게 쓰는가?</p><p>목차:</p><p>1. 리스크의 정의</p><p>2. 표준편차와 상대적 리스크</p><p>3. 리스크 모형</p><p>4. 모형의 활용과 검증</p><p>5. 기술부록 핵심</p><p>CAPM이 컨센셔스 기대수익이자 분수의 기준점이라면, RISK는 분수의 분모의 역할이다. 얼마나 흔들리는가(위험), 그리고 그 흔들림을 어떻게 쪼갤지가 핵심이다.</p><p>IR=기대 잔차수익 알파 / 잔차위험 오메가</p><p>(IR: 액티브 매니저에게 열려 있는 기회)</p><p><strong>1. 리스크의 정의</strong></p><p>6개 문장으로 요약할 수 있다.</p><p>-리스크는 수익률의 표준편차다.</p><p>-리스크는 더해지지 않는다.</p><p>-기관투자자는 총위험보다 액티브, 잔차 위험에 더 관심을 갖는다.</p><p>-액티브 위험은 액티브 포지션의 크기에 달려있다. 벤치마크 비중에 달려 있지 않다.</p><p>-리스크의 비용은 분산에 비례한다.</p><p>-리스크 모형은 리스크의 원천을 식별하고 성분으로 분해한다.</p><p>붉은 글씨(두번째, 네 번째 명제)는 틀리는 경우가 있다.</p><p><strong>개인의 관점에서는 불가능함</strong></p><p>수익자-&gt; 기업-&gt; 연기금 수탁자-&gt; 기관 운용자<br> 이 때 기관 운용자는 이 중 누구의 수익을 극대화해야 하는가? 즉 누구의 관점에서 리스크를 정의해야 하는가? 누구의 위험 선호를 써야 하는가?</p><p>ð “우리는 운용 가능하고, 따라서 보편적이며 비인격적인 리스크 정의가 필요하다.”</p><p>또한 리스크 정의는 왜 대칭적이어야 하는가?<br> :오르는 주식을 보유하지 않은 운용자는, 내리는 주식을 많이 보유한 것과 같은 고통을 받는다. (손실과 다를 게 없다. 이는 자산운용의 세계가 상대평가 세계이기 때문)</p><p><strong>리스크 척도가 만족해야 할 5가지 조건</strong></p><p>-보편성, 비인격성: 대리인 사슬 때문에, 개인 선호에 의존하지 않아야 한다.</p><p>-대칭성: 상대평가에서는 오르는 종목을 보유하지 않는 것 또한 손실이므로 위, 아래를 같이 봐야 한다.</p><p>-유연성: 개별 종목에도, 포트폴리오에도, 과거에도, 미래 예측에도 만족해야 한다.</p><p>-예측 가능성: 과거를 재는 게 아니라 미래를 예측할 수 있을 것</p><p>-합성 가능성: 자산 정보만으로 모든 가능한 조합의 리스크를 계산할 수 있을 것</p><p>=&gt; 모든 상황에서 일일히 계산하지 않고 자산 정보만으로도 즉시 계산할 수 있어야 함.</p><p>모든 리스크 정의는 수익률 분포에서 나온다. 그러나 분포 전체는 매우 복잡하다. 따라서 “리스크의 본질을 하나로 포착”하는 것은 현실적으로 어렵다.</p><p>ð 어느 것이 완벽한지를 찾는 게 아니고, 어느 결함이 가장 감수할 만한지를 찾는 과정이다.</p><p>Ex) 마젤란 펀드의 사례</p><p>월별 표준편차: 6.3%</p><p>월별 평균: 1.6%</p><p>연간 표준편차: 21.3%</p><p>연간 평균: 19.2%</p><p>정규분포 형태였다면 평균 + 1시그마 구간(-4.7~+7.9% 구간)에 약 2/3이 들어와야 함.</p><p>그러나 실제로는 그 구간에 73%가 들어왔다!</p><p><strong>따라서 어느 지표를 리스크로 설정할 것인가?</strong></p><p>경쟁 후보 4종: 표준편차, 세미분산/하방위험, 시프폴 확률, Value at Risk</p><p><strong>결론부터 말하자면 5가지 조건을 모두 만족하는 것은 수익률의 표준편차, 즉 평균 주변 흩어짐 뿐이다. 리스크 = 연간수익률의 표준편차. 리스크의 비용 = 연간수익률의 분산</strong></p><p>그러나 공매도자는 이것을 정 반대로 보기 때문에 손실만이 위험이 아니라는 지적, 액티브 포지션은 합이 0이기 때문에 과대, 과소비중이 짝을 이루므로 구조적으로 대칭이라는 지적이 존재한다.</p><p>하방위험이 탈락하는 5가지 이유</p><p>-정의가 모호하고 통계적 성질이 덜 알려짐</p><p>-자산-&gt; 포트폴리오 합성이 극도로 어려움</p><p>(어려운 수준이 아니라 불가능. 가장 핵심인 탈락 사유이다.)</p><p>-대칭이면 표준편차에 비례할 뿐. 추가 정보가 없음. 또한 액티브 수익률은 구성상 대칭</p><p>-비대칭성은 시간에 대해 불안정하므로 예측 불가</p><p>-데이터의 절반만 사용하여 통계적 정확도 손실</p><p><strong>2. 표준편차와 상대적 리스크</strong></p><p>이러한 표준편차는 어떻게 움직이는가?</p><p>베타: 가중평균보다 클 수도, 작을 수도 있음</p><p>E/P, 시가총액, 기대수익률: 단순한 가중평균으로 나타난다.</p><p><strong>표준편차(리스크): 가중평균보다 항상 작다!</strong></p><p>두 종목만으로도 어느 한 쪽만 사는 것보다 리스크를 줄일 수 있다.</p><p>(양의 편차 2원계 상태도 그림을 생각해봐라)</p><p>종목 수가 늘어난다면 두 가지 공식이 나타난다.</p><p>1. 완전히 상관이 없는 경우</p><p>=&gt; N을 무수히 키우면 리스크가 0에 수렴한다</p><p>2. 모든 쌍이 상관계수를 가진다면</p><p>0이 아닌 다른 바닥에 수렴한다</p><p>이 원리는 시간에 대해서도 적용됨.</p><p>1분기, 1년, 4년의 분산이 1:4:16으로 기간 길이에 정확히 비례한다.</p><p>따라서 리스크는 1:2:4가 된다.</p><p><strong>(리스크 척도의 네 번째 조건: 예측 가능성의 실증)</strong></p><p>액티브 리스크 VS 잔차 리스크</p><p>액티브 리스크: 베타를 조정하지 않고 그냥 뺀다. =&gt; 벤치마크를 얼마나 잘 따라가는가</p><p>잔차 리스크: 베타를 곱해서 뺀다. =&gt; 시장에 무상관인 부분만</p><p>(베타가 1이라면 첫 항이 사라져 둘이 같아진다.)</p><p><strong>액티브 매니저는 총위험(</strong></p><p><strong>이 아니라 액티브, 잔차 위험에 관심을 갖는다</strong></p><p>우려되는 실무적 오해는 액티브 리스크가 시가총액 또는 벤치마크 비중에 비례한다고 생각하는 것이다.</p><p>IBM의 벤치마크 비중이 4%일 때 보유 한도를 2~6%로 설정하면 최대 액티브 노출은 ±2%p이다.</p><p>소형주의 벤치마크 비중이 0.6%일 때 한도를 0.3~0.9%로 설정하면 최대 액티브 노출은 ±0.3%p이다.</p><p>개별 종목의 액티브 리스크를</p><p>로 단순 근사하면,</p><p>IBM: 2%p*<em>30%=60, 소형주: 0.3%p*</em>45%=13.5</p><p>가 된다. 따라서 두 종목 모두 벤치마크 비중의 ±50%라는 동일한 한도를 설정했지만, 실제로는 IBM에 소형주보다 약 4.44배 큰 최대 액티브 위험예산을 허용한 셈이다.</p><p><strong>3. 리스크 모형</strong></p><p>종목(N)이 선형으로 늘어날 때 상관계수(N(N-1)/2)는 제곱으로 늘어난다.</p><p>Ex)</p><p>2종목: 1개</p><p>100종목: 4950개</p><p>500종목: 124750개</p><p>6000종목: 17997000개</p><p>초급 리스크 모형 3종: 단일요인 대각 모형, 상수 상관계수 모형, 과거 공분산 모형</p><p>ð 전부 못쓴다. 앞의 두 개는 너무 단순해서, 과거 공분산 모형은 너무 자유로워서 실패한다.</p><p>단일요인 대각 모형: 같은 산업 종목 간 양의 상관을 놓친다</p><p>상수 상관계수 모형: 종목 간 구조적 차이를 전혀 보지 못한다</p><p>과거 공분산 모형: T &gt; N 필요하여 추정오차 폭발하고 선택 편향이 나타남</p><p>심지어 T &gt; N을 만족시켜도 시간 척도 불일치, 기업의 변화, 선택편향 등의 문제가 있음</p><p>결론: 구조적 다중요인 모형을 사용하자.</p><p><strong>구조적 다중요인 모형: 종목은 변하지만 요인은 변하지 않는다</strong></p><p>합병, 분할-&gt; 새 속성만 측정, 선택편향-&gt; 개별 이력에 의존 안함. 두 문제를 모두 해결 가능</p><p>산업, 규모, 가치를 다 걸렀으니 나머지의 무상관 가정이 단일요인 대각 모형에 비해 훨씬 그럴듯하다</p><p>이 행위는 단지 리스크를 분석하는 측일 뿐이므로, 요인의 수익의 원인이라는 인과관계를 부여하지 않는다.</p><p>Ex) 소형주가 오르니까 이 종목이 오른다-&gt; X</p><p>또한 요인 수익은 불확실해도 되지만, 요인 노출은 기간 초에 알려져 있어여 한다.</p><p>Ex) “이번 달 많이 오른 종목”은 요인이 될 수 없다</p><p><strong>요인을 찾는 3가지 유형</strong></p><p>-외부 영향에 대한 반응</p><p>결함: 노출을 회귀로 추정해야 함, 반응계수가 비정상적, 거시데이터는 부정확 지연 저빈도 특성이 나타남</p><p>-횡단면 비교</p><p>노출을 회귀 없이 직접 관측하고, 거시데이터에 의존하지 않음</p><p>-통계적 요인</p><p>해석 불가, 노출이 변하는 요인을 잡지 못함, 허위 상관을 발견하기 쉬움</p><p>모멘텀 종목들끼리는 같이 움직인다는 것이 핵심이다.</p><p>모멘텀 종목은 계속 오른다, 모멘텀 종목은 반전된다-&gt; 잘못 해석한 것</p><p>방향을 아는 것이 아니라 함께 움직인다는 것을 아는 것이다. 리스크는 “분산”이지 “방향”이 아니다.</p><p><strong>좋은 요인의 3가지 기준</strong></p><p>-incisive(예리한): 수익률을 구별하는가</p><p>-intuitive(직관적인): 그럴듯한 이야기가 되는가</p><p>-interesting(흥미로운): 성과의 일부를 설명하는가</p><p>실제 요인 사례 1: GE</p><p>GE는 전기회사라고 생각하기 쉽지만, 리스크 관점에서 GE의 58%는 금융회사였다(GE capital 때문)</p><p>è GE의 산업 노출은 금융이 58%였다!</p><p>종목은 변하지만 요인은 변하지 않는다</p><p>실제 요인 사례 2: 리스크 지수</p><p>모멘텀, 사이즈, 성장, 밸류 등등… 다양한 산업 외의 차원들을 <strong>표준화</strong>해야 모든 요인이 평균에서 몇 시그마 떨어졌냐는 공통 언어로 표현할 수 있다.</p><p><strong>4. 모형의 활용과 검증</strong></p><p>-리스크 모형의 3가지 용도:</p><p>현재: 리스크 분석</p><p>미래: 포트폴리오 구성</p><p>과거: 성과 귀속</p><p>-액티브 베팅의 3가지 유형:</p><p>inherent(내재적): 벤치마크를 이기려면 반드시 져야 하는 위험. 베타가 이것을 측정함</p><p>intentional(의도적): 내가 확신해서 건 베팅. 포트폴리오가 나의 믿음과 일관돼야 함</p><p>incidental(부수적): 의도치 않은 부작용. 스크리닝의 부작용 및 점진적 누적</p><p>리스크는 비중 순서와 무관하다. 예를 들어 3M의 비중이 9%, IBM의 비중이 4%여도 IBM의 MCAR이 더 높을 수 있다.</p><p>MCAR: Marginal Contribution to Active Risk, 즉 액티브 리스크에 대한 한계기여도</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=72dd725e50e2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/chapter3-risk-72dd725e50e2">Chapter3: RISK</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Qlab Week1]]></title>
            <link>https://medium.com/inha-qlab/%EB%94%B0%EB%9D%BC%EA%B0%80%EC%95%BC-%ED%95%A0-4%EA%B0%80%EC%A7%80-%EC%A7%88%EB%AC%B8-4f203a5d0316?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/4f203a5d0316</guid>
            <dc:creator><![CDATA[권용혜]]></dc:creator>
            <pubDate>Sun, 01 Nov 2026 08:52:36 GMT</pubDate>
            <atom:updated>2026-10-31T00:46:31.554Z</atom:updated>
            <content:encoded><![CDATA[<p>Qlab Week1</p><ol><li>무엇을 예측하는가(ACTIVE) — 벤치마크 대비 잔차수익</li><li>얼마나 믿고 담는가(RISK) — 기대수익, 위험을 VR, IR로 판단</li><li>기준선은 무엇인가(CAPM) — 잔차 기대값은 0</li><li>어떻게 조합하는가(PORTFOLIO) — 위험-수익 선택</li></ol><p>핵심 질문</p><p><strong>시장에 노출된 결과와 운용자가 만든 결과를 어떻게 분리하고 검증할 것인가</strong></p><p>PASSIVE: 지수추종 <strong>VS</strong> ACTIVE: 지수대비 잔차수익 추종</p><p>비정상성의 세계에서 추구해야 할 가치관은?</p><p>논문 “불완전한 데이터와 결함 있는 모델을 위한 추정”에 따라</p><p>결함을 인정하고 추정, 검증, 적응을 계속해야 함.</p><p>좋은 투자 기회는 높은 잔차수익 + 낮은 잔차위험임</p><p>이는 하나의 점수, 가치부가(위험조정 기대수익)으로 나타낼 수 있음. (무차별곡선)</p><p>IR = 잔차수익의 연간 변동성 / 연간 기대 잔차수익​</p><p>VA = 기대 잔차수익 μᵣ − λ × 잔차위험²</p><p>λ는 위험을 싫어하는 정도</p><p><strong>액티브 운용의 목표는 주어진 IR에서 VA가 최대가 되는 위험수준을 고르는 것.</strong></p><p>큰 IR은 예측 기술과 반복 가능한 기회에서 나옴</p><p>하지만 정교한 이론도 적용 대상이 다르면 주식 가치평가에 답지 되지 않음</p><p>기대수익을 예측하는 세 가지 구조적 질문</p><ol><li>과거에 잘된 자산의 특성 &gt; 공통 특성을 같은 기준에 적용 &gt; 미래 승자 후보</li><li>비슷한 팩터 노출과 다른 가격 &gt; 공통 팩터로 위험 맞춤 &gt; 차익 거래</li><li>시장이 가격화하는 팩터 &gt; 팩터 자체의 향후 예측 &gt; 팩터 배분</li></ol><p>성과분석</p><ol><li>예측력 — 신호가 실제 수익을 맞혔는가?</li><li>의도치 않은 위험 — 구성이 예측을 왜곡하지는 않았는가?</li><li>거래비용 — 실행비용이 알파를 잠식하지는 않았는가?</li></ol><p>좋은 성과분석은 “얼마를 벌었냐”가 아닌 “<strong>어디에서 알파를 잃었는가</strong>”</p><p>기대수익률을 만드는 네 단계(CAPM)</p><ol><li>기준점 RF</li><li>시장보상 E(RM)-RF</li><li>노출도 Bi</li><li>기대수익 E(Ri)</li></ol><p>E[Ri] = Rf + Bi(E[Rm]-Rf)</p><p><strong>CAPM은 액티브 운용자가 넘어야 할 공통 기준선임</strong></p><p>CAPM은 체계적 위험 B에 기대수익의 가격을 붙임</p><p>즉, 전체 변동성에 보상하는 것이 아니라</p><p>분산으로 제거할 수 없는 시장위험에 보상함</p><p>CAPM의 탐구 목적</p><ol><li>지속적인 초과성과를 이루는 것은 매우 어려움</li><li>CAPM을 위해 개발된 분석의 상당 부분은 정량 능동운용의 도구로 바꿔 쓸 수 있음</li></ol><p>CAPM은 시장이 움직인 만큼을 뺀 나머지의 기대값을 0으로 봄</p><p>따라서 CAPM은 기대수익률을 최적화하면 시장 + 무위험자산 (체계적 위험인 B에 대해서만 보상받을 수 있음)</p><p>B가 클수록 변동성이 크다? &gt; 틀림, B가 크다는 건 시장과 같은 방향으로 움직인다는 의미</p><p>시장과 다른 잔차 포지션은 누군가와의 제로섬 게임이다.</p><p>A가 시장보다 더 보유한 종목은 B가 덜 보유함 (A + 잔차 = B -잔차)</p><p>이 경우 매우 큰 시장 보유자는 잔차 포지션이 0이고 A와 B는 초과와 열위를 갖게 됨</p><p>효율적 시장 가설은 가격에 반영된 정보의 범위를 묻는다.</p><p>가격에 반영된 정보의 집합이 넓어질수록 그 정보만으로 시장을 능가할 수 없음</p><ol><li>약형: 과거 가격만으로 시장을 능가할 수 없다. (기술적 분석, 모멘텀 규칙)</li><li>준강형: 공개 정보만으로 시장을 능가할 수 없다. (재무제표, 뉴스)</li><li>강형: 어떤 정보로도 시장을 능가할 수 없다. (공개정보, 사적정보, 내부정보)</li></ol><p>EMH vs CAPM</p><p>공통 정보와 CAPM 기대수익률만으로는 지속적인 기대 잔차 Alpha를 부여하지 않는다는 공통점이 있음</p><p>하지만 EMH는 정보의 가격 반영을, CAPM은 균형 기대수익률과 체계적 위협의 가격을 설명함</p><p>BP = BM = 1은 시장과 노출을 맞춘 것이지 손실이 안 난다는 것이 아님</p><p>시장과 다른 베팅을 없앤 것이기 때문에 시장이 하락한다면 손실이 발생할 수 있음</p><p>Alpha 검증방법</p><ol><li>B를 1로 통제해서 의도치 않은 B베팅을 줄임</li></ol><p>2. 시장 전망보다 종목 별 전망을 살피고 a가 큰 아이디어에 집중한 포지션 구축</p><p>3. 시장 흐름에 따른 부분인 B를 제외하고 매니저 선택이 남긴 부분을 분리</p><p><strong>— — — — — — — — — — — — -CAPM 기대 총수익률 구하는 법 — — — — — — — — — —</strong></p><p><strong>시장 기대 총수익률 — 무위험수익률 * B + 무위험수익률</strong></p><p>3장 핵심</p><ol><li>리스크는 수익률의 표준편차다.</li><li><strong>*리스크는 더해지지 않는다. *</strong></li><li>기관투자자는 총위험보다 액티브·잔차 위험에 더 관심을 갖는다.</li><li><strong>*액티브 위험은 액티브 포지션의 크기에 달려 있지, 벤치마크 비중에 달려 있지 않다.*</strong></li><li>리스크의 비용은 분산에 비례한다.</li><li>리스크 모형은 리스크의 원천을 식별하고 성분으로 분해한다.</li></ol><p>리스크는 개인의 선호가 반영된 추상적 개념이므로 기관 운용자가 사용할 수 없다.</p><p>따라서 risk 대신 uncertainty라는 용어를 사용한다.</p><p>리스크 척도의 5가지 조건</p><ol><li>보편성 — 개인 선호에 의존하지 않는다.</li><li>대칭성 — 상대평가에서는 미보유도 손실이다.</li><li>유연성 — 모든 곳에 적용시켜야 한다.</li><li>예측 가능성 — 과거가 아닌 미래를 예측할 수 있어야 한다.</li><li>합성 가능성 — 자산 정보만으로 모든 경우의 수의 리스크를 계산할 수 있어야 한다.</li></ol><p>모든 리스크의 정의는 수익률의 분포에서 나온다.</p><p>하지만 분포 전체는 너무 복잡하므로 숫자 하나로 단순화 한다.</p><p>이 단순화로 리스크의 정의는 어느정도의 결함을 가지게 되고</p><p>어느 결함을 감수할 것인지 선택해야 한다.</p><p>EX) 표준편차: 마젤란 펀드</p><p>월별 표준편차: 6.3%<br>월별 평균: 1.6%<br>연간 표준편차: 1.6%<br>연간 평균: 19.2%</p><p>정규분포를 구한다면 연간 기준으로 2/3가 -2.6% ~ +41% 구간이라는 것을 알 수 있다.</p><p>이 때 세미분산, 시프폴 확률, value at risk는 위에서 말한 5가지 조건을 모두 충족하지 못해 탈락하게 되고 정규분포가 채택되게 된다.</p><p>핵심 성질: Portfolio property가 없다.</p><p>즉, 리스크(표준편차)는 가중 평균으로 합성되지 않는다.</p><p>따라서 종목들끼리 어떻게 얽혀 움직이는지 알아야 한다.</p><p>위와 같은 이유로 리스크는 시간에 대해서도 더해지지 않는다.</p><p>더해지는건 분산이기 때문에</p><p>1분기에</p><p>2.5% 액티브 리스크를 가지고</p><p>6.25의 분산을 가진 액티브 리스크는</p><p>1년 뒤 5%, 25가 되고</p><p>4년 뒤에는 10%, 100이 된다.</p><p>액티브 리스크 vs 잔차 리스크</p><p>액티브는 베타를 그냥 빼는 반면 잔차는 베타를 곱해서 뺀다.</p><p>따라서 액티브는 벤치마크를 얼마나 잘 따라가는지에 대한 개념이고</p><p>잔차는 벤치마크를 분리하고 남은 부분에 대한 개념이다.</p><p>경계해야 할 실무적 오해: 액티브 리스크는 시가총액에 비례한다?</p><p>만약 IBM 벤치마크 비중이 4%고 한도를 2% ~ 6%로 하고</p><p>소형주 벤치마크 비중은 0.6%고 한도를 0.3% ~ 0.6%로 설정했다고 가정하자</p><p>이 때, 둘 다 한도가 +- 50%까지 허용이니까 공평하다고 생각할 수 있다.