8.9 공통 특성으로 종목을 묶는 방법

8.9 공통 특성으로 종목을 묶는 방법

같은 날짜 A~D의 연습용 가상 특성값을 서로 비교할 수 있는 점수와 순위로 바꾸고, 롱·숏 비중을 정한 뒤 의도하지 않은 시장 민감도와 별도 품질 특성이 남는지 확인하는 것이 목표다.

실제 팩터와 연습용 값을 구분한다

“이 값은 무엇을 측정하며, 그 날짜에 실제로 알 수 있었는가?” 실제 Factor(팩터) 연구에서는 팩터 이름만 보고 계산을 시작하지 말고 이 질문부터 답해야 한다. Factor definition(팩터 정의)은 무엇을 어떤 시점 규칙으로 측정하는지 정한다.

이 페이지는 특정 수익률이나 재무지표를 팩터로 정하지 않는다. 대신 표준화부터 포트폴리오 구성까지의 흐름을 연습하기 위해 A~D에 각각 0.8, 0.6, 0.4, 0.2라는 가상 특성값을 부여한다. 이 숫자는 실제 종목을 평가해 얻은 값이 아니며 단위도 없다. 시점 원칙을 함께 연습하기 위해 이미 공표 지연을 반영해 같은 날짜에 사용할 수 있다고 가정한다. 실제 팩터 정의와 특성값의 관계는 6.6 공통 특성과 노출로 수익 해석하기에서 복습할 수 있다.

노출은 포트폴리오가 무엇에 얼마나 기울었는지 나타낸다

Exposure(노출)는 포트폴리오 비중을 정한 뒤, 특정 방향이나 특성의 영향을 얼마나 받도록 구성되었는지 나타내는 값이다. 여기서 노출은 막연히 “위험한 상태”라는 뜻이 아니라 포트폴리오에 남은 방향과 특성을 숫자로 측정한 결과다. 자산 하나의 특성값을 말하는 것도 아니며 미래 수익률이나 예상 손실을 직접 뜻하지도 않는다.

• Net exposure(순노출)는 롱 비중을 양수, 숏 비중을 음수로 두고 합한 전체 방향이다. 0이면 롱과 숏 금액이 서로 상쇄되지만 다른 특성까지 모두 상쇄됐다는 뜻은 아니다.
• Gross exposure(총노출)는 롱과 숏의 부호를 무시하고 비중의 크기를 모두 더한 전체 포지션 규모다. 100%라면 원금 대비 포지션 크기의 합이 100%라는 뜻이다.
• Beta exposure(Beta 노출)는 각 자산의 비중과 Beta(시장 민감도)를 곱해 더한 값이다. 시장 움직임에 대한 포트폴리오의 민감도가 어느 방향으로 얼마나 남았는지 나타낸다.
• Quality exposure(품질 노출)는 각 자산의 비중과 품질 특성값을 곱해 더한 값이다. 양수면 포트폴리오가 양의 품질 특성 쪽으로, 음수면 음의 품질 특성 쪽으로 기울어졌다는 뜻이다.

예를 들어 품질 노출 0.45는 수익률 45%를 뜻하지 않는다. 가상 품질 특성의 영향을 나타내는 단위 없는 값이 0.45만큼 남았다는 뜻이다.

Quality characteristic(품질 특성)은 기업의 수익성이나 재무 건전성처럼 목표 팩터와 별도로 가진 특성을 뜻한다. 이 페이지의 품질 값은 실제 기업을 평가해 계산한 결과가 아니라 다른 특성이 남을 수 있음을 보여 주기 위해 미리 준 교육용 값이다. Beta(시장 민감도)는 시장이 움직일 때 자산이 평균적으로 얼마나 함께 움직였는지 나타내며 6.3 시장 수익률에 대한 민감도에서 복습할 수 있다. 포트폴리오 비중을 정한 뒤 이 두 값을 비중과 함께 계산하면 목표하지 않았던 Beta 노출과 품질 노출이 얼마나 남았는지 확인할 수 있다.

