제8주차. 보충자료 - 포트폴리오 관리

투자의 기술/복잡계 투자론

제8주차. 보충자료 - 포트폴리오 관리

Little Giant Hawk 2025. 5. 19. 15:19

주식투자에서 포트폴리오 관리는

첫째, 여러 종목과 자산에 분산 투자함으로써 특정 종목의 가격 변동에 따른 리스크를 줄이고 전체 자산의 안정성을 높일 수 있습니다.
둘째, 투자자의 목표와 성향에 맞는 자산 배분을 통해 장기적으로 수익을 극대화할 수 있으며, 시장의 급격한 변화에도 흔들리지 않고 일관된 투자 전략을 유지할 수 있습니다.
셋째, 포트폴리오 관리는 정기적인 점검과 조정을 통해 투자 성과를 지속적으로 개선하고, 투자자의 금융 목표 달성에 중요한 역할을 합니다.

한마디로 말하면, 포트폴리오 관리를 소홀히 하게 되면, 한 번의 실수로 큰 손실을 볼 수 있고, 분산 투자로 그러한 위험을 줄일 수 있습니다.

한곳에 몰빵 NO! 나눠 투자 GO!

🧩 Ⅰ. 현대 포트폴리오 이론(MPT)

자산 배분의 핵심 개념인 현대 포트폴리오 이론(Modern Portfolio Theory, MPT)은 투자자산의 위험과 수익 간의 균형을 이론적으로 정립한 프레임워크예요. 이 이론은 1952년 해리 마코위츠(Harry Markowitz)가 제안했고, 그 공로로 1990년 노벨 경제학상을 받았습니다.

1. 현대 포트폴리오 이론의 배경

투자 이전에는 대부분의 투자자들이 개별 종목의 기대수익률만을 보고 판단하는 경향이 있었어요. 그러나 마코위츠는 이렇게 주장합니다:

“한 자산의 리스크와 수익만 보지 말고, 자산 간 상관관계를 고려하여 포트폴리오 전체 관점에서 판단해야 한다.”

그의 주장은 금융 시장에 큰 패러다임 전환을 일으켰고, 지금의 분산 투자(Diversification)의 근간이 되었습니다.

“한 바구니에 달걀을 다 담지 말자.”

2. 핵심 개념 및 구성 요소

마코위츠는 수학과 통계 개념을 더해서, 위험을 줄이는 구체적인 방법을 제시했습니다. 단순히 분산투자만 하자는 게 아니라, 자산 간의 상관관계를 계산해서 어떤 조합이 가장 효과적인지를 찾아내자는 겁니다.

2.1 기대수익률(Expected Return)

포트폴리오의 수익률은 각 자산의 수익률과 비중의 가중평균.
$$
E(R_p) = \sum_{i=1}^{n} w_i \cdot E(R_i)
$$

2.2 포트폴리오 위험(Variance or Standard Deviation)

단일 자산의 위험이 아닌, 자산 간의 공분산(Covariance)을 반영한 전체 위험을 계산.
$$
\sigma_p^2 = \sum_{i=1}^{n} \sum_{j=1}^{n} w_i w_j \cdot \text{Cov}(R_i, R_j)
$$
공분산을 사용하여 자산 간 상관관계(Correlation)를 고려함으로써 위험을 줄일 수 있어요.

2.3 효율적 프론티어(Efficient Frontier)

투자할 수 있는 모든 조합을 그려보면, 어떤 조합은 수익이 낮고 위험은 높고, 어떤 조합은 같은 위험 수준에서 수익이 높습니다.
이 중에서 “가장 효율적인 선택만 모아놓은 곡선”이 바로 효율적 프론티어가 됩니다.

이 곡선 위에 있는 포트폴리오는 모두 “더 나은 선택이 없는” 조합이에요.
이 곡선 아래에 있는 건? 비효율적이라는 거죠. 같은 수익이면 더 위험하고, 같은 위험이면 덜 벌거든요.

같은 수준의 위험 대비 가장 높은 기대수익을 주는 포트폴리오들의 집합.
이 경계선 위의 포트폴리오만이 "합리적 선택지"입니다.