</p><p>하지만 실제로는 IBM에는 2.0 %p × 30 % = 60 만큼의 리스크를,</p><p>소형주에게는 0.3 %p × 45 % = 13.5 만큼의 리스크를 허용함으로써</p><p>실제로는 대형주 편증을 강제하는 꼴이 된다.</p><p>따라서 액티브 리스크는 그 종목의 벤치마크 보유비중이 아닌,</p><p>액티브 노출과 종목 리스크에 달려 있다고 할 수 있다.</p><p>문제 제기: 차원의 저주</p><p>리스크 모형의 목표는 공분산행렬을 정확하고 효율적으로 예측하는 것이다.</p><p>너무 단순해서도, 너무 자유로워서도 안 된다.</p><p>구조적 모형은 그 사이에서 균형을 잡는다.</p><p>모형을 만들 때 왜 과거 데이터를 그대로 쓰면 안 될까?</p><ol><li>원리적 한계: S&amp;P 500 월별이면 40년 이상의 데이터 필요하다.</li></ol><p>이 때 최적화기는 ‘위험 0’이라 착각한 곳에 무한대로 베팅하게 된다.</p><p>2. 추정오차의 절대 규모: 500자산 공분산행렬이면 125,250개이다.</p><p>그 중 5%만 부실 추정이어도 6,262개의 부실 추정치가 발생하게 된다.</p><p>최적화기는 그 중 가장 잘못된 것을 정확히 찾아내어 거기에 베팅한다.</p><p>이외에도 시간 척도 불일치, 기업의 변화, 선택편향등의 오류가 발생한다.</p><p>2장의 CAPM은 단일요인 리스크 모형과 같이 r = βr_M + θ을 사용하지만</p><p>둘은 완전히 다른 모형이다.</p><p>CAPM은 기대수익에 대한 모형이고 균형을 가정하며 잔차 무상관을 가정하지 않는다.</p><p>하지만 단일요인 리스크 모형은 정반대다.</p><p>리스크에 대한 모형이고 균형을 가정하지 않으며 잔차 무상관을 가정한다.</p><p>핵심 발상 — 구조적 다중요인 모형</p><p>시간이 지남에 따라 시장에는 수많은 기업들이 진입과 퇴출을 반복한다.</p><p>만약 6000종목의 기업을 공분산행렬로 다루려면 18,003,000개가 된다.</p><p>하지만 구조적 요인 모형으로 68개의 요인과 특수분산으로 다루게 되면 8,346개까지 줄일 수 있다.</p><p>이로 인해 합병, 분할은 새 속성만 측정할 수 있게 되고</p><p>선택편향 문제는 개별 이력에 의존하지 않음으로써 해결된다.</p><p>모형의 구조는 수익을 공통요인 부분과 고유 부분으로 나누게 된다.</p><ol><li>노출 X (2장의 속성 벡터 a) — 산업요인은 0/1 나머지는 평균 0, 표준편차 1</li><li>요인수익 b — 그 요인이 이번 기간에 얼마를 벌었는지 (불확실 기간이 끝나야 알 수 있음)</li><li>특수수익 u — 요인으로 설명할 수 없는 부분</li></ol><p>리스크 구조 — 공분산행렬 식 분해</p><p>V = X F Xᵀ + Δ</p><p>X F Xᵀ — 공통요인을 통해 연결되어 있다.</p><p>F = 요인수익, X = 노출 &gt;&gt; 두 종목이 같은 요인에 노출되어 있으면 그만큼</p><p>같이 움직인다.</p><p>Δ — 각자 고유한 부분</p><p>대각행렬 — 대각선 밖은 전부 0</p><p>이 단순화로 차원 축소의 절반이다.</p><p>유의할 점 두 가지</p><ol><li>인과관계 부인 — 요인의 수익이 원인이라고 단정짓지 않는다.</li></ol><p>2. a priori 제약 — 요인수익은 불확실해도 되지만,<br>요인 노출은 기간 초에 알려져 있어야 한다</p><p>3가지 유형의 요인</p><ol><li>외부 영향에 대한 반응</li><li>횡단면 비교</li><li>통계적 요인</li></ol><p>이 중 1번과 3번은 여러 결함이 있지만, 2번의 경우 1번과 3번의 결함을 해소할 수 있다.</p><p>좋은 요인의 3가지 기준</p><ol><li>incisive — 수익률을 구별하는가</li></ol><p>저변동성 종목과 고변동성 종목이 다르게 움직이는 일이 연 최소 3회는 있다.</p><p>모니터링하지 않으면 수익률이 불안할 정도로 자주 뒤집힌다.</p><p>2. intuitive — 그럴듯한 이야기가 되는가</p><p>인식 가능한 투자 테마에서 나와야 한다.</p><p>3. interesting — 성과의 일부를 설명하는가</p><p>각 기간에 각 요인에 일정량의 수익을 귀속시킬 수 있다.</p><p>리스크 모형의 시제는 현재, 미래, 과거로 나눌 수 있다.</p><p>이 중 현재에서는 리스크를 측정하고, 분해하며 여러 요인들의 한계를 분석한다.</p><p>액티브 베팅의 3가지 유형</p><ol><li>inherent — 벤치마크 리스크 그 자체</li></ol><p>벤치마크를 이기기 위해 반드시 안아야 하는 위험</p><p>베타가 이것을 측정한다.</p><p>2. intentional — 내가 확신해서 건 베팅</p><p>확신이 있다는 의미에서 리스크 기여가 큰 것이 정상이다.</p><p>3. incidental — 의도하지 않은 부작용</p><p>ex) 배당수익률로 고르면 산업 베팅이 딸려온다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4f203a5d0316" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/%EB%94%B0%EB%9D%BC%EA%B0%80%EC%95%BC-%ED%95%A0-4%EA%B0%80%EC%A7%80-%EC%A7%88%EB%AC%B8-4f203a5d0316">Qlab Week1</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[액티브 포트폴리오 운용: 기초 및 리스크]]></title>
            <link>https://medium.com/inha-qlab/%EC%95%A1%ED%8B%B0%EB%B8%8C-%ED%8F%AC%ED%8A%B8%ED%8F%B4%EB%A6%AC%EC%98%A4-%EC%9A%B4%EC%9A%A9-%EA%B8%B0%EC%B4%88-%EB%B0%8F-%EB%A6%AC%EC%8A%A4%ED%81%AC-8fccc4654eb7?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/8fccc4654eb7</guid>
            <dc:creator><![CDATA[이상준]]></dc:creator>
            <pubDate>Sun, 01 Nov 2026 08:52:29 GMT</pubDate>
            <atom:updated>2026-11-01T08:52:27.767Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Chapter 1, 2: Active Portfolio Management</strong></p><p><strong>목차</strong></p><p><strong>1. IR, VA와 무차별곡선</strong></p><p>1.1 가치부가와 위험 패널티</p><p>1.2 정보비율과 최적 위험</p><p><strong>2. 기대수익의 예측과 정보계수(IC)</strong></p><p>2.1 기대수익을 찾는 세 가지 질문</p><p>2.2 IC와 신호의 정보량</p><p><strong>3. CAPM: 자본자산가격 결정모형</strong></p><p>3.1 기대수익의 기준선</p><p>3.2 잔차수익의 분해</p><p><strong>4. 베타: 체계적 위험의 민감도</strong></p><p>4.1 공분산과 베타</p><p>4.2 베타 중립과 잔차수익</p><p>4.3. SML (Security Market Line)</p><p>4.4. Forecast 베타</p><p><strong>서론</strong></p><p><strong>핵심 네 가지 질문</strong></p><p>1. active: 시장 전체가 아니라 벤치마크 대비 잔차수익을 예측한다.</p><p>2. risk: 기대수익과 위험을 VA, IR로 함께 판단한다</p><p>3. CAPM: Rf + 베타*시장프리미엄+ 잔차(기대값의 평균은 0)</p><p>4. C,Q와 frontier로 위험-수익 선택</p><p><strong>Passive VS active</strong></p><p>Passive의 목표: 벤치마크를 재현하는 것</p><p>Passive의 성공 기준: 낮은 tracking error</p><p><strong>active의 목표: 벤치마크를 넘어서 반복 가능한 잔차수익을 만들어내는 것</strong></p><p><strong>active의 성공 기준: 높은 IR, 알파. 수익은 높이되 변동성은 줄여야 한다.</strong></p><p>Ex) 포트폴리오 수익률 12%, 벤치마크 수익률 8%→ 잔차수익은 4%</p><p><strong>1. IR, VA와 무차별곡선</strong></p><h3>1.1 가치부가와 위험 패널티</h3><p><strong>IR을 높이기 위해서는 기대 잔차수익은 높게, 잔차위험은 낮게 설정해야 한다.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/221/1*Wf6BqYTpDtfldIS4toJOsQ.png" /></figure><p>VA: value-added, μᵣ: 기대 잔차수익, σᵣ²: 잔차수익 분산, λ: 위험 패널티 강도</p><p>무차별곡선: 기대 잔차수익과 잔차위험의 조합 중 동일한 VA를 주는 점들의 집합</p><p>얼마의 추가 수익이면 이 위험을 감수할 수 있는지를 보여준다.</p><p>-같은 곡선 위: 기대 잔차수익과 잔차위험의 조합이 다르지만 신호가 같다.</p><p>-더 위의 곡선: VA가 더 크다→ 더 높은 신호를 의미함</p><p>같은 λ에서, VA는 IR의 제곱에 비례한다. 즉 같은 λ라면 IR의 개선 효과는 제곱으로 커진다</p><h3>1.2 정보비율과 최적 위험</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/452/1*D0WsHsJu6UeZUrJN508DFA.png" /></figure><p>위험이 커질수록 필요한 수익이 제곱으로 증가</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/186/1*j1m3W_f1hxhEa4O35jluBQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/273/1*kTZgWmfHSGZOlnXyNtuhAg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/463/1*4QFh1Qll3mz6FmciwAKKKg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/438/1*iOuTH8ldbXiFYPVWKgO4cQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/248/1*m00UHNZEPQ8jmWkKkVjsrw.png" /></figure><p>IC (Information Coefficient): 각 자산의 초과수익 예측과 실제 수익률 사이의 상관관계 → 예측 능력</p><p>breadth: 연간 독립적 거래 기회 횟수</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/773/1*lAdUGzZctnkXGHjutZhIPg.png" /></figure><p><strong>2. 기대수익의 예측과 정보계수(IC)</strong></p><h3>2.1 기대수익을 찾는 세 가지 질문</h3><p>아무리 정교한 이론도 적용 대상이 다르면 가치평가에 대한 답이 되지 않음.</p><p>따라서 기대수익은 하나의 공식이 아니라 세 가지의 구조적인 질문을 통해 예측 신호를 찾아야 한다.</p><p>-과거의 잘된 자산의 특성: 승자의 공통 특성을 식별하고 현재 자산에 같은 기준 적용</p><p>⇒ 특성을 기반으로 기대수익 순위를 정할 수 있음</p><p>-비슷한 팩터 노출에 다른 가격: 동일한 팩터 위험을 맞춘 뒤 상대적으로 싼 자산과 비싼 자산을 비교</p><p>⇒ 차익 거래의 기회</p><p>-시장이 가격화하는 팩터: 개별 자산보다 팩터 자체의 향후 수익 방향과 크기 예측</p><p>⇒ 유리한 팩터 노출을 확대</p><h3>2.2 IC와 신호의 정보량</h3><p>이후 IC를 추정해 신호의 정보량을 정량화한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/372/1*epbeOwFTDbVUbNnqVyw66Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/788/1*HpsgZukX3th0jOMI2ug55g.png" /></figure><p>이 때 성과 분석은 결과표가 아니라 투자 프로세스의 진단 장치의 역할을 한다.</p><p><strong>3. CAPM: 자본자산가격 결정모형</strong></p><h3>3.1 기대수익의 기준선</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/510/1*vJSU793cMFOAh3klJf2hDA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/507/1*JVIfrsGFwKvqgT86x9pUtg.png" /></figure><p><strong>이 때 E(Rᵢ)는 종착점이 아니라 액티브 운용자가 넘어야 하는 기준선이다. 또한 CAPM은 절대적인 믿음 지표가 아니라 액티브 운용의 분석 도구로써 사용해야 한다.</strong></p><p>공분산, 기대 수익, 잔차 수익, 퀀트 액티브 등 다양하게 활용할 수 있다. 또한 일관되고 재현 가능한 기준선을 제공해준다.</p><p>이 때 CAPM에서 베타로 설명되지 않은 추가 잔차수익 θᵢ는 기대값을 0으로 둔다. 이것은 모두가 0을 가진다는 게 아니라, 시장 참여자들의 잔차수익의 총합이 0이라는 제로섬 게임을 의미한다.</p><h3>3.2 잔차수익의 분해</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/236/1*dXrTevhDQ3KmdK4-TvereA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/190/1*LjLsofDTKowB9wI5k1yaOg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/206/1*qlcTItsx4v-nFkUAA_2OqA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*JOMyyCBf5XT2uqBZ8F0TlQ.png" /></figure><p><strong>4. 베타: 체계적 위험의 민감도</strong></p><h3>4.1 공분산과 베타</h3><p>베타: 시장과 함께 움직이는 체계적 위험의 민감도</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/215/1*RNqAZ87fnR6Y9kgHC5ynGw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/788/1*h4eHU1uxehD5oQVAim2H0w.png" /></figure><p>βᵢ = 1: 시장과 동일하게 움직임</p><p>βᵢ &gt; 1: 시장보다 크게 움직이는 공격적 자산</p><p>0 &lt; βᵢ &lt; 1: 시장보다 작게 움직이는 방어적 자산</p><p>βᵢ &lt; 0: 시장과 반대 방향으로 움직이는 경향</p><p>베타가 1 늘때마다 기대수익률 E(Rᵢ)는 시장 기대 초과수익률 E(Rₘ) — Rf만큼 증가한다.</p><p>β = 1: 시장 포트폴리오</p><p>β = 0: 무위험 자산</p><p>βₚ: 포트폴리오</p><h3>4.2 베타 중립과 잔차수익</h3><p>이 때 포트폴리오와 시장의 베타를 맞춘 후 정보를 통해 조건부 잔차수익을 예측한다면 연구 예산을 시장 방향 예측보다 종목, 산업의 잔차 예측에 집중할 수 있다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/192/1*rlFWzOjsfWm5_KyV3HyP-Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/513/1*yE4hEXq6E5LQnT5BUw3nQg.png" /></figure><p>그러나 이것은 리스크를 제거한다는 뜻이 아니고, 벤치마크와 동일한 systemic exposure라는 것을 의미한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/773/1*1cDZ0uo9ZBVBxkpwWK6xCw.png" /></figure><h3>4.3 SML (Security Market Line)</h3><p>SML: 균형에서 요구되는 기대수익</p><p>SML의 세로축: E(Rᵢ), 가로축: β, 시작점: Rf</p><p>SML 기울기 = E(Rₘ) — Rf</p><p>예측 α 양수: SML 위쪽 / 예측 α 음수: SML 아래쪽</p><p>예시) Rf = 3%, E(Rₘ) = 9% → E(Rₘ) — Rf = 6%</p><p>β = 1일 때 E(Rᵢ) = 9%</p><p>β = 1.2일 때 E(Rᵢ) = 3% + 7.2% = 10.2%</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/702/1*6vq1v-nG_kQCYNiLCshhrQ.png" /></figure><p>β를 1에 근접하도록 조정함으로써 θₚ에 역량을 집중할 수 있다</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/773/1*oxzJB2OYF9DcQh3RcxiJjA.png" /></figure><h3>4.4 Forecast 베타</h3><p>Forecast 베타: historical 베타를 Bayesian shrinkage로 보정하여 계산한 값. 이 값을 통해 미래를 예측하는 것이 목적이다.</p><p><strong>Chapter3: RISK</strong></p><p>액티브 투자에서 리스크를 이해하는 법</p><p><strong>목차</strong></p><p><strong>1. 리스크의 정의</strong></p><p>1.1 정보비율과 리스크</p><p>1.2 표준편차가 리스크가 되는 이유</p><p><strong>2. 표준편차와 상대적 리스크</strong></p><p>2.1 리스크는 왜 더해지지 않는가</p><p>2.2 종목 수가 늘어날 때 남는 위험</p><p>2.3 액티브 리스크와 잔차 리스크</p><p>2.4 벤치마크 비중과 위험예산은 다르다</p><p><strong>3. 리스크 모형</strong></p><p>3.1 공분산 행렬과 구조적 다중요인 모형</p><p>3.2 요인은 방향이 아니라 함께 움직이는 구조다</p><p>3.3 요인을 찾는 세 가지 방법, 좋은 요인의 세 가지 기준</p><p>3.4 실제 요인 사례</p><p><strong>4. 모형의 활용과 검증</strong></p><p>4.1 리스크 모형을 포트폴리오에 쓰는 법</p><p><strong>서론</strong></p><p>CAPM이 컨센셔스 기대수익이자 분수의 기준점이라면, RISK는 분수의 분모의 역할이다. 얼마나 흔들리는가(위험), 그리고 그 흔들림을 어떻게 쪼갤지가 핵심이다.</p><p>IR=기대 잔차수익 알파 / 잔차위험 오메가</p><p>(IR: 액티브 매니저에게 열려 있는 기회)</p><p><strong>1. 리스크의 정의</strong></p><p><strong>이 절에서는 정보비율에서 출발해 리스크의 역할을 정의하고, 표준편차가 기관 운용의 공통 척도로 쓰이는 이유를 설명한다.</strong></p><h3>1.1 정보비율과 리스크</h3><p>공통 스터디에서 Chapter 3을 정리하며 가장 먼저 잡은 기준은 정보비율이었다. 정보비율은 기대 잔차수익 알파를 잔차위험 오메가로 나눈 값이다. 같은 알파라면 더 적은 위험으로 얻는 쪽이 낫고, 같은 위험이라면 더 높은 알파를 만드는 쪽이 낫다. 리스크는 이 분수의 분모이자 액티브 매니저에게 허용된 기회의 크기다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/345/1*cjL07BHazTNTysd7Rv0EgQ.png" /></figure><h3>1.2 표준편차가 리스크가 되는 이유</h3><p>리스크를 손실 가능성만으로 정의하면 직관적이지만 기관 운용에는 곧바로 적용하기 어렵다. 연기금과 기관투자자는 수익자, 기업, 수탁자, 운용자로 이어지는 대리인 사슬 안에서 움직인다. 운용자가 특정 개인의 효용함수를 대신 선택하기 어렵기 때문에 누구에게나 같은 방식으로 계산할 수 있는 리스크 척도가 필요하다.</p><p>이때 좋은 리스크 척도는 다음 조건을 만족해야 한다.</p><p>· 보편성과 비인격성: 개인의 위험 선호에 의존하지 않아야 한다</p><p>· 대칭성: 상대평가에서는 상승 종목을 보유하지 않은 것도 하락 종목을 과대 보유한 것과 같은 손실이 될 수 있다</p><p>· 유연성: 개별 종목과 포트폴리오 그리고 과거 측정과 미래 예측에 모두 적용할 수 있어야 한다</p><p>· 예측 가능성: 과거를 설명하는 데 그치지 않고 미래 위험을 추정할 수 있어야 한다</p><p>· 합성 가능성: 개별 자산 정보만으로 여러 조합의 포트폴리오 위험을 계산할 수 있어야 한다</p><p>표준편차는 평균을 기준으로 수익률이 얼마나 넓게 흩어지는지를 한 숫자로 나타낸다. 