표의 네 가상 특성값은 같은 날짜에 사용할 수 있다고 가정한 연습용 입력이다. Beta와 품질 특성값은 이 값으로 종목을 고른 뒤에도 다른 특성이 남는지 확인할 별도 입력이다.

가상 특성값을 같은 척도의 점수로 바꾼다

같은 날짜의 A~D를 Standardization universe(표준화 유니버스), 즉 서로 비교할 종목 집단으로 고정한다. 먼저 Sample mean(표본평균)과 Sample standard deviation(표본표준편차)을 계산한 뒤, 5.5 평균에서 표준편차 몇 배 떨어졌는지에서 배운 Z-score(표준점수)를 여기서는 팩터 표준화 점수로 사용한다.

$$\begin{aligned} \bar{x}&=\frac{0.8+0.6+0.4+0.2}{4}=0.5,\\ s_x&=\sqrt{\frac{(0.8-0.5)^2+(0.6-0.5)^2+(0.4-0.5)^2+(0.2-0.5)^2}{4-1}} \approx0.258199,\\ z_A&=\frac{0.8-0.5}{0.258199}\approx1.161895,\\ z_B&=\frac{0.6-0.5}{0.258199}\approx0.387298,\\ z_C&=\frac{0.4-0.5}{0.258199}\approx-0.387298,\\ z_D&=\frac{0.2-0.5}{0.258199}\approx-1.161895. \end{aligned}$$

$\bar{x}$

같은 날짜 A~D 가상 특성값의 Sample mean(표본평균)

단위: 없음(연습용 수치)

$s_x$

같은 날짜 A~D 가상 특성값의 Sample standard deviation(표본표준편차)

단위: 없음(연습용 수치)

$z_i$

자산 $i$의 Z-score(표준점수). 이 페이지에서는 팩터 표준화 점수로 사용하며 $i$는 A~D를 뜻한다.

단위: 없음

점수를 큰 순서로 정렬하면 A 1위, B 2위, C 3위, D 4위다. 동률이면 종목 코드를 오름차순으로 정렬한다. Standardization(표준화)은 각 값을 평균과 표준편차 기준의 공통 척도로 바꾸지만, 실제 연구에서 특성값의 경제적 의미나 정보 시점 오류를 고쳐 주지는 않는다.

순위에서 비중으로, 비중에서 노출로 이동한다

“가상 특성값이 높은 종목을 롱”으로 두는 방향 규칙과 양쪽 한 종목 선택을 결과 전에 고정하면 A는 +0.5, D는 -0.5다. 완성된 비중에 A와 D의 별도 특성을 가중하면 목표하지 않은 노출이 드러난다.

$$\begin{aligned} w_A&=+0.5,&w_D&=-0.5,\\ E_{\beta}&=(0.5\times0.9)+(-0.5\times1.3)=-0.2,\\ E_{\mathrm{quality}}&=(0.5\times0.4)+(-0.5\times-0.5)=0.45. \end{aligned}$$

$w_A,w_D$

A와 D의 signed weight(부호 있는 비중)

단위: 원금 대비 비율

$E_{\beta}$

포트폴리오의 Beta exposure(Beta 노출)

단위: 없음

$E_{\mathrm{quality}}$

포트폴리오의 Quality exposure(품질 노출)

단위: 없음

순노출이 0이어도 Beta 노출은 -0.2, 품질 노출은 0.45다. 가상 특성값으로 종목을 선택했을 뿐 다른 위험 특성을 자동으로 제거한 것은 아니다.

높은 특성값 · 한 종목높은 특성값 · 두 종목낮은 특성값 · 한 종목

방향 규칙높은 특성값이 롱낮은 특성값이 롱

양쪽 자산 수

1개

가상 특성값 평균0.5

표본표준편차0.258199

동률 규칙종목 코드 순

표준화 집단같은 날짜 A~D

A부터 D까지 가상 특성값, 표준화 점수, 순위와 선택 비중

자산	가상 특성값	표준화 점수	순위	Beta	품질 특성값	비중
A	0.8	+1.161895	1위	0.9	+0.4	+50.0%
B	0.6	+0.387298	2위	1.1	+1.0	선택 안 함
C	0.4	-0.387298	3위	0.8	-0.2	선택 안 함
D	0.2	-1.161895	4위	1.3	-0.5	-50.0%

선택된 롱·숏 포트폴리오

롱 A · 숏 D

순노출

0.0%

총노출

+100.0%

Beta 노출

-0.20

품질 노출

+0.45

가상 특성값과 점수로 종목을 골랐지만 미리 주어진 Beta와 별도 품질 특성의 노출은 남습니다.

