# 유혹의 대명사, 세이렌 이 로고, 우리에게 매우 익숙한 로고다. 그렇다. 바로 길거리에 자주 보이는 스타벅스의 로고이다. 이 스타벅스의 로고 안에는 세이렌이라고 하는 그리스 신화 속의 요괴가 들어가 있다. 오디세이아 저자 호메로스 출판 동서문화사 발매 2016.04.20. 호메로스의 서사시 『오디세이아』는 트로이 전쟁의 영웅 오디세우스가 고향 땅으로 돌아오기 위한 10여 년에 걸친 여정을 풀어내고 있다. 오디세이아는 오디세우스가 트로이 전쟁에서 승리한 후 고향으로 돌아오는 과정에 겪었던 여러 이야기들을 서술하고 있는데, 그중에서도 가장 유명한 이야기는 바로 세이렌과의 조우이다. 본디 세이렌이라고 하는 그리스 신화의 요괴는 달콤한 노래로 뱃사공들의 혼을 빼놓은 뒤 배가 제대로 운항하지 못하도록 난파시켜 뱃사공들을 잡아먹는 괴물들이다. 하지만 그들의 생김새는 아리따운 여성의 모습을 하고 있다. 뱃사공들의 눈과 귀를 홀려 결국은 그들을 파멸에 이르게 하는 존재들인 것이다. 오디세우스는 이러한 세이렌의 유혹을 익히 들어 알고 있었지만, 고향 땅으로 돌아가기 위해서는 세이렌이 있는 해협을 어쨌거나 지나가야만 했다. 그는 세이렌의 유혹으로부터 이겨내기 위해 노를 젓는 자신의 부하들에게는 밀랍으로 귀를 막게 하였고, 그들로 하여금 자신의 몸은 밧줄로 돛대에 꽁꽁 묶게 했다. 오디세우스는 부하들의 귀를 틀어막았으면서도 그 혼자만 밀랍으로 귀를 ...
# OECD 경기선행지표란? OECD 경기선행지표란 말 그대로 OECD에서 작성하는 경기판단을 위한 지수이다. 이 지표는 현재 기준으로 총 39개 국가에 대해 산출하고 있으며, 평균 주당 노동 시간, 신규 수주, 소비자 예상, 주택 허가 건수, 주가, 금리 스프레드 등과 같이 일반적으로 경기의 움직임보다 앞서 움직이는 선행지표들을 조합하여 전체 경제의 강건함을 측정하고 있다. OECD 경기선행지표는 한 달에 한 번씩 발표가 된다. OECD 경기선행지표는 당연히 OECD 홈페이지에서 다운로드가 가능하다. 전 세계 국가들의 OECD 경기선행지표 추이 # 확산 지수 확산 지수(Diffusion Index)는 전 세계 국가들의 경기가 얼마나 동조화되어 상승하고 있는가를 측정하기 위한 지표이다. 확산 지수를 계산하는 방법은 매우 간단하다. 전 세계 국가들 중에서 저번 달에 비해 경기선행지표가 상승한 국가들의 비중이 얼마나 되는지를 계산하기만 하면 된다. 가령, 이번 주에 발표된 5월 경기선행지표 데이터를 보았을 때 만약 38개 국가들 중에서 OECD 경기선행지표가 지난달에 비해 개선된 국가가 19개 국가였다면 확산 지수를 0.5가 되는 식이다. 이 확산 지수는 글로벌 경제의 온도를 측정할 수 있는 가늠자 역할을 한다. 확산 지수는 0부터 1까지의 값을 가지게 되며, 만약 이 값이 1이라면 모든 국가들의 경기가 개선되고 있다는 것을 의미하며, ...