하방위험이나 쇼트폴 확률처럼 손실 쪽만 보는 지표도 의미가 있지만, 자산을 포트폴리오로 합성하기 어렵고 비대칭성이 시간에 따라 달라질 수 있다. 반면 표준편차는 공분산과 결합해 포트폴리오 위험을 계산할 수 있다. 그래서 액티브 운용의 공통 언어로 쓰인다.</p><p>마젤란 펀드 사례는 표준편차가 수익률 분포 전체를 완벽하게 설명하지 못한다는 점도 보여준다. 월평균 수익률 1.6퍼센트와 월 표준편차 6.3퍼센트를 기준으로 평균에서 한 표준편차 안에 약 3분의 2가 들어올 것으로 기대하지만 실제 비율은 73퍼센트였다. 완벽한 지표를 찾는 것이 아니라 운용과 합성에 가장 적합한 결함을 선택한다는 것이 핵심이다. 월 표준편차 6.3퍼센트를 단순 연율화하면 약 21.8퍼센트다.</p><p><strong>2. 표준편차와 상대적 리스크</strong></p><p><strong>이 절에서는 분산투자, 종목 수와 기간에 따른 위험, 액티브 리스크와 잔차 리스크, 그리고 위험예산을 함께 다룬다.</strong></p><h3>2.1 리스크는 왜 더해지지 않는가</h3><p>시가총액과 기대수익률처럼 단순한 가중평균으로 합쳐지는 값이 있는 반면 포트폴리오 리스크는 그렇게 더해지지 않는다. 두 종목이 함께 움직이는 정도가 추가로 필요하기 때문이다. 두 자산 포트폴리오의 분산에는 각 자산의 분산뿐 아니라 상관계수와 공분산을 반영하는 교차항이 들어간다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/855/1*5Lth9iKKegCTVNENPFacNg.png" /></figure><p>두 종목을 각각 절반씩 보유하면 포트폴리오 위험은 두 종목 위험의 단순 평균보다 작거나 같다. 상관계수가 1이면 두 종목이 완전히 같은 방향으로 움직여 직선 위에 놓인다. 상관계수가 1보다 낮아질수록 위험곡선은 그 직선 아래로 휘고 분산투자 효과가 생긴다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*K1r_E8ocexShiHEk8SijdQ.png" /></figure><p>이 곡선은 양의 편차를 보이는 2원계 온도 조성 상태도의 내부 최저점과 모양이 비슷하다. 물리적 원리는 다르지만 혼합 결과가 두 끝점의 직선 연결로 끝나지 않고 내부에서 최솟값을 만들 수 있다는 점을 기억하는 데 유용한 비유다. 포트폴리오에서 곡선이 아래로 휘는 직접적인 이유는 두 수익률의 상관계수가 1보다 작기 때문이다.</p><h3>2.2 종목 수가 늘어날 때 남는 위험</h3><p>모든 종목의 변동성이 같고 같은 비중으로 투자하며 종목 쌍의 상관계수도 같다고 가정하면, 종목 수가 늘어날 때 포트폴리오 위험은 다음처럼 정리된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/510/1*60ek_13JJT3jaaOtaY1bIA.png" /></figure><p>상관계수가 0이면 종목 고유의 흔들림이 서로 상쇄되어 종목 수가 늘수록 위험이 0에 가까워진다. 하지만 상관계수가 양수라면 종목을 아무리 늘려도 공통으로 움직이는 부분이 남는다. 종목 수가 무한히 커질 때 위험은 시그마 곱하기 루트 로라는 바닥에 수렴한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/930/1*1F41k_ksoIPZqyQ0v_J2Mg.png" /></figure><p>시간에 대해서도 같은 구분이 필요하다. 독립적이고 동일한 분포를 가정하면 분산은 기간에 비례하고 표준편차는 기간의 제곱근에 비례한다. 따라서 1분기와 1년과 4년의 분산이 1 대 4 대 16이라면 리스크는 1 대 2 대 4가 된다.</p><h3>2.3 액티브 리스크와 잔차 리스크</h3><p>기관 운용자는 포트폴리오 전체가 얼마나 흔들리는지만 보지 않는다. 벤치마크보다 얼마나 다르게 움직였는지와 그 차이 중 시장 노출로 설명되지 않는 부분을 구분한다. 액티브 수익률은 포트폴리오 수익률에서 벤치마크 수익률을 그대로 뺀 값이고, 액티브 리스크는 그 차이의 표준편차다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/780/1*pHKWea1RdCAcHIrtFItiUw.png" /></figure><p>잔차수익률은 벤치마크 수익률에 포트폴리오 베타를 곱한 뒤 뺀 값이다. 따라서 시장 또는 벤치마크의 움직임으로 설명되지 않는 부분을 나타낸다. 포트폴리오 베타가 1이면 액티브 수익률과 잔차수익률이 같아지고, 액티브 리스크와 잔차 리스크도 같아진다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*cqOZBIMEsqNY69lwccgWWg.png" /></figure><h3>2.4 벤치마크 비중과 위험예산은 다르다</h3><p>실무에서 자주 생기는 오해는 액티브 위험이 벤치마크 비중이나 시가총액에 비례한다고 생각하는 것이다. 예를 들어 IBM의 벤치마크 비중이 4퍼센트이고 보유 한도가 2퍼센트에서 6퍼센트라면 최대 액티브 노출은 2퍼센트포인트다. 벤치마크 비중이 0.6퍼센트인 소형주의 보유 한도를 0.3퍼센트에서 0.9퍼센트로 두면 최대 액티브 노출은 0.3퍼센트포인트다.</p><p>개별 종목의 액티브 리스크를 액티브 노출의 절댓값과 종목 변동성의 곱으로 단순 근사해 보자. IBM의 변동성이 30퍼센트라면 60bp이고, 소형주의 변동성이 45퍼센트라면 13.5bp다. 두 종목 모두 벤치마크 비중의 플러스마이너스 50퍼센트라는 같은 규칙을 적용했지만 IBM에는 약 4.44배 큰 위험예산을 허용한 셈이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/867/1*rcC9K-PH1HmKZvYYuC9syg.png" /></figure><p><strong>3. 리스크 모형</strong></p><p><strong>이 절에서는 종목 간 공분산을 구조적 다중요인 모형으로 압축하는 방법과 요인을 해석할 때 지켜야 할 원칙을 설명한다.</strong></p><h3>3.1 공분산 행렬과 구조적 다중요인 모형</h3><p>종목이 많아지면 모든 종목 쌍의 상관관계를 직접 추정하는 방법은 빠르게 한계에 부딪힌다. 종목이 N개일 때 서로 다른 종목 쌍은 N 곱하기 N 마이너스 1을 2로 나눈 개수만큼 생긴다. 100종목이면 4,950개이고 6,000종목이면 17,997,000개다. 관측해야 할 공분산이 종목 수보다 훨씬 빠르게 늘어난다.</p><p>단일요인 대각 모형은 같은 산업에 속한 종목들의 공통 움직임을 충분히 잡지 못한다. 상수 상관계수 모형은 모든 종목 쌍을 같은 방식으로 처리한다. 과거 공분산 모형은 자유도가 지나치게 높아 충분히 긴 데이터가 필요하고 추정오차와 선택편향에 취약하다. 구조적 다중요인 모형은 이 문제를 종목보다 안정적인 공통요인으로 압축한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/525/1*c4CgQ5Og8BMaw7hSWIS0rg.png" /></figure><p>여기서 r은 종목 수익률이고 X는 해당 종목이 각 요인에 얼마나 노출되어 있는지를 나타낸다. b는 그 기간의 요인수익률이며 u는 공통요인으로 설명되지 않는 종목 고유수익률이다. 산업요인은 소속 여부에 따라 0과 1로 표시할 수 있고, 규모와 가치 같은 요인은 평균 0과 표준편차 1로 표준화해 서로 다른 단위를 공통 언어로 바꾼다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/930/1*HKDdx-8EfXgmxgPob0iopg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/420/1*cpUQdicQrGcloacS5lmX6w.png" /></figure><p>V는 모든 종목 수익률의 공분산 행렬이다. XFXT는 공통요인으로 인해 종목들이 함께 움직이는 부분의 공분산을 나타낸다. 델타는 각 종목에만 남는 고유위험을 모은 행렬이다.</p><p>구조적 모형은 산업과 규모와 가치 같은 공통요인을 먼저 제거한 뒤 서로 다른 종목의 고유수익률은 무상관이라고 가정한다. 그래서 델타의 비대각선은 0이고 대각선에는 각 종목의 고유위험 오메가의 제곱이 들어간다. 모든 것을 설명했다는 뜻이 아니라 공통 구조를 충분히 걸러냈기 때문에 남은 부분의 무상관 가정이 더 그럴듯해졌다는 뜻이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/915/1*Qt-8vFj-nq2YETisuvANFg.png" /></figure><h3>3.2 요인은 방향이 아니라 함께 움직이는 구조다</h3><p>요인모형은 수익률의 인과관계를 증명하지 않는다. 소형주 요인의 수익률이 높았다고 해서 소형주라는 속성이 개별 종목 상승의 단일 원인이라고 말할 수는 없다. 요인모형이 보여주는 것은 비슷한 속성을 가진 종목들이 어느 정도 함께 움직였는지다.</p><p>모멘텀도 같은 방식으로 이해할 수 있다. 모멘텀 종목이 앞으로 계속 오른다고 단정하거나 곧 반전한다고 예측하는 것이 핵심은 아니다. 모멘텀 특성이 비슷한 종목들이 함께 움직일 가능성을 위험 구조에 반영하는 것이 핵심이다. 리스크 모형은 방향보다 분산과 공분산을 다룬다.</p><p>요인노출은 투자 결정을 내리는 시점에 알 수 있어야 한다. 이번 달에 많이 오른 종목이라는 사후 정보는 그달의 요인노출로 사용할 수 없다. 반면 직전 기간 수익률로 정의한 모멘텀, 재무제표에서 관측한 가치와 규모, 산업분류처럼 시점 초에 측정할 수 있는 정보는 요인노출로 사용할 수 있다.</p><h3>3.3 요인을 찾는 세 가지 방법, 좋은 요인의 세 가지 기준</h3><p><strong>요인을 찾는 세 가지 방법</strong></p><p><strong>1. 외부 영향에 대한 반응</strong></p><p>금리, 환율, 유가, 인플레이션 서프라이즈, 산업생산처럼 외부 경제변수가 변할 때 종목 수익률이 어떻게 반응했는지를 회귀분석으로 추정하는 방법이다. 채권 베타나 유가 민감도처럼 경제적으로 해석하기 쉬운 노출을 만들 수 있다.</p><p>그러나 다음과 같은 한계가 있다.</p><ul><li>요인노출을 직접 관측하지 못하고 회귀분석으로 추정해야 하므로 변수의 측정오차가 결과에 반영될 수 있다.</li><li>기업이 환헤지를 시작하는 것처럼 사업구조나 위험관리 방식이 바뀌면 과거의 반응계수가 비정상적으로 나타나거나 앞으로 유지되지 않을 수 있다.</li><li>거시경제 자료는 정부의 수집 과정에서 부정확성이 발생할 수 있고, 발표가 지연되며, 월별·분기별처럼 관측 빈도가 낮다.</li></ul><p><strong>2. 횡단면 비교</strong></p><p>같은 시점에 여러 종목의 관측 가능한 특성을 직접 비교하는 방법이다. 펀더멘털 자료로는 배당수익률, 주당순이익, 애널리스트 전망 등을 사용할 수 있고, 시장 자료로는 가격 변동성, 과거 수익률, 거래회전율 등을 사용할 수 있다.</p><p>이 방법은 요인노출을 회귀분석 없이 직접 관측할 수 있으므로 외부 영향 방식의 측정오차 문제를 줄일 수 있다. 또한 거시경제 자료에 의존하지 않기 때문에 자료의 부정확성, 발표 지연, 낮은 관측 빈도 문제에서도 비교적 자유롭다. 이러한 이유로 횡단면에서 관측되는 종목 특성은 구조적 다중요인 모형에서 강력한 요인으로 활용된다.</p><p><strong>3. 통계적 요인</strong></p><p>요인의 이름을 먼저 정하지 않고 주성분분석, 최대우도법, EM과 같은 통계기법을 이용해 수익률 자료에서 공통 움직임을 추출하는 방법이다. 연구자가 미리 산업·규모·가치 같은 요인을 지정하지 않아도 자료 안에 존재하는 공통 패턴을 발견할 수 있다는 장점이 있다.</p><p>반면 추출된 요인을 경제적으로 해석하기 어렵다. 예를 들어 ‘제3주성분’이 실제 경제에서 무엇을 의미하는지 명확하게 설명하기 어려울 수 있다. 우연한 동조를 의미 있는 상관관계로 오인하기도 쉽다. 또한 과거 자료에서 추정한 요인노출이 안정적으로 유지된다고 가정하기 때문에 기업의 사업구조 변화처럼 노출이 달라지는 상황을 뒤늦게 반영할 수 있다.</p><p><strong>좋은 요인의 세 가지 기준</strong></p><p>모든 기업 특성이나 통계적 패턴이 유용한 요인이 되는 것은 아니다. 좋은 요인은 다음 세 가지 기준을 만족해야 한다.</p><p>-Incisive: 예리한 요인</p><p>요인은 종목 간 수익률과 위험의 차이를 실제로 구별할 수 있어야 한다. 모든 종목이 거의 동일한 노출을 갖는다면 종목들이 서로 다르게 움직이는 이유를 설명하지 못한다.</p><p>-Intuitive: 직관적인 요인</p><p>요인이 왜 종목들의 공통 움직임과 연결되는지 경제적으로 설명할 수 있어야 한다. 통계적으로 관계가 나타났다는 사실만으로는 충분하지 않다. 산업, 규모, 가치와 같이 투자자가 이해할 수 있는 논리가 필요하다.</p><p>-Interesting: 흥미로운 요인</p><p>요인은 포트폴리오의 위험이나 성과에서 의미 있는 부분을 설명해야 한다. 설명력이 거의 없는 요인을 많이 추가하면 모형만 복잡해지고 실제 분석에는 도움이 되지 않는다.</p><p>즉 좋은 요인은 종목을 구별하고, 경제적으로 해석할 수 있으며, 포트폴리오의 위험과 성과를 의미 있게 설명해야 한다.</p><h3>3.4 실제 요인 사례</h3><p>GE의 금융업 노출</p><p>GE는 일반적으로 전기·산업회사로 알려져 있었다. 그러나 해당 사례의 모형과 분석 시점에서는 GE의 산업노출 중 약 58%가 금융업과 관련된 것으로 나타났다. GE Capital의 사업 비중이 컸기 때문이다.</p><p>이 사례는 기업의 공식적인 산업분류만으로는 실제 위험을 완전히 파악하기 어렵다는 점을 보여준다. 기업의 이름이나 대표사업보다 어떤 경제적 요인에 노출되어 있는지를 보는 것이 리스크 분석에서는 더 중요할 수 있다.</p><p>종목과 기업의 사업구조는 합병, 분할, 사업매각에 따라 변할 수 있다. 반면 금융, 산업, 규모, 가치와 같은 요인은 비교적 안정적인 위험의 차원으로 남는다. 따라서 구조적 다중요인 모형은 변화하는 종목을 안정적인 요인의 조합으로 설명한다.</p><p>표준화된 리스크 지수</p><p>산업 외에도 모멘텀, 규모, 성장, 가치와 같은 다양한 요인이 존재한다. 그러나 이들 요인은 원래 단위가 서로 다르다. 시가총액은 금액으로 측정되고, 가치요인은 재무비율로 측정되며, 모멘텀은 과거 수익률로 측정된다.</p><p>서로 다른 단위의 요인을 직접 비교하기는 어렵기 때문에 일반적으로 요인노출을 표준화한다. 각 요인의 평균을 0, 표준편차를 1로 변환하면 모든 요인을 다음과 같은 공통 언어로 표현할 수 있다.</p><p>이러한 표준화를 통해 단위가 서로 다른 산업·규모·가치·성장·모멘텀 요인을 하나의 리스크 모형 안에서 비교하고 결합할 수 있다.</p><p><strong>4. 모형의 활용과 검증</strong></p><p><strong>이 절에서는 리스크 모형의 현재 분석, 미래 구성, 과거 성과귀속 용도와 MCAR을 이용한 포트폴리오 점검을 다룬다.</strong></p><h3>4.1 리스크 모형을 포트폴리오에 쓰는 법</h3><p>리스크 모형은 현재와 미래와 과거의 서로 다른 질문에 답한다.</p><p>-현재: 포트폴리오의 위험이 어떤 종목과 요인에서 발생하는지 분석한다</p><p>-미래: 기대수익과 위험제약을 함께 반영해 포트폴리오를 구성한다</p><p>-과거: 실제 성과가 어떤 요인과 종목 선택에서 나왔는지 귀속한다</p><p>리스크 분석은 포트폴리오의 베팅을 내재적 베팅과 의도적 베팅과 부수적 베팅으로 구분하는 데도 쓰인다. 내재적 위험은 벤치마크를 맡는 순간 기본적으로 감수하는 위험이다. 의도적 베팅은 운용자의 전망에 따라 선택한 액티브 포지션이다. 부수적 베팅은 종목을 하나씩 선택하거나 특정 조건으로 스크리닝하는 과정에서 자신도 모르게 누적된 산업 및 스타일 노출이다.</p><p>이때 MCAR은 특정 종목의 액티브 비중을 아주 조금 늘렸을 때 전체 액티브 리스크가 얼마나 변하는지를 나타낸다. MCAR은 보유비중 순서와 같지 않다. 3M의 비중이 IBM보다 크더라도 IBM이 다른 종목 및 요인과 맺는 공분산 구조에 따라 IBM의 MCAR이 더 높을 수 있다. 리스크 모형의 역할은 단순히 위험의 크기를 계산하는 데서 끝나지 않는다. 어떤 베팅이 의도한 것이고 어떤 베팅이 우연히 생겼는지를 확인하게 한다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8fccc4654eb7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/%EC%95%A1%ED%8B%B0%EB%B8%8C-%ED%8F%AC%ED%8A%B8%ED%8F%B4%EB%A6%AC%EC%98%A4-%EC%9A%B4%EC%9A%A9-%EA%B8%B0%EC%B4%88-%EB%B0%8F-%EB%A6%AC%EC%8A%A4%ED%81%AC-8fccc4654eb7">액티브 포트폴리오 운용: 기초 및 리스크</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[시장 가격을 성장률로 번역한다면]]></title>
            <link>https://medium.com/inha-qlab/%EC%8B%9C%EC%9E%A5-%EA%B0%80%EA%B2%A9%EC%9D%84-%EC%84%B1%EC%9E%A5%EB%A5%A0%EB%A1%9C-%EB%B2%88%EC%97%AD%ED%95%9C%EB%8B%A4%EB%A9%B4-3024ffacd5f0?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/3024ffacd5f0</guid>
            <category><![CDATA[quantitative-finance]]></category>
            <category><![CDATA[book-review]]></category>
            <category><![CDATA[investing]]></category>
            <category><![CDATA[portfolio-theory]]></category>
            <dc:creator><![CDATA[Litshan]]></dc:creator>
            <pubDate>Sat, 31 Oct 2026 00:42:18 GMT</pubDate>
            <atom:updated>2026-10-31T00:42:17.512Z</atom:updated>