2.4 무위험 자산(Risk-Free Asset)과 자본시장선(Capital Market Line, CML)

무위험 자산과 효율적 포트폴리오를 결합해 샤프 비율(Sharpe Ratio)을 극대화하는 점이 존재합니다. 이를 시장 포트폴리오(Market Portfolio)라고 하며, 이와 무위험 자산을 연결한 직선이 자본시장선입니다.
$$
\text{Sharpe Ratio} = \frac{E(R_p) - R_f}{\sigma_p}
$$

3. 이론이 주는 시사점

분산투자를 통한 리스크 감소: 서로 상관관계가 낮은 자산을 함께 보유하면 전체 위험을 줄일 수 있습니다.
위험과 수익의 균형점 찾기: 무조건 수익률이 높은 자산을 추구하는 것이 아닌, 같은 수익률이라면 위험이 낮은 쪽을, 같은 위험이라면 수익률이 높은 쪽을 선택하는 것이 합리적입니다.
최적 포트폴리오 구성: 투자자의 위험 성향에 따라 효율적 프론티어에서 적절한 점을 선택함으로써 맞춤형 자산 배분이 가능해집니다.

“위험을 줄이면서 수익을 높이는 포트폴리오를 구성하자”는 게 핵심.
단순 분산이 아닌 수학적으로 최적화된 분산투자가 핵심 전략.

4. 한계점

정규분포 가정: 수익률이 정규분포를 따른다고 가정하지만, 실제로는 꼬리가 두껍거나 비대칭일 수 있어요.
과거 데이터 기반: 공분산과 기대수익률이 모두 과거 데이터를 기반으로 하므로, 미래 예측에 한계가 있습니다.
거래비용/세금 미반영: 현실적인 요소가 빠져있기 때문에 실제 운용에서는 보완이 필요합니다.

요약 정리

개념	설명
기대수익	각 자산 수익률의 가중 평균
위험	공분산 기반의 전체 포트폴리오 변동성
효율적 프론티어	동일 위험 대비 최대 수익 포트폴리오 집합
분산 투자	자산 간 상관관계 활용해 위험 분산
샤프 비율	단위 위험당 수익률, 자본시장선의 기울기

🧩 Ⅱ. 현대 포트폴리오 이론 예시

현대 포트폴리오 이론(MPT)을 실제처럼 구성된 예시 데이터로 적용해 보면서, 좋은 자산 배분 사례와 나쁜 자산 배분 사례를 함께 비교해 설명합니다.
실제 예시를 살펴보면서, 어떤 판단이 좋은지/나쁜지를 감각적으로 익혀보는 과정입니다.

■ 가정: 3개 자산(A, B, C)에 투자할 수 있는 상황

자산	기대 수익률 (연%)	연간 표준편차 (Volatility, %)
A	8.0%	15.0%
B	10.0%	20.0%
C	6.0%	10.0%

자산 간 상관관계(Correlation)는 다음과 같이 주어집니다:

	A	B	C
A	1	0.9	0.2
B	0.9	1	0.3
C	0.2	0.3	1

■ [1] 나쁜 포트폴리오 구성 예 (직관에만 의존)

배분: A 50%, B 50%, C 0%

투자자는 A와 B가 기대 수익률이 높다는 점만 보고 절반씩 투자하고, C는 수익률이 낮아서 제외했어요.

→ 결과:

기대 수익률:
$0.5 \times 8% + 0.5 \times 10% = 9.0%$
리스크 계산 (상관관계가 높음):
A와 B는 상관관계가 0.9로 매우 높기 때문에, 포트폴리오 전체의 위험 분산 효과가 거의 없습니다.
표준편차 (대략): 약 17.9% 수준의 고위험 포트폴리오가 됩니다.

→ 문제점:

기대 수익은 높지만, 거의 두 자산이 같이 움직이는 구조라, 시장이 하락하면 포트폴리오도 같이 무너질 수 있습니다.
C 자산은 수익률이 낮지만, 상관관계가 낮은 자산으로 위험을 줄이는 데 중요한 역할을 할 수 있는데 무시됐죠.