# 독립성분분석 퀀트 팩터 모델링 프레임워크 이해하기 #6. # 주성분분석주성분분석(PCA; Principal Component Analysis)은 앞서 다루었던 요인 분석의 특수한 ... blog.naver.com 주성분분석이라는 기법은 통계적 팩터를 추출할 때 팩터들 간의 상관관계가 존재하지 않는, 즉 직교하는 팩터들을 만들어냈었다. 이는 팩터들 간의 상관관계가 고려되지 않은 거시경제적 팩터들보다는 더 나은 성질을 가지고 있다고 볼 수 있다. 하지만 사실 이것만으로는 여전히 충분치 않다. 왜냐하면 실제로 상관관계를 가지고 있지 않은 두 팩터들이 여전히 독립적이지 않을 수 있기 때문이다. 이는 2차 통계량인 상관계수가 0이라고 해서 고차 통계량들 또한 0이라고 말할 수 있는 것은 아니라는 사실에 기인한다. 특히나 만약 어떤 최종적 팩터 모델이 헤징을 목적으로 만들어진 것이라면, 이렇게 숨어있는 종속성은 향후 테일 리스크의 관점에서 문제가 될 수 있다. 독립성분분석(ICA; Independent Component Analysis)은 수익률 데이터를 설명할 수 있는 독립적 팩터들을 찾는 기법이다. ICA는 PCA 기법에서는 다소 약했던 직교성이라는 성질을 보다 강화한다. 이를 위해 ICA에서는 데이터의 비정규성(Non-Gaussianity)에 주목하고 있으며, 팩터들 간의 결합 분포 내에 존재하는 특정한 비정규성 수치를 최적화하는 방향...
# 자네, 코인 좀 하나? 퀀트 트레이더가 되고 싶은데, 실제로 연습해 볼 공간이 필요하다고? 자, 여기 이런 사람들을 위한 최적의 실험실이 있다. 어디냐고? 그곳은 바로 코인판이다. 맞다, 바로 그 비트코인 시장이다. '아니, 그 위험하다고 소문이 자자한 코인판?' '주식도 아니고 왜 하필 코인이냐?' '미친 거 아니냐?' '퀀트대디 이 XX 이거 이제 블로그 소재 고갈되니까 스리슬쩍 코인 탑승하려고 하는 거 아냐?' 이런 생각을 한다면, 충분히 이해한다. 당연히 그렇게 생각할 수 있다. 각자가 가지고 있는 비트코인에 대한 편향들이 있음은 어쩔 수가 없기 때문이다. 하지만 여기서 말하고자 하는 것은 비트코인의 미래나 전망도 아닐뿐더러 비트코인에 대한 묻지마식 투기를 부추기고자 하는 것도 아니다. 다만, 퀀트 트레이딩 혹은 알고리즘 트레이딩 전략을 연구하고 공부하며 또 그것을 실전에 적용시켜 실질적인 경험을 쌓고자 하는 관점에서 비트코인 시장이 왜 매력적인 시장인지를 조망해보고자 하는 것이다. 왜 금융시장에 존재하는 수많은 자산들 중에서 하필 코인일까? 여기서는 퀀트 커리어를 지향하고자 하는 사람들 혹은 퀀트 전략으로 개인적인 재테크를 하고자 하는 사람들에게 왜 코인시장이 여러 가지 시도들을 해볼 수 있는 최적의 연습장소이자 실험실인지를 이야기해보고자 한다. # 코인판이 퀀트 워너비를 위한 최적의 훈련 장소인 이유 1) 소액으로도 매...
# 주성분분석 퀀트 팩터 모델 프레임워크 이해하기 #5. # 연역론적 팩터 모델링의 한계와 통계적 팩터 모델우리는 지금까지 관찰 가능 팩터와 팩터 복제 포트폴리... blog.naver.com 주성분분석(PCA; Principal Component Analysis)은 앞서 다루었던 요인 분석의 특수한 케이스이다. PCA에서 팩터들은 자산 간의 공분산 행렬에 대한 고유벡터 분해로 인해 내생적으로 결정된다는 점에서 전통적인 요인 분석과는 완전히 다른 양상을 보여준다. PCA는 근본적으로 상관계수 행렬을 가장 잘 설명할 수 있는 벡터공간에서의 기저(Basis)를 찾는다. PCA에서 팩터들은 여러 가지 변수들의 선형적 결합이다. 다시 말해, 이러한 팩터들은 변수들의 결과이다. 이는 팩터가 변수의 원인이라는 요인 분석의 생각과는 완전히 반대의 생각을 가지고 있다. 아래의 그림은 PCA의 경로 분석을 직관적으로 보여주고 있는데, 요인 분석과는 다르게 화살표가 수익률에서 팩터로 향하는 것을 볼 수 있다. PCA의 경로분석 팩터들은 선형대수학을 통해 직접적으로 얻어지기 때문에, PCA에서는 전통적인 요인 분석과 다르게 팩터의 특정 구조를 선택하거나 가정할 필요가 없다. 또한, 요인 분석에서는 전체 분산이 공통부분과 고유 부분으로 나누어지는 반면, PCA는 자산들의 전체 분산을 설명한다. PCA로부터 추출된 팩터들은 기본적으로 서로 직교성을 지니고 ...