            <content:encoded><![CDATA[<p>시장 가격을 성장률로 번역한다면</p><p>Active Portfolio Management (Grinold &amp; Kahn, 2nd ed.) Chapter 9 정리</p><p>한 줄 요약 — 8장이 만든 이론적으로 옳은 가치평가 공식은 주식에 쓸 수가 없다. 9장은 그 자리를 대신하는 실무 도구 세 가지(배당할인모형·비교가치평가·수익 기반 분석)를 늘어놓고, 그것들이 왜 임시방편인지, 어디서 무너지는지를 정직하게 적는다.</p><p>이 챕터가 답하는 질문<br>8장은 가격이 정해지는 원리를 끝까지 밀어붙였다. 무차익거래 조건에서 가치승수 υ가 존재하고, 그것으로 확률을 비틀면 어떤 증권이든 무위험 이자율로 할인해 값을 매길 수 있다. 액티브 쪽 결론도 나왔다. 알파는 오평가의 크기 × 그것이 사라지는 속도의 함수다.</p><p>문제는 υ를 계산할 수 없다는 것이다. 옵션이나 선물에는 통했지만 주식에는 아직 아니다. 8장 자체가 이 한계를 인정한다.</p><p>그래서 9장은 방향을 튼다. 이론적으로 옳은 길이 막혔으니, 임시방편이라도 실제로 굴러가는 절차를 쓰자. 저자들은 이 장이 &quot;주식을 평가하는 올바른 방법&quot;을 알려주지 않는다고 미리 못 박는다. 이 장은 이론을 실행 가능한 형태로 만들지 못했다는 사실의 증거물이다.</p><p>동시에 두 가지를 기억하라고 덧붙인다. 첫째, 겸손의 원칙 — 시장이 맞고 내가 틀렸을 수 있다. 둘째, 기본법칙 — 6장이 보여줬듯 50%를 조금만 넘겨 맞혀도 부가가치는 만들어진다. 정확한 가치를 알아낼 필요는 없다.</p><p>1. 출발선: 하면 안 되는 것부터 (p.226~228)<br>가치평가 모형을 짜기 전에 현대 기업재무가 그어놓은 금지선이 있다. 모딜리아니-밀러(Modigliani–Miller, 이하 MM) 정리다.</p><p>배당정책은 기업가치를 바꾸지 않는다. 지금 주든 나중에 주든, 주주가 받는 현금흐름의 시점만 옮길 뿐이다.<br>자본조달정책도 기업가치를 바꾸지 않는다. 부채를 늘리든 줄이든 부채와 자기자본을 합한 총가치는 그대로다.<br>액티브 운용자의 언어로 옮기면 이렇다. 배당과 부채에 어떤 마법이 있다고 전제하는 가치평가 모형은 위험하다. 가치는 영업에서 나온다. 1달러짜리 재료를 사서 3개월 뒤 1.45달러에 파는 능력, 그리고 그런 사업을 계속 찾아내는 능력이 전부다.</p><p>그래서 주식가치를 이렇게 나눠 본다.</p><p>\mathrm{Stock\;value}=\mathrm{financial\;value}+\mathrm{operational\;value}<br>(9.1) 주식가치의 두 원천<br>영업가치는 영업수익에서 영업비용(이자는 제외)과 설비·연구 투자비를 뺀 것이다. 재무가치는 자본잉여금과 부채의 차액이다. 위젯을 만들어 파는 회사와, 이자·배당을 지급하고 주식·채권을 발행하는 회사가 나란히 붙어 있다고 상상하면 된다. 가치는 위젯 쪽에서 만들어진다.</p><p>여기에 실무적으로 아픈 대목이 하나 붙는다. 회계는 이 둘을 합쳐서 보고한다. 그래서 배당정책과 부채정책을 조절하면 주당순이익(EPS)도, EPS 성장률도, 이익수익률(E/P)도, 장부가/주가 비율(B/P)도 함께 움직인다. 우리가 가치평가에 쓰는 바로 그 숫자들이다.</p><p>2. 배당할인모형의 뼈대 (p.229~233)<br>투자자가 주식에서 돈을 받는 경로는 둘뿐이다. 배당을 받거나, 팔거나. 그런데 파는 가격은 그 시점의 시장이 앞으로의 배당 능력을 어떻게 보느냐로 정해진다. 결국 배당이 유일한 원천이다. 이익이 중요한 이유도 그것이 미래 배당을 예고하기 때문이다.</p><p>배당이 확실하다면 무위험 이자율로 할인하면 된다.</p><p>p(0)=\frac{d(1)}{(1+i_F)}+\frac{d(2)}{(1+i_F)^2}+\cdots+\frac{d(t)}{(1+i_F)^t}+\cdots<br>(9.2) 배당이 확실한 경우<br>불확실하면 무위험 이자율 자리에 배당할인율(dividend discount rate) y가 들어간다. 이것이 식 (9.3)이고, 이후 모든 논의의 출발점이다.</p><p>여기에 &quot;배당이 매년 일정한 비율 g로 자란다&quot;는 가정을 얹으면 고든-샤피로(Gordon–Shapiro) 정률성장 배당할인모형이 나온다.</p><p>p(0)=\frac{d(1)}{(y-g)}<br>(9.5) 정률성장 배당할인모형<br>읽는 법은 이렇다. 가격이 낮으면 그 가격이 함축하는 할인율 y가 높고, 가격이 높으면 y가 낮거나 성장률 g가 높다.</p><p>같은 결론에 다른 길로도 갈 수 있다. 한 기간 수익을 배당수익률과 자본이득으로 쪼개고 기대값을 취하면,</p><p>i_F+f=\frac{d}{p}+g=y<br>(9.7) 기대 총수익 = 배당수익률 + 성장률<br>이 식이 9장 전체의 축이다. 왼쪽은 무위험 이자율 + 기대 초과수익, 오른쪽은 관측 가능한 배당수익률 + 성장률 예측치다.</p><p>성장률은 어디서 오는가<br>g를 그냥 던져 넣으면 순환논법이다. 저자들은 간단한 모형으로 g를 이익 구조에서 끌어낸다. 이익은 배당으로 나가거나 재투자된다. 배당으로 나가는 비율이 배당성향 κ이고, 재투자되는 (1−κ)는 수익률 ρ를 낳는다. 그러면</p><p>g=(1-\kappa)\cdot\rho<br>(9.14) 성장률의 분해<br>성장률 = 재투자 비율 × 재투자 수익률. 기회(얼마나 다시 넣을 수 있나)와 실력(넣으면 얼마나 버나)의 곱이다. ρ는 사실상 자기자본이익률(ROE)에 해당한다.</p><p>숫자로 보자. 배당성향 0.5, ROE 12%인 회사라면 g = 0.5 × 12% = 6%다. 배당성향을 0.3으로 낮추면 g = 8.4%로 올라간다. 다만 MM 정리를 기억하면, 이 성장률 상승 자체가 가치를 만들지는 않는다. ρ가 요구수익률보다 높을 때만 재투자가 가치를 만든다.</p><p>3. 알파로 번역하기 — 황금률과 내재 성장률 (p.233~236)<br>이제 다종목으로 확장하고, 2장의 컨센서스 기대수익을 집어넣는다. 종목 n의 기대 초과수익은 β_n·f_B + α_n 이므로,</p><p>\frac{d_n}{p_n}+g_n=i_F+\beta_n\cdot f_B+\alpha_n=y_n<br>(9.18) 배당할인모형과 컨센서스의 결합<br>α에 대해 풀면 이 장에서 가장 많이 쓰이는 식이 나온다.</p><p>\alpha_n=\left(\frac{d_n}{p_n}-i_F\right)+\left(g_n-\beta_n\cdot f_B\right)<br>(9.19) 배당할인모형이 내놓는 알파<br>배당할인모형의 황금률: g in, g out. 성장률 예측을 1%p 올리면 알파도 정확히 1%p 올라간다. 모형이 뱉는 알파는 넣은 성장률만큼만 좋다. 쓰레기를 넣으면 쓰레기가 나온다.</p><p>이 식을 거꾸로 쓰면 훨씬 쓸모가 있다. 알파가 0이 되려면 성장률이 얼마여야 하는가? 그것이 내재 성장률(implied growth rate) g*다.</p><p>g_n^{*}=\left(i_F+\beta_n\cdot f_B\right)-\frac{d_n}{p_n}<br>(9.20) 내재 성장률<br>무위험 이자율은 알고, 베타와 배당수익률은 꽤 정확하게 추정되고, 시장의 기대 초과수익도 대략 잡을 수 있다. 그러니 g*는 시장 가격을 성장률 언어로 번역한 것이다.</p><p>원서는 1992년 12월 메이저 마켓 인덱스 20종목으로 이 계산을 보여준다(무위험 3.1%, 시장 기대 초과수익 6%). 몇 개만 옮기면:</p><p>종목 배당수익률 베타 내재 성장률<br>------ ---------- ---- -----------<br>디즈니 0.50% 1.24 10.04%<br>IBM 9.60% 0.64 −2.66%<br>셰브런 4.70% 0.45 1.10%<br>디즈니 계산: 3.1% + 1.24×6% − 0.50% = 10.04%. 즉 디즈니가 공정하게 평가돼 있으려면 배당이 매년 10% 넘게 자라야 한다. IBM은 반대다. 배당수익률이 9.6%나 되니, 배당이 매년 2.66%씩 줄어들어도 가격이 설명된다. 시장이 감액을 예상하고 있다는 뜻이다.</p><p>20종목 평균 내재 성장률은 약 5.5%, 표준편차는 3.1%다. 이 숫자가 다음 절의 기준자가 된다.</p><p>4. 성장률 길들이기 (p.236~241)<br>애널리스트가 주는 성장률 예측은 대체로 너무 크다. 리서치는 주식을 팔기 위해 존재하고, 강세 전망이 주식을 판다. 원서가 쓴 20종목의 과거 5년 EPS 성장률은 평균 0.58%에 표준편차가 18.40%였다. 내재 성장률(평균 5.54%, 표준편차 3.09%)과 자릿수가 다르다.</p><p>첫 번째 방법은 섹터별로 예측치를 선형 변환해 평균과 표준편차를 내재 성장률에 맞추는 것이다.</p><p>g_n&#39;=\mathrm{Mean}\{g^{*}\}+\left(\frac{\mathrm{Std}\{g^{*}\}}{\mathrm{Std}\{g\}}\right)\cdot\left(g_n-\mathrm{Mean}\{g\}\right)<br>(9.22) 성장률 예측치의 선형 변환<br>축소 배율은 3.09 / 18.40 ≈ 0.168이다. 아메리칸 익스프레스의 원래 예측 −3.20%는 5.54 + 0.168 × (−3.20 − 0.58) = 4.90%로 바뀐다. IBM의 −32.53%는 −0.03%가 된다. 원래 −37.51%였던 이스트먼 코닥은 −0.86%다. 극단값이 거의 다 죽는다.</p><p>여기서 아주 깔끔한 결과가 하나 떨어진다. (9.19)와 (9.20)을 나란히 놓으면</p><p>α = (수정된 성장률) − (내재 성장률)</p><p>이 된다. 아메리칸 익스프레스는 4.90 − 6.36 = −1.46%, IBM은 −0.03 − (−2.66) = +2.63%다. 배당할인모형의 알파는 결국 &quot;내가 보는 성장률이 시장이 함축한 성장률보다 얼마나 높은가&quot; 그 이상도 이하도 아니다.</p><p>주의할 점이 있다. 내재 성장률은 알파가 0이라는 전제에서 나왔으므로, 이 절차는 섹터 알파를 0 쪽으로 밀어버린다. 섹터 타이밍을 하려는 사람은 목표 평균을 따로 설정해야 한다.</p><p>두 번째 방법은 섹터 평균이 아니라 그 종목 자신의 내재 성장률에서 출발해, 예측치 쪽으로 상수 c만큼 이동시키는 것이다. c는 성장률 예측 실력(예측치와 실현치의 상관계수)에 달려 있다. 실력이 0이면 c도 0이고, 그러면 내재 성장률을 그대로 쓴다. 이 c가 어디서 나오는지는 10장의 몫이다.</p><p>세 번째 방법은 3단계 배당할인모형이다. 단기(1~4년)는 예측하고, 장기는 내재 성장률 같은 균형값을 쓰고, 그 사이는 선형 보간한다. 겉보기엔 정교하지만 저자들의 평가는 냉정하다. 결국 단기 성장률을 장기 균형값 쪽으로 끌어당기는 또 하나의 방법이며, 나쁜 성장률 예측을 좋은 것으로 바꿔주지는 못한다.</p><p>원서가 든 예에서 3단계 모형의 내재 성장률은 12.62%였고, 단기 성장률 1%p당 알파는 0.54%p 움직였다. 황금률이 &quot;g in, 0.54g out&quot;으로 바뀐 셈이다. 민감도가 절반으로 준 것은 안정성 면에서는 이득이지만, 같은 알파를 얻으려면 두 배 가까이 강한 확신이 필요하다는 뜻이기도 하다.</p><p>5. 같은 모형, 두 개의 알파 (p.242~244)<br>배당할인모형의 출력을 알파로 바꾸는 표준 방법은 둘이고, 둘은 오평가가 언제 사라지느냐에 대해 정반대로 가정한다.</p><p>내부수익률(IRR) 방식 — 현재 시장가격에 배당 스트림을 맞추는 할인율 y_n을 구한 뒤, 공정 기대수익률을 뺀다.</p><p>\alpha_n=y_n-\left(i_F+\beta_n\cdot f_B\right)<br>(9.30) 내부수익률 방식의 알파<br>이 방식이 깔고 있는 가정은 오평가가 사라지지 않는다는 것이다. 1년 뒤에도 같은 y_n으로 할인되고, 그동안 y_n만큼의 수익을 계속 거둔다고 본다.</p><p>순현재가치(NPV) 방식 — 공정 할인율로 계산한 모형가격과 시장가격을 비교하고, 그 괴리가 1년 안에 사라진다고 본다.</p><p>\alpha_n^{*}=\left[\frac{p_n(0,\mathrm{model})-p_n(0,\mathrm{market})}{p_n(0,\mathrm{market})}\right]\cdot\left(1+i_F+\beta_n\cdot f_B\right)<br>(9.33) 순현재가치 방식의 알파<br>이 방식의 알파는 오평가율 그 자체에 거의 비례한다. 8장이 오평가 κ와 지속성 γ로 알파를 쓴 식과 나란히 놓으면 대응이 뚜렷하다. NPV 방식은 γ=0(1년 내 완전 수렴), IRR 방식은 수렴을 아예 기다리지 않는 쪽 끝이다. 같은 배당 스트림, 같은 가격에서 두 방식이 다른 알파를 내놓는 이유는 모형이 아니라 가정에 있다.</p><p>배당할인모형에는 예측 성능과 별개의 부수 효과도 있다. 모든 종목을 같은 절차로 통과시키므로 기록이 남고, 모형이 사고 싶어 한 포트폴리오와 실제 포트폴리오의 차이를 재판단·거래비용으로 분해할 수 있다. 반면 이것만 붙들고 있는 것은 터널 시야다.</p><p>6. 비교가치평가 (p.244~248)<br>배당할인모형은 미래를 본다. 다른 길이 있다. 지금의 특성만 놓고, 비슷한 회사들과 비교해 이 회사가 제값인지 묻는 것. 매일 신문에 나오는 P/E 비교, 투자은행의 &quot;컨설팅 회사는 매출의 2배&quot; 같은 어림셈이 원시적 형태다.</p><p>이론적 연결고리는 회계의 클린 서플러스(clean surplus) 항등식이다. 기말 장부가 = 기초 장부가 + 이익 − 배당. 여기에 이익을 &quot;요구수익만큼&quot;과 &quot;초과분&quot;으로 나누고, 초과이익이 매년 δ배로 사그라든다고 가정한 뒤 배당할인모형에 넣으면 이런 형태가 나온다.</p><p>p(0)=\left(\frac{1-\delta}{1+y-\delta}\right)\cdot b(0)+\left(\frac{1}{1+y-\delta}\right)\cdot e(1)<br>(9.41) 가격 = 장부가와 예상이익의 선형결합<br>지금 주가가 장부가와 내년 예상이익의 가중합으로 표현된다. 계수는 할인율 y와 초과이익 지속성 δ에 달려 있다.</p><p>실무에서는 이 형태를 일반화한다. 비슷한 회사끼리 묶어(중형 전력회사, 은행, 광업 등) 장부가·이익·매출·현금흐름·부채 같은 특성으로 가격을 회귀하고, 잔차를 오평가로 읽는다.</p><p>\alpha=\frac{\mathrm{fitted\;price}-\mathrm{market\;price}}{\mathrm{market\;price}}<br>(9.44) 비교가치평가의 알파<br>차익거래 관점에서 보면 직관적이다. 고평가된 회사들로 하나, 저평가된 회사들로 하나, 매출·부채·이익이 완전히 동일한 두 개의 거대회사를 만든다. 똑같은 두 회사가 다른 가격에 팔린다면 그것이 차익거래 기회다.</p><p>이 방법의 장점은 과거 데이터의 외삽이 아니라는 것이다. 현재 장부가와 예상이익만 있으면 된다. 단점은 하나로 요약된다. 모형이 빠뜨린 특성이 있으면, 가격오차는 오평가가 아니라 그 빠진 것을 재게 된다. 브랜드 가치를 넣지 않고 소비재 섹터에 적용하면 브랜드가 강한 회사가 늘 고평가로 나온다. 팔 기회가 아니라 브랜드의 그림자다. 대응책은 현재의 고·저평가를 그 회사의 과거 평균과 비교하는 것이다.</p><p>7. 수익 기반 분석 (p.248~252)<br>비교가치평가는 &quot;가격을 맞춘 뒤 그 오차를 수익 예측으로 쓴다&quot;. 그렇다면 처음부터 수익을 직접 맞추면 되지 않나? 이것이 수익 기반 분석(returns-based analysis)이다.</p><p>r_n(t)=\sum_{k=1}^{K}X_{n,k}(t)\cdot b_k(t)+u_n(t)<br>(9.46) 수익 기반 분석의 기본형<br>7장의 APT 모형과 같은 모양이다. 다만 X에 리스크 통제 팩터와 알파 신호가 함께 들어간다. 차이는 APT 이론이 허용하지 않는 것을 여기서는 한다는 점이다. APT는 고유수익을 예측할 수 없다고 못 박지만, 액티브 운용은 이미 이론 밖의 세계다. 배당할인모형 알파나 비교가치평가 알파를 하나의 팩터로 집어넣으면 된다.</p><p>실무에서 놓치기 쉬운 세 가지가 원서에 명시돼 있다.</p><p>팩터 수익 b_k는 실제 포트폴리오의 수익이다. 팩터 k에만 노출 1, 나머지는 0, 리스크 최소인 포트폴리오. 기간 초에 노출만 알면 그 포트폴리오를 실제로 만들 수 있다.<br>식은 집계된다. 벤치마크의 노출은 종목 노출의 가중합이고, 이 성질로 벤치마크 수익과 잔차수익을 분리한다. 잔차수익을 직접 모형화한다면 벤치마크 노출이 0이 되도록 변수를 조정해야 한다. 초과수익을 쓴다면 예측 베타나 업종 더미를 리스크 통제 팩터로 넣어 벤치마크 성분을 흡수시킨다.<br>최소제곱 회귀는 이상치에 휘둘린다. 노출값을 평균 ±3 표준편차로 잘라내는 것이 흔한 처방이다. 그렇게 하지 않으면 설명력 전부가 관측치 한두 개에서 나올 수 있다.<br>신호는 두 종류로 갈린다. 꾸준히 양(+)의 팩터 수익을 내주길 기대하는 신호(반전, 모멘텀, 어닝 서프라이즈)와 부호와 크기를 그때그때 예측해야 하는 테마 신호(성장주 대 가치주, 대형주 대 소형주)다. 후자는 금리 수준, 금리 변화, 회사채 스프레드 같은 경제지표로 예측을 시도한다.</p><p>경계가 늘 깨끗하지는 않다. 원서는 미국 모멘텀 팩터가 전반적으로는 양의 수익을 내지만 1월에는 종종 음(−)이 된다고 지적한다. 연말에 승자를 남기고 패자를 파는 관행, 손실은 12월에 실현하고 이익은 1월로 미루는 세금 유인이 원인으로 지목된다. 모멘텀에 베팅하려면 이 계절성까지 예측에 넣어야 한다.</p><p>8. 관통 예제 — 이번 장은 어느 숫자를 만드는가<br>4장부터 계속 따라오는 예제를 다시 보자. IC = 0.05, BR = 100, 잔차위험 회피도 λ_R = 0.10인 운용역. 여기서 IR = 0.5, 최적 잔차위험 ω* = 2.5%, 기대 알파 α* = 1.25%, 부가가치 VA* = 0.625%가 나왔다.</p><p>8장은 이 1.25%에 출처를 붙였다. 오평가 κ와 그것이 사라지는 속도 γ. 반감기 3.1년이라면 약 6.2%의 저평가가 필요했다.</p><p>9장은 그 κ를 실제로 계산하는 세 가지 절차를 준다. 각 절차에서 1.25%가 무엇을 요구하는지 계산해 보면 이렇다. (아래 셋은 원서의 식에 예제 숫자를 대입한 산술이며, 원서에 없는 계산이다.)</p><p>배당할인모형(NPV 방식) — 무위험 6%, 베타 1, 시장 기대 초과수익 6%로 놓으면 (9.33)의 곱셈 계수는 1.12다. α = 1.25%를 만들려면 모형가격이 시장가격보다 약 1.1% 높으면 된다. 1년 안에 다 수렴한다는 가정 덕에 요구치가 8장의 6.2%보다 훨씬 작다. 필요한 저평가 폭은 수렴 속도에 대한 가정에 지배된다.<br>배당할인모형(성장률 경로) — α = 수정 성장률 − 내재 성장률이므로, 내 성장률 전망이 시장 함축치보다 1.25%p만 높으면 된다. 원서 표의 알파 표준편차가 2.70%였으니 종목 하나로도 도달 가능한 크기다.<br>3단계 모형 — 민감도가 0.54로 줄어들므로 단기 성장률을 내재 성장률보다 2.3%p 높게 잡아야 같은 알파가 나온다.<br>바뀐 값은 없다. 9장은 α* = 1.25%를 만드는 데 필요한 예측의 크기를 처음으로 구체적인 숫자로 보여준다.</p><p>용어 대조표<br>배당할인모형 (dividend discount model) — 미래 배당의 현재가치로 주가를 설명하는 모형<br>배당할인율 (dividend discount rate) — 배당 스트림을 현재 주가에 맞추는 할인율 y<br>정률성장 모형 (constant-growth model) — 배당이 매년 일정 비율 g로 자란다고 보는 모형. 고든-샤피로<br>내재 성장률 (implied growth rate) — 알파가 0이 되려면 필요한 성장률. 시장 가격을 성장률로 번역한 값<br>배당성향 (payout ratio) — 이익 중 배당으로 나가는 비율 κ<br>클린 서플러스 (clean surplus) — 기말 장부가 = 기초 장부가 + 이익 − 배당 이라는 회계 항등식<br>비교가치평가 (comparative valuation) — 유사 기업들의 특성으로 가격을 회귀해 잔차를 오평가로 읽는 방법<br>수익 기반 분석 (returns-based analysis) — 가격이 아니라 수익을 직접 특성으로 설명하는 방법<br>황금률 (golden rule) — 성장률을 넣으면 성장률이 나온다 — 모형은 입력보다 좋아지지 않는다<br>주의 1: κ는 이 책에서 세 번째로 등장하는 뜻이다. 9장에서 κ는 배당성향이다. 8장 본문의 κ는 오평가 폭, 8장 기술부록의 κ는 f_Q/σ_Q²였다. 어느 장을 읽고 있는지로만 구분된다.</p><p>주의 2: y ≠ i_F + β·f_B. y는 시장 가격이 함축한 수익률이고, 뒤는 공정 기대수익률이다. 둘의 차이가 곧 알파다. 두 기호를 섞으면 (9.30) 전체가 무의미해진다.</p><p>주의 3: δ(초과이익 소멸률, 9장) ≠ γ(오평가 지속성, 8장). δ는 회계 이익이 정상 수준으로 회귀하는 속도이고, γ는 가격 괴리가 남아 있는 비율이다. 둘 다 &quot;지속성&quot;이지만 재는 대상이 다르다.</p><p>주의 4: 원서 식 (9.22)의 마지막 괄호는 (g_n − Mean{g*})로 인쇄돼 있으나, 원서 자신의 Table 9.2 숫자는 (g_n − Mean{g})로 계산된 값이다. 수정된 예측치의 평균을 내재 성장률 평균에 맞추려면 원래 예측치의 평균을 빼야 하므로, 인쇄된 식 쪽이 오식으로 보인다. (본문의 20종목 세 개로 확인함. 확신도 높음)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3024ffacd5f0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/%EC%8B%9C%EC%9E%A5-%EA%B0%80%EA%B2%A9%EC%9D%84-%EC%84%B1%EC%9E%A5%EB%A5%A0%EB%A1%9C-%EB%B2%88%EC%97%AD%ED%95%9C%EB%8B%A4%EB%A9%B4-3024ffacd5f0">시장 가격을 성장률로 번역한다면</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[날 것의 정보를 알파로]]></title>
            <link>https://medium.com/inha-qlab/%EB%82%A0-%EA%B2%83%EC%9D%98-%EC%A0%95%EB%B3%B4%EB%A5%BC-%EC%95%8C%ED%8C%8C%EB%A1%9C-554170fe396d?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/554170fe396d</guid>
            <category><![CDATA[quantitative-finance]]></category>
            <category><![CDATA[investing]]></category>
            <category><![CDATA[book-review]]></category>
            <dc:creator><![CDATA[Litshan]]></dc:creator>