■ [2] 좋은 포트폴리오 구성 예 (MPT 기반 최적화)

배분 (예시): A 30%, B 30%, C 40%

C 자산은 기대 수익률은 낮지만 변동성이 낮고, 다른 자산들과 상관관계가 낮아 포트폴리오 전체 위험을 낮추는 데 기여합니다.

→ 결과:

기대 수익률:
$0.3 \times 8% + 0.3 \times 10% + 0.4 \times 6% = 7.8%$
리스크 (분산 효과 반영):
상관관계가 낮은 자산을 포함시켰기 때문에, 전체 위험은 14.2% 수준으로 감소합니다.
샤프 비율 계산 (무위험 수익률 3% 가정):
- 나쁜 포트폴리오:
- $$
  \text{Sharpe} = \frac{9% - 3%}{17.9%} = 0.335
  $$
- 좋은 포트폴리오:
- $$
  \text{Sharpe} = \frac{7.8% - 3%}{14.2%} = 0.338
  $$

→ 샤프 비율은 큰 차이가 없지만, 위험 대비 수익률은 오히려 더 좋아졌고, 실제 운용 시에는 더 안정적인 수익 흐름을 기대할 수 있어요.

■ 시사점 요약

구분	기대 수익률	리스크(표준편차)	샤프 비율	특징
나쁜 포트폴리오	9.0%	17.9%	0.335	직관적, 분산 부족
좋은 포트폴리오	7.8%	14.2%	0.338	수익은 낮지만 리스크 효율적

■ 핵심 정리

높은 기대 수익률만 보고 자산을 고르면 위험에 그대로 노출됩니다.
변동성이 낮고 상관관계가 낮은 자산(C처럼)을 포함하는 것이 분산투자의 핵심입니다.
현대 포트폴리오 이론은 이렇게 "눈에 보이지 않는 최적화 기회"를 찾아내는 데 탁월합니다.

현대 포트폴리오 이론(MPT)에 기반한 최적 자산 배분 결과를 파이썬 코드로 짜서, 자동 최적 포트폴리오 계산과 함께 샤프 비율, 효율적 프론티어까지 시각화해 봅시다.

구글 Colab에서 실행 가능한 Python 코드 구현은 아래 파일을 다운로드하시면 됩니다:

📂 다음 링크에서 Colab 실행용 .ipynb 파일을 다운로드하실 수 있습니다:

mpt_portfolio_example.ipynb

0.00MB

🧩 Ⅲ. 자산 배분 전략

자산배분 전략은 포트폴리오에서 어떤 자산군에 얼마만큼 투자할지를 결정하는 전략입니다. 크게 전략적 자산배분(SAA: Strategic Asset Allocation)과 전술적 자산배분(TAA: Tactical Asset Allocation)으로 구분되며, 이 둘은 투자 목적, 리스크 감수 성향, 시장 전망 반영 여부 등에서 차이를 보입니다. 아래에 각각의 개념과 특징을 정리합니다.

✅ 1. 전략적 자산배분 (SAA, Strategic Asset Allocation)

📌 개요

장기적 투자 목표와 리스크 감수 성향에 따라 자산군 간 기본 비중을 설정하는 전략.
일반적으로 경제 사이클이나 시장 상황과 무관하게 고정된 비율을 유지.
포트폴리오 재조정(rebalancing)은 비중이 벗어날 때 주기적으로 수행.

📊 예시

자산군	전략적 비중
주식	60%
채권	30%
대체자산	10%

투자자는 시장 변화에 상관없이 이 구조를 유지하며, 분기나 반기에 한 번 비중을 조정합니다.

🎯 목적

투자자의 위험-수익 목표 달성
규율 있는 장기투자 유도
감정적 투자 결정 방지

✅ 2. 전술적 자산배분 (TAA, Tactical Asset Allocation)

📌 개요

전략적 자산배분을 기본 틀로 유지하면서도, 단기 시장 전망을 반영해 비중을 조절하는 방식.
예: 경기 확장기에는 주식 비중을 일시적으로 60% → 70%로 조정, 이후 원위치.
적극적인 투자자, 펀드 매니저 등이 알파 수익(초과 수익)을 추구할 때 활용.