# 연역론적 팩터 모델링의 한계와 통계적 팩터 모델 퀀트 팩터 모델 프레임워크 이해하기 #4. # 팩터의 횡단면 분석지금까지 우리가 다루었던 방법론들은 모두 우리가 팩터를 이미 안다는 가정하에 시계... blog.naver.com 우리는 지금까지 관찰 가능 팩터와 팩터 복제 포트폴리오, 그리고 횡단면 회귀 분석이라는 세 가지 팩터 모델링 기법을 살펴보았다. 이 세 가지 모델링 기법들은 모두 연역론적 팩터 모델로써 외생적으로 팩터를 정의한다. 즉, 데이터 분석을 하기에 앞서 이 팩터가 어떤 팩터이고 어떻게 정의된 것인지 우리는 미리 알고 분석을 진행하는 것이다. 이러한 연역론적 모델링의 장점은 팩터의 해석이 매우 직관적이고 쉽다는 것이다. 이러한 장점 덕분에 연역론적 모델링은 많은 투자자들에게 널리 사용되고 있다. 하지만 이것은 동시에 한계를 가지고 있다. 우선, 팩터의 선택 자체가 매우 주관적일 수밖에 없다. 또한 팩터들 간의 독립성이 보장되지 않는다. 즉, 상관성이 높은 팩터들이 존재한다면 여기서 다중공선성의 오류가 발생하게 되는 것이다. 팩터 포트폴리오 내에서 다중공선성이 존재하게 되면 이는 테일 리스크에 매우 취약한 포트폴리오가 된다. 따라서 이러한 연역론적 모델링의 한계점을 보완하고자 순전히 통계적 기법에 기반한 귀납론적 모델링이 등장하게 되었다. 통계적 팩터 모델이라고도 불리는 이러한 방법론은 시장에서 관찰할 수 있는 객관적...
제프리 라이언(Jeffrey Ryan)은 금융공학 분야에서 20년 이상의 경력을 쌓았고, 세계적인 헤지펀드인 시타델(Citadel)에서만 7년의 커리어를 가지고 있는 베테랑 중의 베테랑이다. R이라는 프로그래밍 언어를 사용해봤다면 알 수도 있는 quantmod라는 패키지 또한 이 사람의 손에서 탄생하였다. quantmod: Quantitative Financial Modelling Framework Specify, build, trade, and analyse quantitative financial trading strategies. cran.r-project.org 20년이라는 세월은 커리어 관점에서 꽤 긴 시간이다. 그는 지금까지 수많은 퀀트들을 만나고 또 인터뷰해왔다. 만약 퀀트로써 성공하기 위해 무엇이 필요한가를 답해줄 수 있는 어떤 이가 있냐고 묻는다면, 아마 라이언이 그런 사람들 중에서도 가장 적임자이지 않을까. 그런데 그가 만약 퀀트가 되기 위해서는 사실 석박사가 필요 없다고 말한다면 믿겨지겠는가? 실제로 그는 퀀트가 되기 위해서는 석박사가 필수적이지는 않다고 말한다. 자신과 같이 일했던 최고의 사람들 중 몇몇은 오직 학사 학위밖에 없으며, 퀀트 커리어에서 중요한 것은 석박사 학위가 있는 것이 아니라 문제해결능력 및 어떤 문제던지 내가 다 씹어먹겠다 하는 공격성, 즉 어그레시브함(Aggressive)이라고. (어쩌면 오...