            <pubDate>Sat, 31 Oct 2026 00:42:11 GMT</pubDate>
            <atom:updated>2026-10-31T00:42:10.157Z</atom:updated>
            <content:encoded><![CDATA[<h3>Active Portfolio Management (Grinold &amp; Kahn, 2nd ed.) Chapter 10 정리</h3><p><strong>한 줄 요약</strong> — 애널리스트 의견, 매수 추천, 이익 서프라이즈 같은 날것의 정보는 그 자체로 수익률 예측이 아니다. 10장은 그것을 알파로 바꾸는 공식 하나를 주고, 그 공식이 결국 “변동성 × IC × 점수”라는 경험칙으로 줄어든다는 것을 보인다.</p><h3>이 챕터가 답하는 질문</h3><p><strong>손에 든 정보를 몇 %의 알파로 바꿔야 하는가?</strong></p><p>5~6장은 알파가 주어졌다고 놓고 얼마나 세게 베팅할지를 계산했다. 7~9장은 알파의 형태와 출처를 찾았다. 그런데 9장 끝에 숙제가 하나 남아 있었다. 성장률 예측을 내재 성장률 쪽으로 끌어당기는 상수 c가 “예측 실력에 달려 있다”고만 하고 넘어간 것이다.</p><p>10장은 원서의 세 번째 부(Information Processing)의 첫 장이고, 바로 그 상수를 만드는 방법을 준다. 출발점은 짧은 선언이다. <strong>액티브 운용은 예측이다.</strong> 벤치마크와 다른 포트폴리오를 들고 있는 순간, 운용자는 말하지 않아도 기대수익을 예측하고 있는 셈이다.</p><h3>1. 세 종류의 예측 (p.262~264)</h3><p>원서는 예측을 셋으로 나눈다.</p><ul><li><strong>순진한 예측(naïve forecast)</strong> — 정보가 없을 때의 기대수익, 즉 컨센서스다. 이것대로 움직이면 벤치마크를 들게 된다.</li><li><strong>원시 예측(raw forecast)</strong> — 운용자가 가진 날것의 정보. 이익 추정치, 매수·매도 의견, 가격 모멘텀. 단위도 척도도 제각각이고, 그 자체로는 수익률이 아니다.</li><li><strong>정제된 예측(refined forecast)</strong> — 원시 예측을 수익률 단위로 번역한 것. 이것이 알파다.</li></ul><p>번역 장치가 이 장의 <strong>기본 예측 공식(basic forecasting formula)</strong>이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/729/0*BsY1nDrtw-WKC6Qn" /></figure><p>읽는 법: 원시 예측이 평소 수준(E{g})에서 벗어난 만큼, 수익률 예측도 평소 수준(E{r})에서 벗어나게 한다. 얼마나 벗어나게 할지는 “예측과 수익률이 함께 움직이는 정도 ÷ 예측 자체가 흔들리는 정도”가 정한다. 회귀계수와 같은 모양이다.</p><p>정제된 예측은 이 변화분으로 정의된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/791/0*ipJAfX6aB6DanFUR" /></figure><p>순진한 예측 E{r}는 β·μ_B로 둔다. 원서는 여기서 <strong>과거 평균수익률을 쓰지 말라</strong>고 다시 못 박는다. 표본오차가 크고, 새로 상장했거나 성격이 바뀐 종목에는 쓸 수 없으며, 무엇보다 그 숫자로는 벤치마크로 돌아오지 않는다.</p><h3>2. 동전 81개 모형 (p.264~266)</h3><p>공식이 무슨 일을 하는지 보려면 수익률과 예측이 어떻게 만들어지는지 다 보이는 장난감이 좋다. 6장에서 쓴 이항 모형이다.</p><p>분기 수익률을 <strong>기대값 1.5% + 동전 81개의 합</strong>으로 만든다. 동전은 +1 또는 −1이 반반이다. 분산은 81, 표준편차는 9%다(연율로 기대 6%, 변동성 18%).</p><p>예측자는 분기 초에 <strong>동전 16개의 합</strong>을 본다(여기에 기준값 2.0이 더해진다). 그중 3개는 실제 수익률의 동전이고(신호), 13개는 수익률과 무관한 동전이다(잡음). 예측자는 합만 볼 뿐 어느 것이 신호인지 모른다.</p><p>예측과 수익률이 공유하는 동전이 3개이므로 공분산은 3이고, 실력은</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/723/0*I8ktCRKeL4zfrwoR" /></figure><p>1개 자산·1개 예측일 때 (10.2)를 정리하면 이렇게 된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/528/0*veGdee0wXgo-nFB7" /></figure><p>이 예에서는 φ = 9 × 0.0833 × (g − 2)/4. 예측이 평균보다 1 표준편차(4) 높으면 알파는 <strong>0.75%</strong>다. 예측값 자체가 6%라고 해서 6%를 기대하면 안 된다는 뜻이다.</p><h3>3. 경험칙: 변동성 × IC × 점수 (p.266~268)</h3><p>(10.9)를 말로 옮긴 것이 이 장의 핵심이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/548/0*oH40TfyTZOcbuG8n" /></figure><p>여기서 <strong>점수(score, z-score)</strong>는 원시 예측에서 평균을 빼고 표준편차로 나눈 값이다. 과거 데이터로 시계열 회귀를 돌려도 같은 결론이 나온다. 회귀 기울기가 정확히 Std{r}·IC/Std{g}이기 때문이다. 이항 모형과 회귀, 두 길이 같은 곳에 닿는다.</p><p>이 곱셈이 통제하는 것은 세 가지다.</p><ol><li><strong>기대</strong> — 점수에서 평균을 빼므로, 예상대로 나온 정보는 알파 0이다. 이익이 컨센서스와 똑같이 나오면 주가가 움직이지 않는 것과 같다.</li><li><strong>실력</strong> — IC = 0이면 무엇을 넣든 알파는 0이다.</li><li><strong>변동성</strong> — IC와 점수에는 단위가 없다. 단위(%)를 주는 것은 변동성뿐이다. 같은 매수 의견이라도 <strong>변동성이 큰 종목이 더 큰 알파</strong>를 받는다.</li></ol><p>원서의 표 하나(1992년 말 미국 대형주 20종목, IC 0.09)에서 몇 개만 옮기면 이렇다.</p><pre>종목           잔차 변동성  점수    알파<br>-------------  -----------  ------  -------<br>제너럴 모터스  23.46%       1.98    4.17%<br>AT&amp;T           15.89%       0.71    1.01%<br>P&amp;G            16.29%       −2.32  −3.40%</pre><p>GM: 23.46 × 0.09 × 1.98 = 4.18%. 점수가 2에 가까운 아주 강한 신호인데도 알파는 4% 수준이다.</p><h3>4. 예측이 둘일 때 (p.268~271)</h3><p>같은 종목에 두 번째 예측 g′가 있다고 하자. 동전 25개를 보는데 그중 4개가 신호다(IC ≈ 0.089). 그런데 g′는 g와 신호 1개, 잡음 4개를 공유한다. 두 예측의 상관은 0.25다.</p><p>이때 각 예측의 IC를 서로 겹치는 부분만큼 깎아서 쓴다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/326/0*sAJEIdyRl0lqF9q_" /></figure><p>이 예에서 g의 IC는 0.0833 → 0.065로, g′는 0.089 → 0.073으로 줄어든다. 결합 예측의 실력은</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/648/0*XM6MWrqZYiiQEnnv" /></figure><p>로 <strong>0.109</strong>가 된다. 둘을 따로 볼 때보다 높지만, 단순히 더한 것(0.172)보다는 훨씬 낮다. 두 예측이 서로 무관하면 IC의 제곱이 그대로 더해지고, 완전히 같으면 두 번째 예측은 아무것도 보태지 않는다.</p><p>세 개일 때의 직관도 원서가 준다. IC가 같은 신호 셋 중 둘이 거의 같은 정보라면, 그 둘의 IC를 반씩 깎아서 <strong>둘을 합쳐 하나만큼</strong> 친다.</p><h3>5. 정형화되지 않은 정보에 쓰기 (p.271~274)</h3><p>경험칙의 진짜 쓸모는 숫자가 아닌 정보를 숫자로 바꾸는 데 있다. 과거 기록이 부족할 때 원서가 권하는 IC 감각은 이렇다.</p><ul><li><strong>좋은 예측자 0.05, 훌륭한 예측자 0.10, 세계 최고 수준 0.15</strong></li><li>0.20을 넘으면 대개 백테스트가 잘못됐거나, 내부자 거래를 의심받을 일이다.</li></ul><p><strong>종목 추천(tip)</strong> — 잔차 변동성 20%인 종목에 대한 “아주 좋다”를 점수 1, “정말 아주 좋다”를 점수 2로 둔다. 출처가 훌륭하면(IC 0.10) 알파 2%·4%, 좋은 정도면(IC 0.05) 1%·2%, 쓸모없는 출처면 0이다.</p><p><strong>매일 “오늘 시장 오른다”를 외치는 예측자</strong> — 원서에는 3분의 2를 맞히는 사람이 나온다. 그런데 시장은 원래 그 정도 비율로 오른다. 가치는 오르는 날과 내리는 날을 <strong>가려내는 데</strong>서 나온다. 월간 기대 0.50%, 변동성 5.20%, IC 0.075로 계산하면 “상승” 예측은 0.78%, “하락” 예측은 −0.05%다. 대칭이 아닌 이유는 정보가 없을 때도 이미 +0.50%를 기대하고 있기 때문이다.</p><p><strong>매수·매도 목록</strong> — 매수 +1, 매도 −1로 두고 경험칙을 쓰면 변동성 큰 종목의 알파가 커진다. 반대로 모든 매수에 +1%, 매도에 −1%를 일괄로 주면 최적화기는 <strong>변동성이 가장 낮은 매수 종목</strong>에 몰린다. 잔차수익끼리 무관하다는 원서 문제의 가정 아래 계산해 보면, 경험칙을 쓸 때 AT&amp;T(15.89%)와 IBM(30.32%)의 비중 차이는 약 1.9배인데, 일괄 알파를 쓰면 3.6배로 벌어진다. 경험칙은 종목마다 같은 크기의 리스크를 지게 만든다.</p><p><strong>분위·순위</strong> — 10분위 번호나 1~762위 순위도 평균을 빼고 표준편차로 나누면 점수가 된다. 원서의 조언 하나: 1위가 가장 좋은 종목인지 가장 나쁜 종목인지부터 확인하라.</p><h3>6. 예측은 리스크를 거의 바꾸지 않는다 (p.275~277)</h3><p>S&amp;P 500과 중형주 지수의 상관이 10년간 0.95였는데, 다음 분기에 하나는 떨어지고 하나는 오른다고 예측했다. 상관을 음수로 바꿔야 할까? <strong>아니다.</strong> 원서는 이것을 조건부 평균과 조건부 공분산을 혼동한 것이라 부른다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/384/0*XBT4e6KoickeXCPO" /></figure><p>연 변동성 18%에 대입하면 IC 0.05 → 17.98%, 0.10 → 17.91%, 0.15 → 17.80%다. IC가 0.95쯤은 돼야 5.62%로 크게 떨어진다. 두 자산의 상관도 같은 결론이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/576/0*LlpfO-cQBWN_nHXQ" /></figure><p>두 IC가 같으면 상관은 그대로 0.95이고, 한쪽 IC가 0.10이고 다른 쪽이 0이어도 0.955다. 더 놀라운 점은 <strong>이 작은 변화조차 예측의 방향과 무관하고 예측자의 실력에만 달려 있다</strong>는 것이다. 덕분에 운용자는 기대수익 쪽에만 집중하고 리스크 모델은 그대로 둬도 된다. 원서는 특히 자산배분 담당자들이 “시장이 달라졌다”며 변동성과 상관까지 함께 예측하려는 유혹을 경계한다.</p><h3>7. 고급 기법에 대한 태도 (p.278~285)</h3><p>시계열 모형(AR·MA·ARIMA), 변동성 예측용 ARCH·GARCH, 칼만 필터, 카오스, 신경망, 유전 알고리즘이 차례로 소개된다. 기법별 설명보다 중요한 것은 원칙이다.</p><ul><li><strong>단순한 것부터.</strong> 정교해질수록 힘도 커지지만, 기법이 사람을 통제하기 시작하면 통계적 유의성을 놓친다.</li><li><strong>두 가지 검사를 반드시 돌려라.</strong> 무작위 데이터를 넣었을 때 예측이 “성공”하면 문제가 있다. 관계를 알고 만든 가상 데이터를 넣었을 때 그 관계를 찾아내지 못해도 문제다.</li><li><strong>신경망은 신호 대 잡음비가 높고 관계가 안정적인 문제</strong>(재무제표로 채권 등급 맞히기)에는 잘 통했다. 신호가 약하고 관계가 흔들리는 <strong>수익률 예측에서는 통계적으로 확실한 성공 증거가 아직 없다</strong>고 원서는 평가한다.</li><li>ARCH류는 자산이 적고 기간이 짧을 때(자산배분, 옵션 전략) 쓸모가 크고, 수많은 종목을 고르는 일에는 덜 맞는다.</li></ul><h3>8. 4장부터 따라오는 예제와 잇기</h3><p>예제의 운용역은 IC = 0.05, BR = 100, 잔차위험 회피도 λ_R = 0.10이었다. 여기서 IR = 0.5, 최적 잔차위험 ω* = 2.5%, 기대 알파 α* = 1.25%, 부가가치 VA* = 0.625%가 나왔다.</p><p>10장은 이 숫자를 바꾸지 않는다. 대신 <strong>IC를 종목별 알파 숫자로 내리는 길</strong>을 준다. (아래 계산은 원서의 식에 예제 숫자를 대입한 것이며, 원서에 나오는 값이 아니다.)</p><ul><li><strong>IC 0.05는 원서 기준으로 “좋은 예측자”</strong>다. 적중률로는 52.5%다.</li><li>잔차 변동성 20%인 종목이라면 점수 +1에 <strong>알파 1%</strong>, 점수 +2에 2%다. 점수의 표준편차가 1이므로 이 운용역의 종목별 알파는 대략 ±1% 범위에서 흔들린다.</li><li>리스크 쪽은 그대로다. 20% × √(1 − 0.0⁵²) = <strong>19.975%</strong>. ω* = 2.5%를 다시 추정할 이유가 없다.</li><li><strong>같은 실력(IC 0.05)의 두 번째 신호를 더하면?</strong> 식 (10.27)로 계산하면 두 신호가 무관할 때 결합 IC는 0.0707이고 VA*는 <strong>0.625% → 1.25%</strong>로 두 배가 된다. 상관이 0.5면 결합 IC는 0.0577, VA*는 <strong>0.833%</strong>에 그친다. 두 번째 신호의 값어치는 실력보다 <strong>기존 신호와 얼마나 다른가</strong>가 정한다.</li></ul><h3>용어 대조표</h3><ul><li><strong>순진한 예측</strong> <em>(naïve forecast)</em> — 정보가 없을 때의 기대수익. 컨센서스 β·μ_B</li><li><strong>원시 예측</strong> <em>(raw forecast)</em> — 이익 추정치·매수 의견 같은 날것의 정보. 수익률 단위가 아니다</li><li><strong>정제된 예측</strong> <em>(refined forecast)</em> — 원시 예측을 수익률 단위로 번역한 것. 알파. 기호 φ</li><li><strong>기본 예측 공식</strong> <em>(basic forecasting formula)</em> — E{r|g} = E{r} + Cov{r,g}·Var⁻¹{g}·(g − E{g})</li><li><strong>점수</strong> <em>(score (z-score))</em> — 원시 예측에서 평균을 빼고 표준편차로 나눈 값. 평균 0, 표준편차 1</li><li><strong>예측의 경험칙</strong> <em>(forecasting rule of thumb)</em> — 정제된 예측 = 변동성 × IC × 점수</li><li><strong>이항 모형</strong> <em>(binary model)</em> — +1/−1 동전의 합으로 수익률과 예측을 만드는 교육용 모형</li><li><strong>조건부 공분산</strong> <em>(conditional covariance)</em> — 정보를 알고 난 뒤의 공분산. 예측의 방향과 무관하다</li></ul><blockquote><strong><em>주의 1:</em></strong><em> </em><strong><em>원시 예측 ≠ 알파.</em></strong><em> 애널리스트가 6% 오른다고 했다고 6%를 알파로 쓰면 안 된다. 평균을 빼고, 표준편차로 나누고, IC와 변동성을 곱해야 한다.</em></blockquote><blockquote><strong><em>주의 2:</em></strong><em> </em><strong><em>점수 ≠ IC.</em></strong><em> 점수는 “이번 예측이 평소보다 얼마나 센가”이고 매번 바뀐다. IC는 “이 정보원이 얼마나 믿을 만한가”이고 정보원마다 고정이다.</em></blockquote><blockquote><strong><em>주의 3:</em></strong><em> </em><strong><em>예측이 바뀌면 리스크도 바뀐다 — 아니다.</em></strong><em> 변동성·상관의 수정폭은 예측의 방향과 무관하고 실력(IC)에만 달려 있으며, 현실적인 IC에서는 무시할 만큼 작다.</em></blockquote><blockquote><strong><em>주의 4:</em></strong><em> </em><strong><em>일괄 알파(매수 +1%, 매도 −1%)는 중립적인 선택이 아니다.</em></strong><em> 최적화기가 저변동성 종목에 비중을 몰아준다. 경험칙을 쓰면 종목마다 같은 크기의 리스크를 진다.</em></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=554170fe396d" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/%EB%82%A0-%EA%B2%83%EC%9D%98-%EC%A0%95%EB%B3%B4%EB%A5%BC-%EC%95%8C%ED%8C%8C%EB%A1%9C-554170fe396d">날 것의 정보를 알파로</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[1000개의 종목에서 예측 공식은 어떻게 바뀌는가]]></title>
            <link>https://medium.com/inha-qlab/1000%EA%B0%9C%EC%9D%98-%EC%A2%85%EB%AA%A9%EC%97%90%EC%84%9C-%EC%98%88%EC%B8%A1-%EA%B3%B5%EC%8B%9D%EC%9D%80-%EC%96%B4%EB%96%BB%EA%B2%8C-%EB%B0%94%EB%80%8C%EB%8A%94%EA%B0%80-b1e6c2b443b2?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/b1e6c2b443b2</guid>
            <category><![CDATA[book-review]]></category>
            <category><![CDATA[quantitative-finance]]></category>
            <category><![CDATA[investing]]></category>
            <dc:creator><![CDATA[Litshan]]></dc:creator>
            <pubDate>Sat, 31 Oct 2026 00:41:59 GMT</pubDate>
            <atom:updated>2026-10-31T00:41:57.416Z</atom:updated>