📊 예시

자산군	전략적 비중	전술적 조정
주식	60%	70% (강세장 전망)
채권	30%	20% (금리 상승 우려)
대체자산	10%	10% (유지)

🎯 목적

시장 타이밍에 따른 초과 수익 추구
경기, 금리, 유가, 정치 이벤트 등 고려

🔁 두 전략의 비교 요약

항목	전략적 자산배분 (SAA)	전술적 자산배분 (TAA)
투자 기간	장기	단기 또는 중기
조정 빈도	정기적 (분기/반기)	시장 변화에 따라 수시로
시장 예측 반영	반영하지 않음	반영함 (시황 중심)
목적	위험 통제, 목표 수익 유지	초과 수익 추구
운용 방식	수동적 또는 정량적 접근	능동적 운용 (펀드매니저 중심)

📌 실제 운용에서는 어떻게?

실제 자산운용에서는 SAA를 기본 구조로 설정하고, 필요시 TAA로 조정하는 방식이 일반적입니다. 이를 코어-위성 전략(Core-Satellite)이라고 부르기도 합니다.

Core (SAA): 포트폴리오의 70~80%를 구성, 안정적 수익 추구
Satellite (TAA): 나머지 20~30%로 시장 기회를 반영한 능동적 운용

✅ 정리

전략적 자산배분: 투자자의 성향과 장기목표에 기반하여 자산을 나누는 기본 뼈대
전술적 자산배분: 그 뼈대를 바탕으로 시장 기회에 따라 비중을 일시적으로 조정하여 수익을 극대화하려는 전략

🧩 Ⅳ. 경제주기별 자산 배분

경제 주기(Economic Cycle)를 기반으로 한 자산배분 전략은 기관투자자, 연기금, 자산운용사 등에서 실제로 전략적 자산배분(SAA) 또는 **전술적 자산배분(TAA)**의 핵심 근거로 활용되고 있습니다. 이 전략은 경기 확장 → 과열 → 수축 → 침체라는 주기적 흐름을 기준으로 자산군의 상대적 기대수익/위험 특성을 고려해 타이밍에 맞는 자산 비중 조정을 실행하는 방식입니다.

✅ 1. 경제 주기 기본 구조

단계	특징	경제 지표	투자 심리
회복기 (Recovery)	성장률 반등, 실업 감소	GDP↑, 금리↓, 인플레 안정	낙관 시작
확장기 (Expansion)	경기 활황, 고용 안정	생산↑, 기업이익↑, 금리 점진적 상승	낙관 → 과열
과열기 (Boom / Peak)	인플레이션 상승 압력, 과잉 유동성	금리↑↑, 물가↑, 실물 수요 과잉	과신/탐욕
수축기 (Slowdown)	성장 둔화, 정책 전환기	금리 인하 가능성, 경기선행지수↓	불안정
침체기 (Recession)	기업이익↓, 실업률↑, 소비↓	금리↓, 실업↑, 소비↓	공포/절망

✅ 2. 경제주기 기반 자산배분 전략 (대표 사례)

📌 A. Fidelity의 Business Cycle Investment Framework

Fidelity는 수십 년간의 리서치를 통해 아래와 같은 경제주기별 자산군 추천 전략을 제시합니다.