# 다가올 금융 머신러닝 혁명 향후 빅데이터와 머신러닝 혁명은 투자 업계의 지평을 송두리째 바꾸게 될 것이다. 점점 더 많은 투자자들이 빅데이터를 도입함에 따라, 금융시장은 지금보다 더 빠른 속도로 반응하고 있으며, 나아가 심지어는 기존의 전통적인 데이터를 예측하는 수준에까지 이르게 될 것이다. 이러한 변화의 흐름은 퀀트들 그리고 새로운 데이터와 새로운 분석 기법을 받아들이고자 하는 사람들에게 엄청난 엣지를 선사할 것임은 명약관화하다. 만약 이를 배우고 진화하길 거부한다면 조만간 쓸쓸히 형장의 이슬처럼 사라지게 될 것이다. 이는 1000일째 주어지는 모이를 실컷 먹다가 천하루날 목이 날라가는 칠면조의 운명과도 같다. 19세기 개항을 거부하고 쇄국정책을 펼쳤던 조선의 말로는 어떠했는가. 역사는 반복된다. 19세기 강화도 앞바다에 등장한 흑선(黑船)은 이후 조선의 명운을 송두리째 바꾸었다. 이지성 작가는 그의 저서 『에이트』에서 인공지능을 21세기의 새로운 흑선에 비유하고 있다. 현재의 신문물은 바로 빅데이터와 인공지능이다. 이러한 신문물을 받아들일 것인가의 여부에 따라 앞으로의 커리어 전망과 방향은 확연히 차이를 보이게 될 것이다. 에이트 저자 이지성 출판 차이정원 발매 2019.10.21. 이제는 시간문제일 뿐이지만 결국엔 리서치 애널리스트와 포트폴리오 매니저, 트레이더, 그리고 CIO 등 금융권의 모든 의사결정자들은 빅데이터와 머신...
# 팩터의 횡단면 분석 퀀트 팩터 모델 프레임워크 이해하기 #3. # 관찰 가능 팩터를 넘어가장 초창기의 팩터 모델링은 바로 시장에서 직접적인 관찰이 가능한 변수들을 팩... blog.naver.com 지금까지 우리가 다루었던 방법론들은 모두 우리가 팩터를 이미 안다는 가정하에 시계열 회귀를 통해 팩터 익스포져를 추정하는 방식이었다. 여기서는 이 문제를 살짝 비틀어 횡단면적인 관점에서 팩터 익스포져가 먼저 주어지고 이를 통해 팩터의 수익률을 추정하는 방법에 대해서 다루고자 한다. 일반적인 방법론은 여러 개의 팩터들이 하나의 수익률에 어떻게 영향을 미치는가에 관심이 있었다. 하지만 이와는 다르게 팩터의 횡단면 분석은 관점을 살짝 틀어 특정 시점에 어떤 하나의 팩터가 수많은 자산들의 수익률에 어떤 영향을 미치는지를 찾고자 한다. 이를 위해서는 각각의 시점에서 모든 자산들 혹은 전략들의 수익률과 이에 대한 팩터 익스포져 값들이 주어져야 하고, 이를 통해 팩터의 수익률을 추정해낸다. 팩터 익스포져 값들이 부여되기 위해서는 각각의 자산들에 대해 고유한 특징을 지니고 있는 데이터들이 필요하다. 대표적인 예시로 만약 주식 영역에서의 팩터 분석을 한다고 하면, 각 주식에 대한 기업 고유의 특징을 지니는 데이터들이 필요하며, 이러한 데이터들은 아래와 같은 범주로 나누어볼 수 있다. - 펀더멘털 데이터(Fundamental Data) : PBR, PE...