            <content:encoded><![CDATA[<h3>Active Portfolio Management (Grinold &amp; Kahn, 2nd ed.) Chapter 11 정리</h3><p><strong>한 줄 요약</strong> — 10장의 “알파 = 변동성 × IC × 점수”는 종목이 많아도 그대로지만, 점수를 <em>종목 간 비교</em>로 만들었다면 변동성을 다시 곱하면 안 되는 경우가 많고, 팩터 하나만 예측해도 나머지 팩터를 0으로 두면 안 되며, IC를 확실히 모르면 알파를 크게 줄여야 한다.</p><h3>이 챕터가 답하는 질문</h3><p>10장은 <strong>종목 하나</strong>를 놓고 날것의 정보(원시 예측)를 알파로 바꾸는 공식을 줬다. 결론은 한 줄이었다. 알파 = 잔차 변동성 × IC × 점수. 여기서 IC(information coefficient, 정보계수)는 예측과 실현의 상관, 즉 실력이고, 점수(score)는 “이번 예측이 평소보다 얼마나 센가”를 표준편차 단위로 잰 값이다.</p><p>그런데 기관 운용역이 실제로 마주하는 상황은 종목 하나가 아니다. 매달 수백~수천 종목에 대해 숫자 하나씩을 받는다. 11장(Advanced Forecasting, 고급 예측)은 이 현실에서 생기는 세 가지 질문에 답한다.</p><ol><li><strong>종목 간 비교로 만든 점수만 있을 때</strong>, 10장 공식을 그대로 써도 되는가?</li><li><strong>팩터 몇 개만 예측할 수 있을 때</strong>, 나머지 팩터의 예측은 0으로 두면 되는가?</li><li><strong>IC 자체를 확실히 모를 때</strong>, 알파를 어떻게 조정하는가?</li></ol><p>답을 미리 말하면 순서대로 “대개 변동성을 곱하지 않는다”, “0으로 두지 마라”, “줄여라”다.</p><h3>1. 기본 예측 공식은 여러 종목에도 그대로 성립한다 (p.296)</h3><p>10장의 기본 예측 공식은 벡터로 바꿔 써도 똑같다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/727/0*Jj_hDufYtXn6LKfg" /></figure><p>r은 종목 N개의 수익률 벡터, g는 원시 예측(신호) K개의 벡터다. E{r|g}는 “신호를 보고 난 뒤의 기대수익”, Cov는 공분산, Var⁻¹은 분산 행렬의 역행렬이다. 종목마다 신호가 하나씩이고 모든 종목에서 IC가 같다면, 부록(p.309~310)이 보이듯 이 식은 종목별로 10장의 경험칙으로 쪼개진다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/265/0*wQDiMkN-g9It3fEy" /></figure><p>φ_n(파이)은 종목 n의 정제된 예측, 즉 알파다. ω_n(오메가)은 종목 n의 잔차 변동성이다.</p><p><strong>숫자로:</strong> 잔차 변동성 20%인 종목, IC 0.05, 점수 +1이면 φ = 20% × 0.05 × 1 = <strong>1%</strong>. 10장과 같은 숫자다.</p><p>문제는 점수에 붙은 아래첨자 TS다.</p><h3>2. 시계열 점수와 단면 점수는 다른 물건이다 (p.296~297)</h3><p>TS는 time series(시계열)의 약자다. 시계열 점수(time series score)는 <strong>그 종목의 신호를 그 종목의 과거 신호와 비교</strong>해 만든다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/380/0*LRR1kjDo49HKvs-I" /></figure><p>E_TS{g_n}과 Std_TS{g_n}은 종목 n의 신호가 시간에 걸쳐 보인 평균과 표준편차다. 정의상 종목마다 평균 0, 표준편차 1이 된다.</p><p>그런데 운용역이 실제로 받는 것은 대개 <strong>이번 달 한 시점에 전 종목의 숫자 한 세트</strong>다. 그러면 계산할 수 있는 것은 단면 점수(cross-sectional score)뿐이다. <strong>오늘 그 종목의 신호를 오늘 다른 종목들의 신호와 비교</strong>한 값이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/417/0*q4aNaWMvVrEpJtpU" /></figure><p>E_CS와 Std_CS는 한 시점에서 N개 종목에 걸친 평균과 표준편차다.</p><p>두 점수는 전혀 다른 질문에 답한다. 시계열 점수는 “이 종목에게 이번 신호는 이례적인가”, 단면 점수는 “이 종목의 신호가 다른 종목보다 큰가”다. 공식 (11.2)는 앞의 것을 요구하는데 손에 있는 것은 뒤의 것이다. 이 간극을 어떻게 메우느냐가 이 장 전반부의 내용이다.</p><h3>3. 두 극단: 신호의 흔들림이 종목마다 같은가, 변동성에 비례하는가 (p.297~298)</h3><p>원서는 단순화를 위해 신호의 시계열 평균이 모든 종목에서 0이고, IC가 종목마다 같으며, 종목 간 예측이 서로 무관하다고 둔다. 그리고 두 극단을 비교한다.</p><p><strong>케이스 1 — 신호의 시계열 표준편차가 모든 종목에서 같다.</strong> 그러면 그 공통 표준편차를 시간 방향으로 재든 종목 방향으로 재든 같은 값이 나온다. 즉 시계열 점수와 단면 점수가 같고, 10장 공식을 그대로 쓴다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/266/0*cd9KMfSEbGhHdi5P" /></figure><p><strong>케이스 2 — 신호의 시계열 표준편차가 종목의 변동성에 비례한다.</strong> 변동성이 두 배인 종목은 신호도 두 배로 크게 흔들린다는 가정이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/275/0*2UzA5JJaGTUNo67m" /></figure><p>c₂는 종목과 무관한 상수다. 이 가정을 (11.2)에 넣고 정리하면 변동성이 약분되어 사라진다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/601/0*K2J5lM8XCgcG6Nqm" /></figure><p>c_g는 신호마다 하나씩 정해지는 상수로, 종목과 무관하다. 결론은 이렇다. <strong>케이스 2에서는 알파가 IC × 단면 점수에 비례하고, 종목의 변동성을 따로 곱하지 않는다.</strong> 변동성은 이미 신호의 크기 속에 들어 있기 때문이다.</p><p><strong>숫자로 확인하기</strong> (원서에 없는 예시). 종목 4개, IC 0.05, 위험회피계수 λ_R = 0.10. 신호는 케이스 2를 따라 변동성의 1/10만큼 흔들린다고 하자.</p><pre>종목  잔차 변동성  신호의 평소 흔들림  오늘 신호  시계열 점수  단면 점수<br>----  -----------  ------------------  ---------  -----------  ---------<br>A     20%          2                   +2         +1           +0.63<br>B     20%          2                   -2         -1           -0.63<br>C     40%          4                   +4         +1           +1.26<br>D     40%          4                   -4         -1           -1.26</pre><ul><li><strong>올바른 알파</strong> (11.2, 시계열 점수 사용): A = 20 × 0.05 × 1 = <strong>1.0%</strong>, C = 40 × 0.05 × 1 = <strong>2.0%</strong>. 비율 2배.</li><li><strong>식 (11.14)로 계산</strong>: c_g = 3.16 ÷ 0.1 = 31.6. A = 0.05 × 31.6 × 0.63 = <strong>1.0%</strong>, C = 0.05 × 31.6 × 1.26 = <strong>2.0%</strong>. 변동성을 곱하지 않았는데 같은 답이 나온다.</li><li><strong>잘못된 알파</strong> (케이스 2인데 (11.7)을 씀): A = 20 × 0.05 × 0.63 = 0.63%, C = 40 × 0.05 × 1.26 = 2.53%. 비율이 <strong>4배</strong>가 된다. 변동성이 신호 안에 한 번, 곱셈으로 또 한 번 — <strong>두 번 들어갔다.</strong></li></ul><p>차이는 포지션에서 드러난다. 잔차 리스크가 서로 무관할 때의 최적 액티브 비중 h = α / (2·λ_R·ω²)(부록 식 11A.14)로 계산하면, 올바른 알파는 A 1.25%·C 0.625%를 담고, 두 종목이 지는 리스크(비중 × 변동성)가 둘 다 <strong>0.25%로 같다.</strong> 잘못된 알파는 비중이 둘 다 0.79%로 같아지고, 리스크는 C가 A의 <strong>두 배</strong>다. 고변동성 종목에 리스크가 몰린다.</p><h3>4. 실제 신호는 어느 쪽인가 (p.299~301)</h3><p>어느 케이스인지는 데이터로 확인할 문제다. 원서는 BARRA가 월간 단면 점수로 제공하던 미국 주식 신호 6개를 썼다. 배당할인모형(9장의 3단계 모형), 이익 추정치 변화, 추정치 수정, 상대강도(약 1년 모멘텀), 잔차 반전(1개월 반전), 섹터 모멘텀이다.</p><p>첫 검사는 1994년 12월 기준 미국 대형주 약 1,200개에 대해, 60개월 동안 신호가 흔들린 정도를 종목의 잔차 변동성에 회귀한 것이다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/385/0*0NZ7TVl1_jTTuLez" /></figure><p>결정계수 R²가 높고 기울기 b의 t 통계량이 크면 케이스 2에 가깝다. 두 번째 검사는 두 방식으로 알파를 만들어 최적 포트폴리오를 구성하고 백테스트 정보비율을 비교한 것이다. 원서 Table 11.1과 11.2에서 네 신호만 골라 합치면 다음과 같다.</p><pre>신호          R²    IR: IC × 단면점수  IR: 변동성 × IC × 단면점수<br>------------  ----  -----------------  --------------------------<br>배당할인모형  0.37  1.31               1.19<br>상대강도      0.72  1.93               1.93<br>잔차 반전     0.77  2.51               2.18<br>섹터 모멘텀   0.01  1.91               2.10</pre><p>섹터 모멘텀을 뺀 다섯 신호는 R²가 0.31~0.77로 케이스 2에 가깝고, 변동성을 곱하지 않은 쪽이 같거나 더 좋았다. 섹터 모멘텀만 R²가 0.01로 케이스 1이고, 변동성을 곱한 쪽이 더 좋았다. 섹터 모멘텀은 같은 섹터의 모든 종목이 똑같은 점수를 받으므로, 종목별 변동성이 신호에 들어갈 길이 없다는 점에서 자연스러운 결과다.</p><p>정리하면 이렇다. <strong>정제는 언제나 시계열 점수에 변동성을 곱하는 일이다. 그것이 단면 점수에 변동성을 곱하라는 뜻은 아니다.</strong> 신호의 흔들림이 변동성을 따라가는지부터 확인해야 한다.</p><p>이 IR들은 백테스트 수치이므로 실제 운용 성과의 IR과 같은 잣대로 비교하지 않는다. 검정 방법 자체는 원서가 12장으로 넘긴다.</p><h3>5. 그냥 처음부터 종목 간 비교로 예측하면 안 되나 (p.302)</h3><p>시계열 장치를 다 버리고 한 시점의 단면 데이터만으로 기본 예측 공식을 적용하면, 알파 = IC × (이번 달 종목 간 잔차수익 산포) × 단면 점수가 나온다. 산포는 그 달에 하나의 상수이므로 사실상 (11.14)와 같은 형태다. 예컨대 이번 달 산포가 8%면 단면 점수 +1인 종목의 알파는 0.05 × 8% = 0.4%다.</p><p>원서는 이 접근을 지나치게 단순하다고 본다. 한 달치 단면에서는 업종이 수익 차이의 대부분을 설명하는데, 그 업종이 달마다 바뀐다. 이번 달은 인터넷, 다음 달은 헬스케어, 그다음은 은행. 한 단면만 보면 <strong>시간에 걸쳐 일관되게 예측할 수 있는 것</strong>이 무엇인지 알 수 없다. 그래서 시계열과 단면을 함께 봐야 하고, 이 장이 시계열에서 출발해 단면을 덧붙이는 순서를 택한 이유가 이것이다.</p><h3>6. 종목마다 신호가 여러 개일 때 (p.302~303, 부록 p.310~311)</h3><p>10장은 한 종목에 신호 두 개를 결합하는 법을 다뤘다. 종목이 N개로 늘어나도 그 결과를 <strong>종목별로 그대로</strong> 쓸 수 있다. 단, 가정이 꽤 빡빡하다.</p><ul><li>각 정보원의 IC가 모든 종목에서 같다 (식 11.17)</li><li>각 정보원 신호의 종목 간 상관 구조가 모든 정보원에서 같다 (식 11.18)</li><li>같은 종목에 대한 두 신호의 상관이 종목과 무관한 상수다</li></ul><p>이 가정이면 부록 식 (11A.9)처럼 종목마다 10장의 수정 IC를 쓴 경험칙이 나온다. 예를 들어 두 신호의 IC가 모두 0.05이고 서로 상관이 0.5면, 수정 IC는 각각 (0.05 − 0.5 × 0.05) ÷ (1 − 0.25) = 0.033이다. 잔차 변동성 20% 종목에서 두 점수가 모두 +1이면 알파는 20% × (0.033 + 0.033) = <strong>1.33%</strong>다.</p><p>가정을 받아들일 수 없으면 다른 구조가 필요하다. 원서는 각주에서 실무적 대안을 하나 제시한다. 신호마다 다른 신호의 노출을 통제한 팩터 포트폴리오를 만들고, 그 포트폴리오들의 결합 정보비율이 최대가 되도록 가중치를 정한 뒤, 그 가중치로 신호를 섞는 방법이다.</p><h3>7. 팩터 하나만 예측해도 나머지를 0으로 두지 마라 (p.303~305)</h3><p>종목이 많을 때 구조를 주는 대표적 방법은 7장의 APT(arbitrage pricing theory, 차익거래가격결정이론)다. 기대수익 = 팩터 노출 × 팩터 예측이므로, 수천 개 종목 예측이 몇 개 팩터 예측으로 줄어든다.</p><p>원서가 관찰한 흔한 실수가 있다. 운용역이 팩터 하나(예: 장부가/주가, B/P)는 예측할 수 있고 나머지 팩터는 모른다고 생각할 때, 나머지 팩터 예측을 0으로 두는 것이다. 기본 예측 공식은 그러지 말라고 한다.</p><p>신호 g₁이 팩터 수익 b₁의 정보에 잡음이 섞인 것이라고 놓는다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/509/0*G3sskV053-BBOr8k" /></figure><p>Z는 평균 0·표준편차 1인 잡음, ω₁은 <strong>팩터 1 수익의 변동성</strong>이다(이 절의 ω는 종목의 잔차 변동성이 아니라 팩터 수익의 변동성이다). 이렇게 놓으면 신호의 표준편차가 IC × ω₁, 신호와 b₁의 상관이 정확히 IC가 되도록 맞춰져 있다(정의에서 유도된다). 이 신호로 다른 팩터 j의 수익을 예측하면 다음을 얻는다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/742/0*MZrT8ykPIf05ONg4" /></figure><p>ρ₁ⱼ는 팩터 1과 팩터 j 수익 사이의 상관, z₁은 신호의 점수다. j = 1이면 ρ = 1이 되어 10장의 경험칙 그대로다. <strong>다른 팩터의 예측은 그 팩터와의 상관만큼 따라 움직인다.</strong> 상관이 0인 팩터만 0으로 둘 수 있다.</p><p><strong>숫자로</strong> (원서에 없는 예시): IC 0.05, z₁ = +1, 두 팩터의 변동성이 모두 3%, 상관 −0.4라면 팩터 1 예측은 0.05 × 3% = <strong>+0.15%</strong>, 팩터 j 예측은 0.05 × (−0.4) × 3% = <strong>−0.06%</strong>다. 0이 아니다.</p><p>원서의 실증(BARRA 미국 주식 모형, 1990년 5월~1995년 4월)은 B/P 정보만 가진 세 전략을 비교했다. A는 B/P에만 베팅 — IR 3.26. B는 B/P 정보로 다른 리스크 인덱스에도 베팅 — IR 3.42. C는 B/P 정보로 <strong>B/P를 뺀 다른 팩터에만</strong> 베팅 — IR 1.57. C는 일부러 비뚤게 만든 전략인데도 IR이 높다. 다른 팩터에 대한 예측이 진짜 정보를 담고 있다는 증거다.</p><p>원서는 B의 IR²가 A와 C의 IR² 합과 대략 맞는다고 한다. 직접 계산하면 3.2⁶² + 1.5⁷² = 13.09로, IR로는 3.62다. 관측된 3.42와 비교하면 IR² 기준 약 12% 차이가 나므로 “대략”이 맞는 표현이다.</p><h3>8. IC를 확실히 모르면 알파를 줄여라 (p.305~308, 부록 p.312~313)</h3><p>지금까지는 IC를 <strong>안다고</strong> 가정했다. 실제로 IC는 과거 데이터로 추정한 값이고 오차가 있다. 추정 IC가 같은 두 신호 중 하나가 훨씬 불확실하다면, 확실한 쪽에 더 무게를 둬야 할 것이다. 그런데 10장의 장치에는 이 답이 나올 자리가 없다.</p><p>원서는 회귀로 접근한다. 잔차수익 θ(t)를 신호 g(t)에 회귀하고(식 11.26), 둘 다 평균 0이라 두면 기울기는 다음과 같다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/439/0*ZmthseFJZ9BppSao" /></figure><p>부록 식 (11A.18)에 따르면 이 b는 IC × 잔차 변동성 ÷ 신호 표준편차다. 즉 b는 “점수 대신 날것의 신호에 곱하는 IC”다.</p><p>여기에 요령을 하나 쓴다. <strong>사전 믿음(prior)을 관측치 하나로 회귀에 추가</strong>하는 것이다(식 11.29). 관측치들은 오차 분산의 역수로, 사전 믿음은 그 믿음의 불확실성의 역수로 가중한다. 풀면 조정된 기울기 b′가 나온다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/498/0*8hqCiKb5PaFywtZa" /></figure><p>ω_θ는 회귀 잔차의 표준편차, b̂(비 햇)은 사전 믿음, ω_b는 사전 믿음의 불확실성이다. 사전 믿음을 b̂ = 0(“신호는 쓸모없다”)으로 두면 원서는 이것이 다음으로 정리된다고 한다(Connor, 1997).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/549/0*SFVoZiRHt8_Gvku9" /></figure><p>T는 관측 월수, R²는 사전 믿음 없는 회귀의 결정계수다. 신호 하나짜리 회귀에서 R²는 IC²이고 아주 작으므로 근사하면 이렇다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/293/0*MA-L7lA40No9mL8D" /></figure><p><strong>숫자로:</strong> IC 0.05를 120개월(10년)로 추정했다면 T × IC² = 120 × 0.0025 = 0.3, 축소 계수는 1 ÷ (1 + 1/0.3) = <strong>0.23</strong>이다. 추정한 b의 23%만 쓰라는 뜻이다. 원서 Table 11.4의 일부는 다음과 같다(아래 값은 (11.32)로 직접 재계산해 원서와 전부 일치함을 확인했다).</p><pre>관측 월수  IC 0.05  IC 0.10<br>---------  -------  -------<br>60         0.13     0.38<br>120        0.23     0.55<br>240        0.38     0.71</pre><p>좋은 신호를 20년 지켜봐도 절반 넘게 깎인다. 원서도 이 축소가 상당하다고 강조한다.</p><p><strong>이 식을 읽는 더 쉬운 방법</strong> (정의에서 유도된다). t = IC × √T라고 두면 (11.32)는 <strong>축소 계수 = t² / (1 + t²)</strong>가 된다. 부록 식 (11A.23)에 따르면 IC가 작을 때 IC 추정치의 표준오차는 약 1/√T이므로, IC × √T는 “추정한 IC가 0에서 표준오차 몇 개만큼 떨어져 있는가”다. t = 1이면 절반, t = 2면 80%, t = 3이면 90%를 남긴다. IC 0.05로 t = 1에 도달하려면 T = 1/IC² = 400개월, 33년이 필요하다.</p><p><strong>축소는 IC에 거는 것으로 봐도 된다.</strong> b에는 IC 외에 잔차 변동성과 신호 표준편차의 추정오차도 섞인다. 부록은 b의 상대 오차 분산을 계산한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/365/0*jDvelnUqbBcIMs2t" /></figure><p>첫 항이 IC 불확실성, 둘째 항이 두 변동성의 불확실성이다. IC 0.05, T = 120이면 첫 항 3.33, 둘째 항 0.008이다. IC가 1보다 훨씬 작으므로 오차는 거의 전부 IC에서 온다.</p><p><strong>신호가 여럿이면</strong> 같은 축소를 신호별로 하되, 총 R² 대신 <strong>한계 R²</strong>를 쓴다. 한계 R²는 전체 R²에서 그 신호를 뺐을 때의 R²를 뺀 값이다. 설명력을 거의 보태지 못하는 새 신호는 크게 깎인다. 원서의 표현대로 이 방법은 <strong>간결함(parsimony)에 프리미엄을 준다.</strong></p><p>원서의 한계도 적어 둔다. 본문은 (11.30)에서 (11.31)로 가는 과정을 부록이 보여준다고 하지만, 부록의 해당 절은 “오차가 IC에서 온다”는 것만 보이고 이 정리는 싣지 않는다. 계산해 보면 사전 믿음의 불확실성 ω_b를 b 자신의 크기로 잡을 때 (11.30)이 (11.31)이 된다(원서에 없는 계산). 즉 “신호는 쓸모없을 것이다, 다만 그 확신의 폭은 효과 크기만큼이다”라는 사전 믿음이다.