6.6 공통 특성과 노출로 수익 해석하기

6.6 공통 특성과 노출로 수익 해석하기

같은 시점에 자산 A~D의 Characteristic(특성) 점수가 각각 90, 70, 40, 10이라면 어떤 자산을 롱하고 어떤 자산을 숏해야 할까? 특성값을 곧바로 수익률이나 Factor exposure(팩터 노출)라고 부르지 않고, 선택 규칙과 포트폴리오를 거쳐 공통 수익원을 표현해 보자.

A~D 특성값으로 롱·숏 후보를 만든다

이 사례의 Signal(신호)은 “특성 점수가 높을수록 롱, 낮을수록 숏”이라는 규칙이다. 규칙을 적용하면 A가 1위, D가 4위이므로 A를 롱하고 D를 숏한다.

1. 1. Characteristic(특성)

   A 90 · B 70 · C 40 · D 10

   각 자산에서 관측한 값

   →

2. 2. Signal(신호)

   값이 높을수록 롱 후보

   특성값을 선택 규칙으로 변환

   →

3. 3. Ranking(순위)

   A 1위 · B 2위 · C 3위 · D 4위

   같은 시점의 자산을 비교

   →

4. 4. Factor-mimicking portfolio(팩터 모방 포트폴리오)

   A 롱 · D 숏

   상위와 하위 집단의 수익률 차이를 구성

   →

5. 5. Exposure(노출)

   수익률 자료로 별도 추정

   특성값이나 순위와 같은 값이 아님

Factor-mimicking portfolio(팩터 모방 포트폴리오)는 관심 있는 특성의 상위 집단을 롱하고 하위 집단을 숏해 두 집단의 기간수익률 차이를 만든다. A의 점수 90은 A의 수익률 90%도, 완성된 포트폴리오의 노출 90도 아니다.

포트폴리오를 만든 뒤 노출과 프리미엄을 붙인다

완성된 포트폴리오가 여러 기간에 어떤 팩터 수익률과 함께 움직였는지 분석하면 Factor exposure(팩터 노출)를 추정할 수 있다. Factor premium(팩터 프리미엄)은 팩터 한 단위에 대해 가정한 기대 추가수익률이다.

가상 포트폴리오의 시장·규모·가치 노출을 1.0, 0.4, -0.2로 추정하고 기대 프리미엄을 각각 연 6%, 2%, 3%로 가정해 보자.

$$E(R_i-R_f) = \sum_{k=1}^{K}\beta_{i,k}\lambda_k$$

$E(R_i-R_f)$

자산 또는 포트폴리오 $i$의 Expected excess return(기대 초과수익률)

단위: 연간 소수 수익률

$K$

사용한 팩터 수

단위: 개

$\beta_{i,k}$

포트폴리오 $i$의 $k$번째 Factor exposure(팩터 노출)

단위: 무차원

$\lambda_k$

$k$번째 Factor premium(팩터 프리미엄)

단위: 연간 소수 수익률

$$\begin{aligned} 1.0 \times 0.06 &= 0.060=6.0\% \\ 0.4 \times 0.02 &= 0.008=0.8\% \\ (-0.2) \times 0.03 &= -0.006=-0.6\% \\ 0.060+0.008-0.006 &= 0.062=6.2\% \end{aligned}$$

숫자로만 이루어진 위 검산에서 가치 노출의 부호가 음수이므로 양의 가치 프리미엄 가정은 기대 기여도를 0.6% 낮춘다.

살펴볼 단계특성 → 신호 → 순위 → 롱·숏 → 노출노출과 프리미엄 → 기대 기여도

자산	특성 점수	순위	신호 결과	포트폴리오 비중
A	90	1	롱	50%
B	70	2	선택 안 함	-
C	40	3	선택 안 함	-
D	10	4	숏	-50%

롱 A · 숏 D

Gross exposure(총노출)

100%

Net exposure(순노출)

0%

가치 노출

0.50

품질 노출

0.45

시장 Beta 노출

-0.20

특성 점수와 완성된 포트폴리오 노출은 서로 다른 값입니다.

도구의 첫 화면에서는 A~D 순위와 A 롱·D 숏 구성을 확인한다. 그다음 선택 상자에서 기대 기여도 모드로 이동하면 노출을 바꾸며 6.2%가 어떻게 만들어지는지 볼 수 있다.

특성·신호·포트폴리오·노출·프리미엄을 구분한다

프리미엄과 연구용 포트폴리오에는 한계가 있다

• Factor premium(팩터 프리미엄)은 시장 환경, 표본, 국가와 구현 방식에 따라 음수가 되거나 오래 나타나지 않을 수 있다.
• 실제 전략에는 Turnover(회전율), 스프레드, 시장충격, 공매도 비용과 세금이 들어간다.
• 여러 특성을 동시에 중립화하면 단순 순위와 실제 비중이 달라질 수 있다.
• 데이터 공표 시점을 무시하면 Look-ahead bias(미래정보편향)가 생긴다.
• 연구용 팩터의 과거수익률은 비용 후 투자 성과를 보장하지 않는다.

자주 생기는 오해를 바로잡는다

• 기업의 Characteristic(특성) 점수와 포트폴리오의 회귀 Exposure(노출)를 같은 값으로 보지 않는다.
• Signal(신호) 순위가 바로 실제 투자 비중이라고 가정하지 않는다.
• Factor-mimicking portfolio(팩터 모방 포트폴리오)와 Factor premium(팩터 프리미엄)을 같은 값으로 부르지 않는다.
• 과거 평균 프리미엄을 미래의 확정 수익으로 보지 않는다.
• 비용을 반영하지 않은 연구용 팩터를 실제 비용 후 순성과로 해석하지 않는다.

이해 점검

A를 롱하고 D를 숏하는 선택은 어떻게 만들어졌는가?

특성 점수가 높을수록 롱, 낮을수록 숏이라는 신호 규칙으로 A~D를 내림차순 정렬했기 때문에 1위 A가 롱, 4위 D가 숏으로 선택됐다.

특성 점수 90과 Factor exposure(팩터 노출)가 같은 값이 아닌 이유는 무엇인가?

특성 점수는 개별 자산에서 관측한 값이고, 노출은 신호와 비중으로 완성한 포트폴리오 수익률을 팩터 수익률에 연결해 별도로 추정한 민감도이기 때문이다.

시장·규모·가치 기대 기여도의 합이 6.2%가 되는 과정은 무엇인가?

노출과 프리미엄을 각각 곱해 6.0%, 0.8%, -0.6%를 얻고 세 값을 더하면 6.2%다.

연구용 팩터 포트폴리오를 실제 전략 수익률로 바로 사용할 수 없는 이유는 무엇인가?

실제 구현의 회전율, 스프레드, 공매도, 시장충격, 세금, 데이터 시점과 투자 가능 규모가 반영되지 않았을 수 있기 때문이다.

완료 기준과 다음 연결

A~D 특성값에서 신호·순위·A 롱·D 숏 구성을 만들고, 그 결과와 별도로 노출 1.0·0.4·-0.2 및 프리미엄 6%·2%·3%의 기대 기여 합계 6.2%를 계산할 수 있으면 완료다. 다음 6.7에서는 시장·규모·가치 팩터의 구체적인 다기간 회귀 모형을 비교한다.

이 자료의 특성값, 순위, 포트폴리오, 노출과 프리미엄은 개념 구분을 위한 가상값이며 투자 권유나 실제 투자성과를 뜻하지 않는다.