# 관찰 가능 팩터를 넘어 퀀트 팩터 모델 프레임워크 이해하기 #2. # 모델링의 두 가지 방향 : 연역론 vs. 귀납론1편에 이어, 팩터 모델 프레임워크를 전체적으로 조망하기 위... blog.naver.com 가장 초창기의 팩터 모델링은 바로 시장에서 직접적인 관찰이 가능한 변수들을 팩터들로 보는 방법이었다. 금리나 물가, GDP 같은 매크로 지표들이 이러한 팩터들의 대표적인 예시였으며, 가장 쉽게 관찰되는 팩터였다. 그런데, 시간이 지나면서 사람들은 이러한 외생변수를 직접적으로 팩터로 놓기보다는, 어떤 팩터를 복제하는 포트폴리오를 통해 이러한 외생변수 뒤에 숨어있는 실질적인 팩터들을 찾고자 했다. 이른바 팩터 복제 포트폴리오(Factor-Mimicking Portfolio)이다. # 파마-프렌치 3 팩터 모델 이러한 방법론의 시초는 바로 그 유명한 유진 파마(Eugene Fama)와 케네스 프렌치(Kenneth French)였다. 파마와 프렌치는 1993년, 그들의 전설적인 논문을 통해 파마-프렌치 3 팩터 모델(Fama-French 3-Factor Model)을 들고 나왔다. 그들은 윌리엄 샤프가 주장했던 전통적인 마켓 팩터인 베타 이외에도, 추가적인 두 가지 팩터를 제시했는데, 그것은 바로 HML(High Minus Low) 팩터와 SMB(Small Minus Big) 팩터였다. 이들 각각은 우리가 현재 밸류 팩터(Value...
# 모델링의 두 가지 방향 : 연역론 vs. 귀납론 퀀트 팩터 모델 프레임워크 이해하기 #1. # 맹인모상(盲人模象), 장님 코끼리 만지듯직접 투자에 대한 관심이 그 어느 때보다 높다. 이제 투자자들은... blog.naver.com 1편에 이어, 팩터 모델 프레임워크를 전체적으로 조망하기 위해서는 우선 각각의 모델들이 어떤 관점에서 모델링에 접근하고 있는가를 먼저 이해할 필요가 있다. 결론부터 말하자면, 시장에 존재하는 여러 가지 방법론들은 크게 두 가지 관점으로 분류할 수 있다. 하나는 바로 탑다운(Top-Down) 방식의 연역론적(Deductive) 모델이며, 다른 하나는 반대로 바텀업(Bottom-Up) 방식의 귀납론적(Inductive) 모델이다. 각각의 방식은 대륙의 합리론과 영국의 경험론으로 자연스럽게 대유 된다. 각각을 보다 구체적으로 살펴보자면, 우선 탑다운 방식의 연역론적 모델은 어떠한 경험적 증거 없이 추상적인 이론이나 가설을 먼저 설정하는 방법론을 의미한다. 우리가 일반적으로 알고 있는 대부분의 팩터 모델링이 바로 이러한 연역론적 방식을 따르고 있다. 예를 들어, 우리는 밸류(Value)나 모멘텀(Momentum), 캐리(Carry) 같은 이론적 메커니즘을 먼저 세우고 난 뒤에 그것을 검증한다. 다시 말해, 합리적인 논리 전개 과정을 통해 아이디어를 먼저 구상해보는 것이다. 반대로 바텀업 방식의 귀납론적 모델은 ...
0. 포트폴리오 최적화 기법 : 종적 리스크 모델의 시작 1. 종적 리스크 모델을 위한 이론적 기반 2. 변동성 타겟팅 (Volatility Targeting) 3. CPPI (Constant Proportional Portfolio Insurance) 4. OBPI (Option-based Portfolio Insurance) 5. 종적 리스크 모델 시리즈를 정리하며
# 종적 리스크 모델 Summary 횡적 리스크 모델이 팩터들간의 가중치를 분배하는 문제를 해결하고자 했다면, 종적 리스크 모델은 최종적으로 이렇게 만들어진 팩터 포트폴리오와 현금성 무위험자산 간의 가중치를 분배하는 문제를 해결하기 위해 존재한다. 결국 이것은 팩터 포트폴리오에 전체 자본 중 얼마만큼을 투입할 것인가하는 최적 베팅 비율의 문제이다. 아래의 표는 일반적인 종적 리스크 모델들과 그것의 목적을 정리해주고 있다. 각각의 모델들은 저마다의 목적이 있으며, 투자자는 포트폴리오의 운용 방향에 따라 적절한 리스크 모델을 선택한다. 또한 여기서는 어떤 종적 리스크 모델을 선택하여야 하는가에 대한 하나의 의사결정 과정 예시를 제시하였다. 아래의 다이어그램은 이러한 과정을 직관적으로 보여준다. 투자자는 수익률에 대한 뷰와 구체적인 요구 조건 등을 고려하여 목적적합한 리스크 모델을 선택하게 된다.