</p><h3>9. 알파의 변동성 조정이 맞았는지 점검하는 법 (부록 p.311~312)</h3><p>부록은 3절의 문제를 사후에 확인하는 방법도 준다. 잔차 리스크가 서로 무관하면 최적 비중은 h = α / (2·λ_R·ω²)이고, 여기에 경험칙 α = ω × IC × z를 넣으면 포트폴리오 잔차 분산은 다음이 된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/334/0*i5V5oKRZEjslYyE0" /></figure><p>z²의 기댓값은 종목마다 1이므로, <strong>알파의 변동성 조정이 맞았다면 모든 종목이 평균적으로 같은 리스크를 기여해야 한다.</strong> 3절 예제의 올바른 알파가 정확히 그랬다(A·C 모두 0.25%).</p><p><strong>숫자로:</strong> 관통 예제인 IC 0.05, λ_R 0.10과 종목 100개를 넣으면 (0.05 ÷ 0.2)² × 100 = 6.25이고, 잔차 리스크는 √6.25 = <strong>2.5%</strong>다. 5장의 최적 잔차 리스크 ω* = 2.5%와 같다.</p><p>실무에서는 변동성 기준으로 종목 수가 같은 바구니를 몇 개 만들고 바구니별 리스크 기여를 비교한다. 바구니마다 기여가 다르면 변동성 조정이 틀렸거나, 바구니마다 다른 IC를 암묵적으로 썼다는 뜻이다. 3절의 잘못된 알파였다면 고변동성 바구니의 기여가 두 배로 나왔을 것이다.</p><h3>10. 4장부터 따라오는 예제와 잇기</h3><p>예제는 IC 0.05, 폭(BR) 100, 잔차 위험회피계수 λ_R 0.10인 운용역이다. 여기서 정보비율 IR = 0.5, 최적 잔차 리스크 ω* = 2.5%, 기대 알파 α* = 1.25%, 부가가치 VA* = 0.625%가 나왔다.</p><p><strong>이 장이 되돌리는 가정은 “IC 0.05를 안다”는 것이다.</strong> 지금까지의 모든 숫자는 IC가 정확히 0.05라고 전제했다. 그 0.05가 추정치라면 8절의 축소를 거쳐야 한다. 이하 계산은 원서의 식에 예제 숫자를 넣은 것으로 원서에 없다.</p><p><strong>① 한 신호의 120개월 시계열로 추정했다면</strong> — 축소 계수 0.23, 쓸 수 있는 IC는 0.0115다.</p><ul><li>IR = 0.0115 × 10 = 0.115</li><li>ω* = 0.115 ÷ 0.2 = <strong>0.58%</strong> (원래 2.5%)</li><li>α* = 0.115 × 0.58% = <strong>0.067%</strong> (원래 1.25%)</li><li>VA* = 0.11⁵² ÷ 0.4 = <strong>0.033%</strong> (원래 0.625%, 즉 0.2³²배)</li></ul><p><strong>② 관측치를 “독립적인 예측의 개수”로 센다면</strong> — 폭 100은 1년에 독립적 예측이 100개라는 뜻이었다. 10년이면 1,000개다. 이를 T로 쓰면 t = 0.05 × √1000 = 1.58, 축소 계수 0.71이다. IR 0.357, ω* <strong>1.79%</strong>, α* <strong>0.64%</strong>, VA* <strong>0.32%</strong>가 된다.</p><p>①과 ②는 열 배 가까이 차이 난다. <strong>무엇을 독립 관측치로 세느냐가 축소 폭을 지배한다.</strong> 원서는 이 장에서 관측치를 월수 T로만 세고, 종목이 여럿인 표본에서 관측치를 어떻게 셀지는 다루지 않는다. ②는 6장의 폭 정의를 그대로 빌린 것이므로, 종목 간 예측이 정말 독립일 때만 성립한다(확신도 중간).</p><p>두 경우 모두 공통된 교훈은 하나다. <strong>IC가 불확실하면 5장의 공식이 주는 ω*보다 덜 공격적으로 베팅하는 것이 맞다.</strong> 그리고 IC 0.05처럼 “좋은” 실력은 짧은 기록으로는 0과 구별되지 않는다.</p><p>또 하나. 3절에 따르면 잔차 변동성 20% 종목의 알파 1%는 <strong>시계열 점수</strong>가 +1일 때의 값이다. 신호가 단면 점수로 왔고 케이스 2에 가깝다면, 그 1%는 변동성을 곱해서가 아니라 c_g를 곱해서 얻어야 한다.</p><h3>용어 대조표</h3><ul><li><strong>시계열 점수</strong> <em>(time series score)</em> — 종목의 신호를 그 종목의 과거 신호 평균·표준편차로 표준화한 값. 식 (11.3). 경험칙이 요구하는 점수</li><li><strong>단면 점수</strong> <em>(cross-sectional score)</em> — 한 시점에서 전 종목의 신호 평균·표준편차로 표준화한 값. 식 (11.4). 운용역이 실제로 갖는 점수</li><li><strong>신호 변동성</strong> <em>(signal volatility)</em> — 원시 신호가 시간에 걸쳐 흔들리는 정도. 이것이 종목 변동성에 비례하는지가 변동성 곱셈 여부를 정한다</li><li><strong>신호별 척도 상수</strong> <em>(scaling constant c_g)</em> — 케이스 2에서 IC × 단면 점수에 곱하는 상수. 신호마다 하나, 종목과 무관. 식 (11.14)</li><li><strong>팩터 예측</strong> <em>(factor forecast)</em> — 팩터 수익의 기대값. 신호 하나로 여러 팩터를 상관만큼 함께 예측한다. 식 (11.25)</li><li><strong>사전 믿음</strong> <em>(prior)</em> — 데이터를 보기 전의 믿음. 회귀에 관측치 하나로 추가해 반영한다. 식 (11.29)</li><li><strong>축소</strong> <em>(shrinkage)</em> — 추정 불확실성 때문에 추정치를 사전 믿음(0) 쪽으로 당기는 것. 계수 = T·IC² ÷ (1 + T·IC²)</li><li><strong>한계 R²</strong> <em>(marginal R²)</em> — 전체 R²에서 그 신호를 뺐을 때의 R²를 뺀 값. 신호가 여럿일 때의 축소에 쓴다</li><li><strong>간결함</strong> <em>(parsimony)</em> — 설명력을 거의 보태지 못하는 신호를 크게 깎는 성질</li></ul><blockquote><strong><em>주의:</em></strong><em> — </em><strong><em>시계열 점수 ≠ 단면 점수.</em></strong><em> 경험칙 “변동성 × IC × 점수”의 점수는 시계열 점수다. 단면 점수에 변동성을 곱하는 것은 신호의 흔들림이 종목마다 같을 때(케이스 1)만 맞다. 신호가 변동성을 따라 흔들리면(케이스 2) 변동성이 두 번 들어가 고변동성 종목에 리스크가 몰린다. — </em><strong><em>“모르는 팩터 = 예측 0”이 아니다.</em></strong><em> 예측하는 팩터와 상관된 팩터는 상관만큼 함께 예측해야 한다. 7절의 ω는 팩터 수익의 변동성이고 종목의 잔차 변동성이 아니다. — </em><strong><em>축소는 IC가 낮을수록 더 세다.</em></strong><em> IC 0.10을 120개월 관측하면 55%가 남지만 IC 0.05는 23%만 남는다. 좋은 신호도 20년 기록으로 절반 넘게 깎인다. — </em><strong><em>T는 독립 관측치의 수다.</em></strong><em> 같은 신호를 매달 다시 쓰는 월간 리밸런싱은 관측치를 늘리지 않는다. 원서는 이 장에서 T를 월수로만 쓴다. — </em><strong><em>백테스트 IR(3.26, 2.51 등)은 실제 운용 성과 IR과 같은 잣대가 아니다.</em></strong></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b1e6c2b443b2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/1000%EA%B0%9C%EC%9D%98-%EC%A2%85%EB%AA%A9%EC%97%90%EC%84%9C-%EC%98%88%EC%B8%A1-%EA%B3%B5%EC%8B%9D%EC%9D%80-%EC%96%B4%EB%96%BB%EA%B2%8C-%EB%B0%94%EB%80%8C%EB%8A%94%EA%B0%80-b1e6c2b443b2">1000개의 종목에서 예측 공식은 어떻게 바뀌는가</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[그 신호에 정말 정보가 있는가]]></title>
            <link>https://medium.com/inha-qlab/%EA%B7%B8-%EC%8B%A0%ED%98%B8%EC%97%90-%EC%A0%95%EB%A7%90-%EC%A0%95%EB%B3%B4%EA%B0%80-%EC%9E%88%EB%8A%94%EA%B0%80-a8511dbe9672?source=rss----b75e23b19386---4</link>
            <guid isPermaLink="false">https://medium.com/p/a8511dbe9672</guid>
            <category><![CDATA[book-review]]></category>
            <category><![CDATA[investing]]></category>
            <category><![CDATA[quantitative-finance]]></category>
            <dc:creator><![CDATA[Litshan]]></dc:creator>
            <pubDate>Sat, 31 Oct 2026 00:41:49 GMT</pubDate>
            <atom:updated>2026-10-31T00:41:48.425Z</atom:updated>
            <content:encoded><![CDATA[<h3>Active Portfolio Management (Grinold &amp; Kahn, 2nd ed.) Chapter 12 정리</h3><p><strong>한 줄 요약</strong> — 신호의 가치는 직관이 아니라 “포트폴리오로 바꾼 뒤 그 성과를 재는” 두 단계로 판정한다. 성적표는 정보비율(IR) 하나로 요약되고, t 통계량과 정보계수(IC)는 같은 이야기를 다른 단위로 말한다. 그리고 많이 시험할수록 가짜 정보가 진짜처럼 보인다.</p><h3>이 챕터가 답하는 질문</h3><p>10장과 11장은 “IC가 0.05인 신호가 있다”에서 출발해 그 신호를 알파 숫자로 바꾸는 공식을 줬다. 11장은 한 걸음 더 나가 IC를 정확히 모른다면 알파를 깎아야 한다고 했다. 그런데 정작 <strong>IC가 0.05라는 사실은 어디서 오는가?</strong> 손에 든 데이터 — 장부가/시가 비율(B/P), 애널리스트 매수 의견, 이익 서프라이즈 — 에 정말 수익을 예측하는 힘이 있는지는 어떻게 판정하는가?</p><p>12장의 답이 <strong>정보 분석(information analysis)</strong> 이다. 원서가 짚는 위치도 중요하다. 정보 분석은 <strong>백테스트보다 앞선다.</strong> 정보 분석은 회전율·거래비용 같은 현실의 마찰을 빼고 신호 자체의 가치만 본다. 그 관문을 통과한 신호만 백테스트로 넘어가 실제 운용 가능한 전략으로 다듬어진다.</p><h3>1. 정보는 “예측변수 = 신호 + 잡음”이다 (p.316~318)</h3><p>액티브 운용에서 정보란 결국 <strong>알파를 예측하는 데이터</strong>다. 원서는 이런 데이터를 <strong>예측변수(predictor)</strong> 라고 부른다. 어떤 예측변수든 미래 수익과 연결된 <strong>신호(signal)</strong> 와 그것을 가리는 <strong>잡음(noise)</strong> 의 합이다. 난수는 잡음만 있고 신호가 없다. 정보 분석은 이 신호 대 잡음의 비율을 찾는 작업이다.</p><p>예측변수의 생김새는 제각각이다. 매수 목록 +1·매도 목록 −1처럼 거친 것도 있고, 종목마다 2.15%, −3.72% 같은 정밀한 알파도 있고, 5분위 점수나 순위도 있다. 원서는 정보를 네 축으로 분류한다: 원자료냐 가공 자료냐, 사람의 판단이 들어갔냐 기계적이냐, 순서만 있냐(서수) 숫자 크기에 뜻이 있냐(기수), 과거·현재·예측 중 무엇이냐. 가공했다고 더 좋은 정보가 되는 것은 아니라는 점도 짚는다.</p><p>이 장 내내 쓰는 사례는 <strong>미국 주식의 B/P</strong>다. “B/P가 높은 종목이 낮은 종목을 이긴다”는 가설에 실제로 정보가 얼마나 들어 있는지를 이 장의 도구로 판정한다. 새 전략을 제안하려는 것이 아니라 도구를 보여 주려는 사례다.</p><h3>2. 정보 분석은 두 단계다 (p.318)</h3><ol><li><strong>정보를 포트폴리오로 바꾼다.</strong></li><li><strong>그 포트폴리오의 성과를 평가한다.</strong></li></ol><p>“정보”라는 흐릿한 개념을 포트폴리오라는 구체적인 물건으로 바꾸는 것이 첫 단계의 핵심이다. 그래서 정보 분석은 신호를 만든 과정 — 직관이든 계량 모형이든 — 을 묻지 않는다. 판단형 운용역의 추천 목록도 똑같이 분석할 수 있다. 조건은 하나, <strong>과정이 있어야 한다.</strong></p><h3>3. 1단계: 정보를 포트폴리오로 바꾸는 여섯 가지 방법 (p.319~321)</h3><p>원서가 제시하는 방법을 정리하면 다음과 같다.</p><pre>방법  입력            만드는 포트폴리오<br>----  --------------  -----------------------------------------------------------<br>1     매수/매도 목록  매수 묶음, 매도 묶음 (동일가중 또는 시가총액가중)<br>2     점수            점수 구간마다 하나씩 (예: B/P 5분위)<br>3     알파            평균 위/아래 두 묶음, 평균에서 떨어진 만큼 가중<br>4     알파            알파 순위로 분위를 나눠 분위마다 하나씩<br>5     수치 점수       롱·숏 한 쌍 (금액·베타 동일, 롱이 신호 1단위 더, 괴리 최소)<br>6     수치 점수       5번 + 업종·소형주 노출 등 통제변수까지 일치</pre><p>방법 5·6이 만드는 것이 <strong>팩터 포트폴리오(factor portfolio)</strong> 다. 원서는 이 둘을 권한다. 시장 노출(베타)과 다른 요인을 맞춰 놓고 신호만 다르게 만드는 <strong>통제된 실험</strong>이기 때문이다. 분위 포트폴리오는 신호 외의 우연한 베팅(업종 쏠림 등)을 같이 실어 나른다.</p><p>방법 5는 기술 부록에서 최적화 문제로 정리된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/719/0*oisxZQqdy3fJpe1O" /></figure><p>여기서 <strong>h</strong>는 종목별 보유비중 벡터, <strong>V</strong>는 공분산 행렬, <strong>a</strong>는 분석할 정보(종목별 B/P 점수), <strong>Z</strong>는 0으로 묶을 노출(베타, 순투자 금액, 리스크 모형의 팩터들)이다. “신호에 정확히 1단위 노출되면서 리스크가 최소인 포트폴리오”를 찾는 문제다. 예를 들어 롱 쪽 종목들의 B/P 점수 평균이 +0.5, 숏 쪽이 −0.5이면 h·a = 0.5 − (−0.5) = 1이 되어 (12A.2)를 만족한다. 해 h의 양수 부분을 모은 것이 롱 포트폴리오, 음수 부분을 모은 것이 숏 포트폴리오다. h 자체의 분산이 곧 롱과 숏의 괴리 분산이므로, “리스크 최소화”와 “롱이 숏을 최대한 따라가게 하기”는 같은 말이다. 롱과 숏의 성과를 따로 보면 신호가 <strong>오를 종목을 맞히는지(상방), 떨어질 종목을 맞히는지(하방)</strong> 도 갈라 볼 수 있다. 부록은 이 포트폴리오가 가중 회귀로 추정한 팩터 수익과 같은 계열이라는 점도 보인다.</p><p>원서의 두 실험(1988년 1월~1992년 12월, 매월 재구성):</p><ul><li><strong>예제 A (방법 2)</strong> — S&amp;P 500을 B/P로 줄 세운 뒤 시가총액이 같은 5분위로 나누고, 분위 안에서 시가총액가중.</li><li><strong>예제 B (방법 5)</strong> — 금액·베타가 같은 롱·숏 한 쌍. 롱의 B/P가 숏보다 1 표준편차 높고, 그 조건에서 롱이 숏을 최대한 따라가게 설계.</li></ul><p>한 가지 원칙도 각주에 있다. <strong>포트폴리오를 다시 짜는 주기는 정보가 바뀌는 주기에 맞춘다.</strong> 매일 바뀌는 정보는 매일, 분기마다 바뀌는 정보는 분기마다. 이 주제는 원서 13장(정보 지평)이 본격적으로 다룬다.</p><h3>4. 2단계: 누적수익 그림부터 본다 (p.321~322)</h3><p>가장 단순한 평가는 포트폴리오와 벤치마크의 누적수익을 그려 보는 것이다.</p><ul><li><strong>예제 A</strong>: 1988년부터 1989년 초까지는 분위 순서대로 성적이 났다. 그러나 1989~1990년에 가치주가 성장주에 크게 밀리면서 판이 뒤집혔고, 5년 전체로는 <strong>B/P가 가장 낮은 분위가 1등</strong>, 가장 높은 분위가 한참 뒤 2등이었다.</li><li><strong>예제 B</strong>: 베타를 0으로 맞춘 순(롱 − 숏) 포트폴리오는 시장과 무관하게 움직였다. 1989년 초까지 잘 되다가 1990~1991년에 효과가 사라지고 1992년에 다시 살아났다. 숏 포트폴리오가 결국 1등이 되지는 않았다는 점이 예제 A와 다르다.</li></ul><p>교훈은 하나다. <strong>같은 정보도 포트폴리오를 어떻게 만드느냐에 따라 성적이 달라 보인다.</strong> 예제 A의 분위는 B/P 외의 베팅을 같이 들고 있었기 때문이다.</p><p>원서의 경고 하나: 성과 평가는 <strong>가격 데이터 오류에 매우 민감하다.</strong> 한 달 가격이 잘못 들어가면 기회로 보이고, 다음 달에 오류가 고쳐지면 그 기회가 실현된 것처럼 보인다.</p><h3>5. t 통계량: 운인가 실력인가 (p.325~326)</h3><p>그림 다음은 회귀다. 포트폴리오의 초과수익을 벤치마크의 초과수익에 회귀해 벤치마크 성분과 나머지로 가른다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/359/0*wArZAl9lqt9Ef9fN" /></figure><p>r(t)는 t월의 포트폴리오 초과수익, r_B(t)는 벤치마크 초과수익, α(알파)는 벤치마크로 설명되지 않는 평균 수익, β(베타)는 벤치마크 민감도, ε(t)는 남는 잡음이다. 알파가 0과 다른지는 <strong>t 통계량</strong>으로 판정한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/232/0*X3J4VLnBKY5efH0s" /></figure><p>추정 알파를 그 표준오차 SE로 나눈 값이다. 알파가 정규분포라고 가정하면 t가 2를 넘을 때 “순전히 운으로 이런 수익이 나올 확률”이 5% 미만이다.</p><p>원서 표 12.1~12.3에서 몇 줄만 골라 모으면 다음과 같다(마지막 열은 아래 6절의 식으로 직접 계산한 값).</p><pre>포트폴리오        월 알파  t     원서 IR  t ÷ √5<br>----------------  -------  ----  -------  -------<br>A: B/P 최고 분위  0.03%    0.14  0.06     0.06<br>A: B/P 최저 분위  0.31%    1.15  0.53     0.51<br>B: 순(롱 - 숏)    0.08%    0.59  0.27     0.26</pre><p><strong>어느 알파도 t가 2에 못 미친다.</strong> 95% 신뢰수준에서 유의한 것은 하나도 없다. 예제 B의 순 포트폴리오는 베타가 사실상 0(0.00)이고 알파는 플러스지만, 통계적으로는 운과 구분되지 않는다.</p><h3>6. 정보비율 = t ÷ √연수 (p.327)</h3><p>t 통계량과 정보비율은 아주 가깝다. t는 알파를 그 <strong>표준오차</strong>로 나눈 것이고, IR은 연 알파를 연 <strong>잔차 리스크</strong>로 나눈 것이다. 관측 기간이 T년이면:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/182/0*azJbklFibizmsjxd" /></figure><p>숫자로 확인하면, 예제 B 순 포트폴리오는 5년 관측에 t = 0.59이므로 IR ≈ 0.59 ÷ √5 = 0.59 ÷ 2.236 = <strong>0.26</strong>. 원서가 보고한 0.27과 맞는다. 관측치가 많을수록 이 근사는 정확해진다.</p><p>그러나 둘은 <strong>묻는 질문이 다르다.