여섯 값을 한 문장으로 섞지 않는다

점수는 가상 특성값의 상대 위치이고, 순위는 정렬 결과이며, 비중은 포트폴리오 결정이다. 노출은 선택된 비중의 가중합이다. 어느 값도 미래 Factor premium(팩터 프리미엄)이나 미래 수익과 같은 값이 아니다.

결과 전에 고정할 데이터 계약

• Definition(정의): 실제 연구에서 특성값이 무엇을 측정하는지와 단위를 문서화한다.
• Publication lag(공표 지연): 그 날짜에 실제 공개된 자료만 사용한다.
• Missing value rule(결측값 규칙): 제외, 대체 또는 별도 범주를 사전에 정한다.
• Outlier rule(극단값 규칙): 극단값을 제외할지, 제외하지 않고 미리 정한 경계값으로 바꾸는 Winsorization(윈저라이징)을 적용할지 결과 전에 정한다.
• Standardization universe(표준화 유니버스): 같은 날짜에 비교할 거래 가능 종목 집단을 고정한다.
• Direction rule(방향 규칙): 높은 값이 롱인지 낮은 값이 롱인지 먼저 적는다.
• Tie-breaking rule(동률 처리 규칙): 같은 점수는 종목 코드 오름차순으로 정렬한다.

이 계약을 지키지 않으면 아직 공표되지 않은 재무자료를 사용하거나, 결과를 본 뒤 유니버스·방향·극단값 처리를 바꾸는 오류가 생긴다.

자주 생기는 오해

• 팩터 이름 하나가 유일한 측정 규칙을 뜻하지 않는다.
• 표준화 점수는 미래 수익률 예측값이 아니다.
• 순위가 비중을 자동으로 정하지 않는다.
• 순노출 0은 Beta나 품질 노출 0을 뜻하지 않는다.
• 목표 팩터로 종목을 골라도 다른 특성 노출이 남을 수 있다.
• 높은 과거 프리미엄은 미래 양의 수익을 보장하지 않는다.

이해 점검

A의 표준화 점수가 약 1.161895인 이유는 무엇인가?

가상 특성값 0.8이 평균 0.5보다 0.3 높고, 이를 표본표준편차 약 0.258199로 나누기 때문이다.

A 롱과 D 숏인데 Beta 노출이 -0.2인 이유는 무엇인가?

A의 +0.5 비중과 Beta 0.9의 곱 0.45보다 D의 -0.5 비중과 Beta 1.3의 곱 -0.65가 더 크기 때문이다.

품질을 선택 기준으로 쓰지 않았는데 품질 노출 0.45가 남는 이유는 무엇인가?

A와 D가 품질 특성도 함께 가지고 있어 signed weight(부호 있는 비중)로 가중한 합이 0이 아니기 때문이다.

공표 지연을 무시하면 어떤 오류가 생기는가?

실제 연구에서 그 날짜에 아직 공개되지 않은 관측값을 신호에 넣어 미래 정보를 미리 사용하게 된다.

완료 기준

가상 특성값 A 0.8, B 0.6, C 0.4, D 0.2에서 평균 0.5, 표본표준편차 0.258199, 네 표준화 점수와 순위를 계산하고 A +0.5, D -0.5에서 Beta -0.2, 품질 0.45를 재현할 수 있으면 8.10 시장 방향을 줄이고 상대성과를 노리는 구성으로 넘어간다.

이 가상 특성값, 점수, 순위, 비중과 노출은 신호 포트폴리오 구성을 구분하는 교육 자료이며 실제 종목 평가, 팩터 프리미엄, 수익 또는 투자 성과를 보장하지 않는다.