# 옵션 기반의 포트폴리오 보험 전략 640조 달러 이상의 크기를 가지고 있는 옵션 시장의 규모를 고려해본다면, 옵션 시장은 명실상부 가장 인기 있는 포트폴리오 위험 관리 도구일 것이다. 옵션 시장은 거래소와 장외시장으로 구별된다. 거래소 시장에는 다양한 개별 주식 및 벤치마크 지수를 기초자산으로 하고 있는 정형화된 옵션들이 상장되어 있으며, 장외시장에서는 거래주체들이 직접적으로 커스터마이징된 상품과 조건에 따라 거래를 하고 있다. 포트폴리오 위험 관리를 위한 가장 단순한 옵션 전략은 바로 풋옵션을 매수하는 것이다. 포트폴리오와 풋옵션을 동시에 보유하게 되면 이것의 페이오프는 콜옵션 매수 및 무위험자산 보유와 같아진다. 이러한 보호적 풋(Protective Put) 전략은 CPPI 및 손절과 같은 목표를 추구하지만, 리밸런싱이 필요 없고 갭 리스크로부터 자유롭다. 또한 추가적으로 보호적 풋 전략은 롱 감마(Long Gamma)와 롱 베가(Long Vega) 익스포져를 가져감으로써 변동성 상승에 따른 추가적인 성과를 향유할 수도 있다. 이러한 옵션 매수의 한 가지 단점은 바로 비용이다. 옵션을 매수하기 위해서는 당연히 옵션 프리미엄을 지급해야 하는데, 만약 예상한 것보다 시장이 안정적인 모습을 보인다면 비용만을 내고 계약이 종료된다. 이처럼 단순히 옵션을 매수하는 것은 비싸기 때문에, 투자자들은 종종 풋 스프레드 전략이나 칼라 전략 같...
# CPPI CPPI(Constant Proportional Portfolio Insurance)는 포트폴리오의 가치가 미리 정한 하단선 아래로 빠지지 않도록 설계된 종적 리스크 모델이다. CPPI는 포트폴리오의 성과가 좋을 때는 포지션을 늘리고, 반대로 성과가 부진할 때는 익스포져를 줄임으로써 모델의 목표를 달성한다. 만약 포트폴리오의 가치가 미리 정한 하단선에 도달하게 되면, 이 전략은 무위험자산에 100% 가중치를 할당하여 투자원금을 보호하고자 한다. CPPI 전략은 포트폴리오 가치(P)와 하단 기준선(B)의 차이인 쿠션(Cushion), 그리고 레버리지 승수(Multiplier)에 의해 정의된다. 위험 자산에 대한 얼마를 투자할지는 바로 이 쿠션과 승수의 곱(M X C)에 의해 결정된다. 예를 들어, 포트폴리오의 가치가 100, 하단 기준선이 80, 승수가 4인 상황이라면 위험자산에 대한 초기 가중치는 4 X (100 - 80) = 80이 되며, 무위험자산에는 20을 투자하게 된다. 만약 포트폴리오 가치가 104로 상승하게 되면, CPPI는 위험자산에 보다 높은 가중치를 주게 되고 이때의 위험자산 투자금액은 4 X (104 - 80) = 96이 된다. 반대로 포트폴리오의 가치가 하단 기준선에 도달하게 되면 당연히 쿠션은 0이 되고, 이때 모델은 무위험자산에 100% 투자할 것을 지시한다. 아래의 그림은 CPPI 전략 경로에 대...