</strong> t는 “통계적으로 유의한가”, IR은 “리스크 대비 얼마나 벌었나(부가가치)”를 묻는다. IR 0.5를 5년 동안 보인 전략은 t ≈ 0.5 × 2.236 = 1.12, 1년 동안 보인 전략은 t = 0.5다. 앞의 것이 통계적으로 더 믿을 만하지만 <strong>부가가치는 똑같다.</strong> 부가가치는 1년이라는 고정된 기간의 리스크로 정의되기 때문이다.</p><p>각주는 IR 추정의 정밀도도 준다. Y는 관측 연수다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/197/0*7dtwhigkj9Qeugzq" /></figure><p>5년이면 SE ≈ 1/√5 = <strong>0.45</strong>, 20년이어도 0.22다. 실현 IR 0.5를 5년 관측했다면 그 오차 막대가 IR 자체와 비슷한 크기라는 뜻이다. (원서 본문은 “연수에 반비례”라고 쓰지만 식이 보여 주듯 정확히는 <strong>연수의 제곱근</strong>에 반비례한다.)</p><blockquote><strong><em>주의 — 원서 표 12.1의 한 칸.</em></strong><em> 예제 A의 둘째 분위는 알파 −0.06%, t −0.05, IR −0.21로 나온다. 다른 행은 전부 IR ≈ t ÷ √5가 맞는데(예: 셋째 분위 −0.97 ÷ 2.236 = −0.43 vs −0.45) 이 행만 −0.05 ÷ 2.236 = −0.02로 크게 어긋난다. IR −0.21이 맞다면 t는 약 −0.47이어야 하고, 알파 크기로 봐도 t −0.05는 너무 작다. </em><strong><em>t 칸의 오식으로 보인다(확신도 중간~높음).</em></strong></blockquote><h3>7. 정보계수와 폭 거꾸로 세기 (p.327~328)</h3><p>세 번째 통계량이 <strong>정보계수(information coefficient, IC)</strong> — 신호와 실현 알파의 상관이다. 잡음뿐이면 0, 신호뿐이면 1, 거꾸로 맞히면 음수이고, 언제나 −1과 +1 사이다. 예제의 B/P 신호는 1988~1992년에 <strong>IC = 0.01</strong>이었다.</p><p>6장의 기본법칙이 IR·IC·폭을 잇는다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/217/0*ZQRfQyQNcOCPbGN5" /></figure><p><strong>폭(breadth, BR)</strong> 은 그 정보가 허용하는 1년간 독립적 베팅의 개수다. 예제 B의 IR 0.27과 IC 0.01을 넣으면 √BR = 0.27 ÷ 0.01 = 27, <strong>BR ≈ 729</strong>. 원서 표현으로 “700개 남짓”이다.</p><p>그런데 이 신호는 500종목을 1년에 12번 다루므로 정보 항목은 <strong>6,000개</strong>다. 6,000개 중 독립적인 것이 729개뿐이라는 뜻이다. 그래서 원서는 실무에서 <strong>BR이 IR이나 IC보다 재기 어렵다</strong>고 말한다. IR과 IC는 데이터에서 직접 재고, BR은 둘에서 거꾸로 셀 수밖에 없는 경우가 많다.</p><h3>8. 그 밖에 볼 것 (p.328~329)</h3><p>포트폴리오가 손에 있으니 더 볼 것도 많다. <strong>회전율</strong>은 거래비용을 통해 성과를 직접 깎으므로 백테스트 단계에서 중요해진다. 롱·숏을 따로 보면 <strong>상방/하방 정보</strong>를, 시장이 오른 달과 내린 달을 나누면 <strong>상승장/하락장 정보</strong>를 가를 수 있다. 업종·규모 같은 <strong>통제변수</strong>를 바꿔 가며 포트폴리오를 다시 만들어 결과가 버티는지도 본다. 성과 분석 전반은 원서 17장이 다룬다.</p><h3>9. 사건 연구: 정보가 띄엄띄엄 올 때 (p.329~332)</h3><p>지금까지는 정보가 매달 전 종목에 한꺼번에 도착한다고 가정했다. 그러나 이익 발표, CEO 교체, 배당 변경, 주식 분할처럼 <strong>종목마다 다른 날 터지는 정보</strong>가 있다. 이때 쓰는 방법이 <strong>사건 연구(event study)</strong> 다.</p><p>필요한 변수는 세 종류다.</p><ol><li><strong>사건의 기술</strong> — 일어났나/안 일어났나(0/1)일 수도 있고, 이익 서프라이즈(발표 이익 − 컨센서스, 애널리스트 예측의 흩어짐으로 나눈 값)처럼 크기가 있을 수도 있다.</li><li><strong>사건 이후의 수익</strong> — 사건마다 달력상 날짜가 다르므로, 그 사이 시장 전체의 움직임이 섞이지 않게 <strong>잔차수익</strong>을 쓴다.</li><li><strong>사건 전의 조건변수</strong> — 새 CEO가 내부 출신인가, 회사의 레버리지는 어떤가, 기관 보유 비중은 얼마인가 등.</li></ol><p>N개 사건을 모아 놓고 회귀한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/652/0*V4XDznaDeTPm5VNx" /></figure><p>θ_n(1,j)는 사건 n 이후 1일부터 j일까지 누적 잔차수익, ω_n(1,j)는 같은 기간의 잔차 리스크, X_nk는 조건변수 k의 값, b는 추정할 계수다. 좌변을 리스크로 나눴기 때문에 좌변은 사전적으로 평균 0, 표준편차 1이다. 그래서 회귀의 R²에 제곱근을 씌우면 그대로 <strong>표본 내 IC 추정치</strong>가 된다. 예를 들어 R² = 0.0025면 IC = √0.0025 = 0.05다. 기간을 6~10일처럼 잘라 회귀하면 <strong>사건에서 멀어질수록 예측력이 어떻게 식는지</strong>도 볼 수 있다.</p><p>회귀 결과는 곧바로 알파가 된다. 사건이 방금 일어났다면 다음 j기간의 알파는:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/679/0*e6gUdx7-emsQzdEe" /></figure><p>이것이 10장의 “변동성 × IC × 점수”와 같은 꼴이다. 앞의 ω가 변동성이고, 괄호 속 적합값이 표준편차 1짜리 좌변을 예측한 것이라 대략 IC × 점수 크기다. 가상의 숫자로 보면: 연 잔차 리스크 20%인 종목의 1개월 리스크는 20 ÷ √12 = 5.77%, 이익 서프라이즈 점수가 +2이고 적합값이 0.10(IC 0.05 × 점수 2)이면 다음 한 달 알파는 5.77% × 0.10 = <strong>0.58%</strong> 다. 사건이 j₁일 전에 일어났다면 (12.8)처럼 (j₁, j+j₁) 구간의 계수를 쓴다.</p><h3>10. 사건 연구를 정보비율로 번역하기: 빈도·실력·감쇠 (p.332~334)</h3><p>사건 연구 결과는 단면 분석처럼 곧바로 IR이 되지 않는다. 원서는 간단한 모형으로 다리를 놓는다. 재료는 셋이다.</p><ul><li><strong>빈도</strong> — 하루에 사건이 터질 확률 p. 사건 사이 간격은 평균 1/p일.</li><li><strong>실력</strong> — 사건 다음 날의 IC, IC(1).</li><li><strong>감쇠</strong> — 사건에서 멀어질수록 IC가 지수적으로 줄어든다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/282/0*7M9hhDAivelJuRoo" /></figure><p>γ는 하루 감쇠 상수(0~1)다. 반감기(일) = log 0.5 ÷ log γ. 반감기가 한 분기(63거래일)면 γ = 0.5^(1/63) = <strong>0.989</strong>다.</p><p>1년 거래일을 J일, 비슷한 종목 N개라고 하면 하루 IC를 1년 IC로 바꾸고, 그것을 IR로 바꿀 수 있다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/398/0*AXsrU7s4bWBhDX1p" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/432/0*8bWU7dYSw2DlWl-M" /></figure><p>(12.10)은 신호와 j일째 잔차수익의 공분산을 1년치 더한 등비급수를 1년 리스크(하루 리스크의 √J배)로 나눈 것이다. 반감기 한 분기, J = 250이면 1년 IC 0.04는 하루 IC <strong>0.0074</strong>에 해당한다. (12.11)의 제곱근 속을 따로 떼면 사건형 정보의 <strong>유효 폭</strong>이 나온다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/303/0*hGWJ6FXeDew1tVGO" /></figure><p>사건이 매일 터지면(p ≈ 1) N* ≈ N이다. 사건이 드물면(p가 작으면) 근사식이 된다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/184/0*VdTb_1FJwds1bQH8" /></figure><p>원서의 예처럼 CEO 교체가 7년에 한 번꼴이면 p = 0.00056이다. 종목 1,000개, 반감기 한 분기로 계산하면 N* ≈ 0.56 ÷ (1 − 0.98⁹²) ≈ <strong>26</strong>. 종목 1,000개를 들고 있어도 새 정보는 26종목분밖에 들어오지 않는 셈이다. 1년 IC 0.04면 IR = 0.04 × √26 ≈ 0.20이다(이 숫자는 원서에 없는 계산).</p><p>반대로 이익 발표처럼 1년에 4번 오는 사건이면 p = 4/250 = 0.016, 반감기 한 분기에서 N* ≈ <strong>428</strong>, IR = 0.04 × √428 ≈ <strong>0.83</strong>이다. 원서 그림 12.3(1년 IC 0.04, 종목 1,000개)이 보여 주는 결론도 같다. <strong>사건이 잦을수록, 예측력이 오래 갈수록 IR이 커지고</strong>, 반감기가 1년쯤 되면 1년에 12번 오는 사건으로 상한(p = 1일 때 0.04 × √1000 ≈ 1.26)의 대부분인 약 1.2에 닿는다.</p><blockquote><strong><em>주의 — 원서 그림 12.3의 두 곡선.</em></strong><em> (12.11)로 다시 계산하면 반감기 1개월·1분기·2분기·1년 곡선은 그림과 잘 맞는다(예: 1년, 12회 → 1.20). 그러나 “1일” 곡선은 반감기 5거래일 값(12회 → 0.52)과, “1주” 곡선은 10거래일 값(12회 → 0.67)과 맞는다. 짧은 두 곡선의 라벨이 한 칸씩 밀린 것으로 보인다(확신도 중간 — 그림 판독 기준).</em></blockquote><h3>11. 함정: 데이터 마이닝 (p.333~338)</h3><p>정보 분석으로 데이터의 가치를 잴 수 있다면, 데이터를 다듬는 데도 쓸 수 있다. 제대로 하면 알곡과 쭉정이를 가르는 것이고, 잘못하면 <strong>데이터 마이닝(data mining)</strong> — 없는 정보를 있다고 믿게 만드는 것 — 이다.</p><p>원서의 비유가 핵심을 찌른다. 뉴저지 복권에 4개월 사이 두 번 당첨된 사람이 있었다. 신문은 확률을 17조 분의 1이라 했지만, 통계학자들은 약 30분의 1로 계산했다. 둘 다 맞다. 17조 분의 1은 <strong>그 사람이</strong> 두 번 당첨될 확률이고, 30분의 1은 매일 복권을 사는 수백만 명 가운데 <strong>누군가가</strong> 두 번 당첨될 확률이다. 1976년 다우지수가 1,000선을 13번 넘나든 것이 1776년의 13개 식민지와 겹친다는 식의 “발견”도 그 뒤에서 뒤져 본 데이터의 양을 세지 않은 결과다. <strong>우연은 좁게 보면 기적이고 넓게 보면 흔하다.</strong></p><p>투자 연구에서도 똑같다. “19번 실패하고 20번째 전략이 t = 2로 통했다”는 좁은 관점이다. 정보가 전혀 없는 전략 20개를 시험하면 적어도 하나에서 |t| &gt; 2가 나올 확률이 1 − 0.9⁵²⁰ = <strong>64%</strong> 다.</p><p>원서가 주는 네 가지 방어선:</p><ol><li><strong>직관</strong> — 백테스트 전에 경제적 이유가 있어야 한다. B/P는 “장부가치를 싸게 사는 종목”이라는 직관이 있다. 흑점, 치마 길이, 슈퍼볼 우승팀은 특정 기간에 맞아 보여도 직관이 없고 실전에서 실패한다. 단, 직관은 필요조건일 뿐 충분조건이 아니다(이미 가격에 반영된 정보일 수 있다).</li><li><strong>절제</strong> — 변형(현재 가격 vs 회계 시점 가격, 섹터별 등)을 시험 전에 미리 정해 둔다. 변형을 거듭할수록 정보는 직관에서 멀어지고 과거 데이터에 끌려간다.</li><li><strong>상식적 성과</strong> — 너무 좋은 결과를 가장 의심한다. 실현 IR이 1을 넘는 경우는 약 10%뿐이다. 공개 정보인 B/P로 미국 시장에서 IR 2가 넘게 나오면 통찰이 아니라 분석 실수의 신호다.</li><li><strong>표본 외 검증</strong> — 1980~1985년으로 다듬은 신호는 1986년에도 통해야 한다. 홀수 달로 다듬었다면 짝수 달에도 통해야 한다.</li></ol><h3>12. 4장부터 따라오는 예제와 잇기</h3><p>4장부터 따라오는 예제는 IC = 0.05, BR = 100, λ_R = 0.10인 운용역이다. 5·6장 공식으로 IR = 0.05 × √100 = <strong>0.5</strong>, 최적 잔차 리스크 ω* = 2.5%, 기대 알파 α* = 1.25%, 부가가치 VA* = 0.625%였다. <strong>12장은 이 숫자 중 어느 것도 바꾸지 않는다. 대신 “IR 0.5와 IC 0.05를 데이터로 확인할 수 있는가”를 묻는다.</strong> 아래는 전부 원서의 식에 예제 숫자를 넣은 원서에 없는 계산이다.</p><p><strong>① 유의성까지 걸리는 시간.</strong> (12.3)을 뒤집으면 t ≈ IR × √연수.</p><pre>관측 기간  t     IR 표준오차  진짜 IR 0.5인데 t &gt; 2가 나올 확률<br>---------  ----  -----------  ---------------------------------<br>5년        1.12  0.45         19%<br>10년       1.58  0.32         34%<br>16년       2.00  0.25         50%</pre><p>5장 기준 “상위 25%”인 진짜 실력(IR 0.5)도 t = 2에 닿으려면 (2 ÷ 0.5)² = <strong>16년</strong>이 걸린다. 5년 백테스트에서 유의하게 나올 확률은 5분의 1이 안 된다.</p><p><strong>② 데이터 마이닝과의 비교.</strong> 정보가 전혀 없는 전략 20개를 5년씩 백테스트해 가장 좋은 것을 고르면, 그 t의 기댓값은 약 1.87(정규분포 20개의 최댓값)이고 IR로는 1.87 ÷ √5 ≈ <strong>0.84</strong>다. <strong>진짜 IR 0.5보다 가짜 최고 성적이 더 좋아 보인다.</strong> 표본 외 검증과 직관이 필요한 이유가 숫자로 드러난다.</p><p><strong>③ 11장의 축소와 같은 숫자.</strong> 11장은 IC를 데이터로 추정하면 t²/(1+t²)만큼 깎으라고 했다. 여기에 (12.3)의 t를 넣으면 10년 관측은 t = 1.58 → 축소 0.71, 5년은 t = 1.12 → 0.56이다. 11장에서 관측치를 “BR × 연수”로 세었을 때의 결과(10년 → 0.71)와 정확히 같다. t = IC × √(BR × 연수) = IR × √연수이기 때문이다. 원서가 두 장을 이렇게 직접 잇지는 않는다(확신도 중간~높음).</p><p><strong>④ 폭을 거꾸로 세기.</strong> 7절의 방법대로 실현 IC 0.05와 IR 0.5를 쟀다면 BR = (0.5 ÷ 0.05)² = 100이다. 이 운용역이 500종목을 분기마다 평가한다면 정보 항목은 2,000개, 그중 독립적인 것이 100개라는 뜻이다. 사건형 신호로 BR 100을 만들려면, 종목 1,000개에 반감기 한 분기짜리 사건이 종목당 1년에 약 <strong>0.6번</strong>(1.7년에 한 번꼴) 와야 한다((12.12)를 N* = 100으로 푼 값, 1년 IC 0.05 가정).</p><h3>용어 대조표</h3><ul><li><strong>정보 분석</strong> <em>(information analysis)</em> — 정보를 포트폴리오로 바꾸고 그 성과를 평가해 정보의 가치를 재는 두 단계 절차. 백테스트보다 앞선다</li><li><strong>예측변수</strong> <em>(predictor)</em> — 알파를 예측하는 데 쓰는 데이터. 신호 + 잡음</li><li><strong>신호 / 잡음</strong> <em>(signal / noise)</em> — 미래 수익과 연결된 부분 / 그것을 가리는 부분</li><li><strong>팩터 포트폴리오</strong> <em>(factor portfolio)</em> — 금액·베타(와 통제변수)를 맞춘 롱·숏 한 쌍으로 신호에만 1단위 노출. 원서 권장 방법</li><li><strong>t 통계량</strong> <em>(t statistic)</em> — 추정 알파 ÷ 표준오차. 2를 넘으면 운일 확률 5% 미만</li><li><strong>정보비율의 표준오차</strong> <em>(standard error of IR)</em> — 약 1/√연수. 5년 0.45</li><li><strong>사건 연구</strong> <em>(event study)</em> — 종목마다 다른 날 터지는 정보를 사건 기준 시간으로 정렬해 분석하는 방법</li><li><strong>조건변수</strong> <em>(conditioning variable)</em> — 사건 당시 기업의 특성(내부 출신 CEO, 레버리지 등)</li><li><strong>감쇠 상수</strong> <em>(decay constant)</em> — 사건 후 하루마다 IC가 남는 비율 γ. 반감기 = log 0.5 / log γ</li><li><strong>유효 폭</strong> <em>(effective breadth (N*))</em> — 사건형 정보가 사실상 새 정보를 주는 종목 수. pN / (1 − (1−p)γ²)</li><li><strong>데이터 마이닝</strong> <em>(data mining)</em> — 많이 시험해서 우연한 패턴을 정보로 착각하는 것</li><li><strong>표본 외 검증</strong> <em>(out-of-sample test)</em> — 다듬는 데 쓰지 않은 기간·표본에서 다시 확인하는 것</li></ul><blockquote><strong><em>주의:</em></strong><em> ① </em><strong><em>정보 분석 ≠ 백테스트</em></strong><em> — 앞의 것은 마찰 없는 신호 가치, 뒤의 것은 회전율·거래비용까지 넣은 운용 가능성. ② </em><strong><em>t 통계량 ≠ 정보비율</em></strong><em> — t는 관측 기간이 길수록 커지지만 IR(부가가치)은 그대로다. ③ </em><strong><em>정보 항목 수 ≠ 폭</em></strong><em> — B/P 예제는 6,000개 항목에 BR 729. ④ </em><strong><em>IC(1) ≠ IC(J)</em></strong><em> — 하루 IC와 1년 IC는 단위가 다르다. 반감기 한 분기면 0.0074 ↔ 0.04. ⑤ </em><strong><em>기호 γ의 세 번째 뜻</em></strong><em> — 12장의 γ는 IC의 </em><strong><em>하루 감쇠 상수</em></strong><em>, 8장의 γ는 오평가의 </em><strong><em>1년 지속 비율</em></strong><em>, 6장의 γ는 </em><strong><em>두 정보원의 상관</em></strong><em>이다. 앞의 둘은 “얼마나 오래 남나”라는 같은 계열이지만 시간 단위가 다르다. ⑥ </em><strong><em>유의하지 않다 ≠ 정보가 없다</em></strong><em> — 진짜 IR 0.5도 5년이면 t 1.12에 그친다.</em></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a8511dbe9672" width="1" height="1" alt=""><hr><p><a href="https://medium.com/inha-qlab/%EA%B7%B8-%EC%8B%A0%ED%98%B8%EC%97%90-%EC%A0%95%EB%A7%90-%EC%A0%95%EB%B3%B4%EA%B0%80-%EC%9E%88%EB%8A%94%EA%B0%80-a8511dbe9672">그 신호에 정말 정보가 있는가</a> was originally published in <a href="https://medium.com/inha-qlab">inha Qlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>