# 내가 원하는 변동성 레벨은 이 정도야, 변동성 타겟팅 변동성 타겟팅(Volatility Targeting)은 전체 포트폴리오의 변동성을 일정 레벨로 유지하고자 사용하는 종적 리스크 모델이다. 변동성 타겟팅은 예상되는 실현 변동성에 반비례하여 위험 자산에 가중치를 할당함으로써 특정 변동성 레벨을 유지할 수 있다. 변동성 타겟팅은 포트폴리오 위험을 효과적으로 제어할 뿐만 아니라 때때로 위험 조정 수익률 관점에서 롱온리 포트폴리오보다 더 나은 성과를 보여주기도 한다. 그 이유는 위험 자산의 성과와 변동성은 일반적으로 음의 상관관계를 지니고 있기 때문이다. 변동성 타겟팅은 변동성이 죽어있는 시장 상황에서는 레버리지를 일으키는 반면, 변동성이 커지는 구간에서는 포지션을 줄이도록 설계되어 있다. 이처럼 변동성이 높은 시기에 디레버리징을 하는 것은 테일 리스크를 줄이는데 효과적이다. 실제로 2008년 글로벌 금융위기 당시에도 이러한 변동성 타겟팅은 보다 나은 성과를 보여주었었다. 아래의 차트는 S&P 500 지수를 대상으로 한 15% 변동성 타겟의 성과를 보여주고 있다. 여기서의 목표 변동성은 15%이며, 거래비용은 5bp로 가정하였고, 월별 리밸런싱을 진행했다. 변동성 타겟팅 전략의 성과는 결국 자산 변동성에 대한 예측을 얼마나 잘 하는가에 따라 크게 좌우된다. 많은 투자자들은 역사적 변동성이 미래 실현 변동성에 대한 좋은 예측 지표라고 가...
변동성 타겟팅과 CPPI를 포함한 대부분의 종적 리스크 모델들은 사실 위험자산(팩터 모델)과 무위험자산(현금 혹은 현금성 자산)간의 가중치를 시간이 흐름에 따라 동적으로 어떻게 배분할 것인가에 대한 문제를 풀기 위함이다. 간단히 말해, 이것은 최적 베팅 사이즈(Optimal Bet Sizing)를 결정하는 문제인 것이다. 여기서는 금융공학의 기반인 확률미적분(Stochastic Calculus)의 개념을 활용해 과연 최적 베팅 사이즈의 문제를 어떻게 풀 수 있는가에 대해 이론적 전개를 해볼 것이다. 이러한 이론적 접근은 각각의 리스크 모델이 문제를 어떻게 풀어내고 있는가에 대한 수학적 토대를 제공한다. 우선, 두 가지 종류의 자산이 존재한다고 가정한다. 바로 위험자산(S)과 무위험자산(B)이다. 금융공학에서는 이 두 가지 자산의 다이나믹스를 연속적 시간 프레임 하에서 다음과 같이 나타내고 있다. 여기서 μ와 σ는 각각 위험자산의 기대수익률과 변동성을 나타내며, 이 위험자산은 W라는 무작위적 변수인 위너 프로세스를 내포하고 있다. r은 무위험 수익률을 의미한다. (기초자산 모델링 프레임워크 시리즈에서는 이를 보다 자세히 다루고 있다.) 위험자산과 무위험자산의 해를 구하면 다음과 같다. 종적 리스크 모델의 문제는 결국 매 시점에서 이 두 자산 간의 가중치 배분을 결정하는 문제이다. 만약 위험자산에 대한 가중치를 wt, 무위험자산에 대한 ...
# 맹인모상(盲人模象), 장님 코끼리 만지듯 직접 투자에 대한 관심이 그 어느 때보다 높다. 이제 투자자들은 펀드에 돈을 맡긴 채 나 몰라라 하는 대신 스스로 공부하고 분석하여 투자에 대한 의사결정을 내리고 있다. 이렇게 스마트해지고 있는 투자자들은 퀀트투자에도 점점 더 많은 관심을 가지고 있는 것이 사실이다. 다른 외부 요인에 휘둘리지 않고 원칙이 있는 투자를 할 수 있다는 퀀트투자의 장점이 스마트한 투자자의 이목을 끌고 있는 것으로 사료된다. 이러한 수요에 부응하여 이제는 책과 유튜브, 블로그 등과 같은 다양한 플랫폼 상에서 퀀트 혹은 퀀트 투자라는 단어를 심심치 않게 접할 수 있는 시대가 되었다. 한 가지 아쉬운 점은 대부분의 컨텐츠들이 숲 전체를 전체적으로 조망하기보다는 나무만을 패고 있다는 점이다. 다시 말해, 한두 가지 개별 전략이나 팩터에 매몰되어 큰 그림을 보지 못하고 있는 것이다. 실제로 퀀트 투자에 관심 있는 대부분의 개인 투자자들은 사실 PER, PBR 같은 개별 지표들을 기준으로 순위를 매겨 투자하는 것이 퀀트투자의 전부인 것으로 알고 있는 경우가 허다하다. 그도 그럴 것이 사실 퀀트투자의 영역이란 본래 기본적 분석과 기술적 분석 같은 전통적 영역의 투자가 아니었을뿐더러, 학계와 달리 돈 버는 것이 가장 중요한 곳인 이 바닥에서 퀀트들은 자신의 지식 체계를 굳이 널리 알릴 필요가 없었기 때문이다. 그렇기 때문에 ...
# 팩터 포트폴리오 프로세스 Review 퀀트 투자 : 리스크 팩터에서 포트폴리오까지 # 전통적 알파-베타 프레임워크 분해하기전통적으로 투자자들은 시장 '베타(Beta)'와 '알... blog.naver.com 팩터 포트폴리오 프로세스는 포트폴리오의 목표를 설정하고 그에 맞는 팩터 유니버스를 구성한 뒤, 선택한 팩터들의 가중치를 어떻게 결정하여 포트폴리오를 구성할 것인가를 결정하는 일련의 체계적인 의사결정 시스템이다. 팩터 유니버스가 구성되었다면, 결국 멀티팩터 포트폴리오의 최종 관문은 이러한 팩터들을 어떻게 포트폴리오로 만들것인가이며, 이것이 바로 우리가 지금까지 다루었던 횡적 리스크 모델(Cross-Sectional Risk Models)이다. 횡적 리스크 모델은 팩터의 성과, 변동성, 상관계수의 구조가 계속해서 변화함에 따라 주기적으로 재조정된다. 바로 횡적 리스크 모델의 리밸런싱이다. 이 리스크 모델은 팩터들 간의 가중치를 어떻게 결정할 것인가에 대한 문제를 다루며, 이것은 효율적 경계선 내에서 어떤 포트폴리오 모델을 선택하는 것이 투자자의 목적에 적합한가를 보여준다. # 종적 리스크 모델 하지만 횡적 리스크 모델이 끝났다고 해서, 팩터 포트폴리오가 완성된 것은 아니다. 왜냐하면 횡적 리스크 모델을 통해 팩터 모델의 가중치가 결정되었다 하더라도, 우리가 결국 운용하고자 하는 것은 무위험자산(Risk-Free Asset)이 포함...
0. 포트폴리오 최적화를 위한 수학 도구상자 1. 포트폴리오 최적화 기법 : 횡적 리스크 모델의 시작 2. 평균-분산 최적화 (MVO; Mean-Variance Optimization) 3. 글로벌 최소 분산 (GMV; Global Minimum Variance) 4. 최대 분산 포트폴리오 (MDP; Most-Diversified Portfolio) 5. 리스크 버짓팅 (RB; Risk Budgeting) 6. 리스크 패리티 (RP; Risk Parity) 7. 동등 한계 변동성 (EMV; Equal Marginal Volatility) 8. 블랙-리터만 (BL; Black-Litterman) 9. 횡적 리스크 모델 시리즈를 정리하며 (1) 10. 횡적 리스크 모델 시리즈를 정리하며 (2)