경기 국면	주식 스타일	섹터	채권	대체투자
회복기	소형주, 가치주	산업재, 금융	하이일드 채권↑	원자재 회복 기대
확장기	성장주	기술, 소비재	금리 상승에 민감한 중장기 채권↓	리츠, 부동산 ↑
과열기	배당주, 방어주	에너지, 소재	인플레이션 헤지 자산 ↑	금, 인프라 자산 ↑
수축기	고배당주	필수소비재, 유틸리티	장기채권↑	대체 자산 관심↑
침체기	초우량 대형주	헬스케어, 유틸리티	국채, 단기채↑↑	금, 현금성 자산↑

→ 장점: 현실적이고 역사적으로 검증된 로직
→ 활용법: 경기선행지수, ISM, 금리커브 등으로 국면 판단 + 정기 리밸런싱

📌 B. Bridgewater (레이 달리오)의 All Weather Portfolio

경제의 4가지 환경 (성장/침체, 인플레이션 상승/하락)에 맞춰 중립적 자산배분을 설계한 전략입니다.

경제 환경	유리한 자산
성장 + 인플레 ↓	주식, 신흥국 자산
성장 + 인플레 ↑	원자재, 인플레이션 연동 채권(TIPS)
침체 + 인플레 ↓	장기국채, 현금
침체 + 인플레 ↑	금, 인플레이션 보호 자산

→ 자산별 위험 기여도(Risk Parity) 기반으로 비중 조절
→ 장기투자용으로 강건한 전략 (2020년 이후 일부 조정 필요)

📌 C. JP Morgan Guide to the Markets – Cycle-Aware TAA

정량 모델 기반으로 경기 국면을 분류하고, 자산군 간 비중을 시계열 회귀로 조정
머신러닝/레짐전환 모델(Markov Switching) 도입해 자동 판별 방식 실험 중
최근에는 AI 기반 경제주기 예측 + TAA 모델 결합 실험도 활발

✅ 3. 실제 구현을 위한 핵심 구성요소

구성요소	설명
📊 경기 판별 지표	GDP 성장률, PMI/ISM, 실업률, 소비자심리지수, 장단기 금리차 등
🧮 판별 방식	경험적 룰 베이스, 마르코프 전환 모델, ML (LSTM, XGBoost 등)
⚖️ 자산 비중 결정	룰 기반 할당, MVO/Black-Litterman, Risk Parity, ML 기반
🔁 리밸런싱 주기	매분기 또는 경제 국면 변화 감지 시

✅ 4. 실무 전략 요약 예시 (국내 적용 가능)

국면	국내 주식	해외 주식	채권	대체	현금
회복기	↑	↑	↓	→	↓
확장기	↑↑	→	↓	↑	↓
과열기	↓	↓	↑	↑↑	↑
수축기	↓	↓↓	↑↑	↓	↑
침체기	↓↓	↓	↑↑↑	↑	↑↑

→ 참고 자산군 구성:

국내 주식: KOSPI, KOSDAQ
해외 주식: S&P500, ACWI
채권: 국고 3/10년, 회사채
대체: 금, 원자재 ETF, 리츠
현금: MMF, CMA

✅ 시사점 요약

경제 주기를 활용한 자산배분 전략은 실무성과 이론 모두 검증된 방식
정량 모델(Markov, ML), 정성 판단(심리/정책 해석) 모두 중요
국내 환경에서는 한국은행 통계, KOSIS, 경제지표 캘린더 등을 활용한 국면 진단이 중요
TAA/DAA/ML 모델과 결합하면 실전 전략으로 확장 가능

📘 경제 국면 기반 자산배분 백테스트 프레임워크

아래는 한국형 **"경제 국면 기반 자산배분 백테스트 프레임워크"**를 Python으로 구현한 Google Colab용 코드입니다.

✅ 코드 구성 설명

필요 라이브러리 임포트 및 시각화 환경 설정
월간 자산 수익률 샘플 데이터 생성 (국내주식, 해외주식, 채권, 금)
경기 국면 정보 생성 (회복, 확장, 과열, 둔화, 침체)
국면별 자산군 비중 설정
포트폴리오 월간 수익률 및 누적 수익률 계산
누적 수익률 시각화 및 국면 별 음영 표시

📂 다음에 첨부한 .ipynb 파일 다운로드하여 실행하실 수 있습니다:

KR_EconCycle_TAA_Backtest.ipynb

0.08MB

📌 향후 확장 아이디어

실제 경제 국면 데이터 사용: 통계청 API로 경기선행지수 받아서 국면 분류
자산군 확대: 부동산 리츠, 원자재, 대체투자 등 포함 가능
전략 다양화:
- 경기 국면과 수익률 간 통계적 관계 분석
- 머신러닝 분류 모델 (예: 국면 예측)과 결합
리밸런싱 주기 조정: 월별, 분기별, 조건부 등 시나리오별 실험

🧩 Ⅴ. 자산배분 실무 절차

전문 기관투자자(연기금, 보험사, 자산운용사 등)는 전술적 자산배분(TAA)을 포함한 시장 대응형 자산배분을 수행할 때 매우 체계적인 절차와 리서치 체계를 운영합니다. 아래는 실제 기관투자자들이 사용하는 TAA 실행 절차와 그에 따른 시장 진단, 투자 결정, 리스크 관리 흐름을 정리한 가이드입니다.

✅ 기관투자자의 전술적 자산배분(TAA) 절차 요약

1. 거시 환경 분석
↓
2. 자산군 전망 및 전략 수립
↓
3. 투자 아이디어 도출 및 백테스트
↓
4. 자산배분 비중 조정안 도출
↓
5. 투자위원회 승인
↓
6. 실행 및 리밸런싱 모니터링
↓
7. 사후 평가 및 전략 수정

🔍 1. 거시 환경 분석 (Top-Down Approach)

목적: 경제 사이클과 정책 방향을 판단해 자산군에 영향을 미칠 리스크/기회를 식별

항목	주요 지표 및 도구
경제성장	GDP, PMI, 산업생산, 소비자신뢰지수
인플레이션	CPI, PPI, 원자재 가격
통화정책	금리 인상/인하 사이클, 중앙은행 스탠스
재정정책	정부 지출, 조세정책, 인프라 투자 계획
시장 유동성	통화공급량(M2), 금융스트레스 지수
글로벌 흐름	달러 인덱스, 미국 금리, 지정학 리스크

예: 미국 PMI가 50을 상회하고 있고, 연준이 금리를 동결한다면 → 경기 확장 국면 → 주식 비중 확대 고려

🔍 2. 자산군 전망 및 전략 수립

목적: 각 자산군(주식, 채권, 대체자산 등)의 리스크/수익률 전망 수립

자산군	분석 내용
주식	밸류에이션(PER, PBR), EPS 추정치, 섹터 로테이션
채권	듀레이션 전략, 금리전망, 스프레드 분석
대체자산	부동산, 인프라, 원자재 수요/공급 동향
외환	환율 전망, 통화정책 차이, 수급 요인

예: 미국 장기 국채 수익률 하락 전망 → 장기채 비중 확대, 단기채 축소

🧠 3. 투자 아이디어 도출 및 백테스트

목적: 전술적 조정이 수익에 얼마나 기여할 수 있는지 과거 데이터로 검증

자산배분 조정 시뮬레이션 (리스크/수익률/샤프비율 비교)
머신러닝 기반 리스크 팩터 예측 활용 가능
“스타일 로테이션”(가치주 ↔ 성장주), “섹터 로테이션” 전략도 포함

⚖️ 4. 자산배분 비중 조정안 도출

방법: 기존 SAA에서 일정 비율 조정 (예: ±5~10%)

자산군	전략적 비중	전술 조정	최종 비중
주식	50%	+5%	55%
채권	40%	-5%	35%
대체자산	10%	0%	10%

조정 폭은 “리스크 예산(Risk Budget)” 내에서 제한함.

📜 5. 투자위원회 승인

역할:

전략의 타당성 검토
리스크관리 부서의 스트레스 테스트 확인
실행 책임자 지정

🚀 6. 실행 및 모니터링

실행 시 “시장 충격 최소화”를 고려한 점진적 거래
모니터링 항목: 투자 성과, 베타/알파 분해, 리밸런싱 필요 여부 판단

📊 7. 사후 평가 및 전략 수정

항목	평가 내용
성과 평가	Benchmarked 대비 초과수익(Alpha) 발생 여부
원인 분석	전망 적중/실패 요인 분석
전략 수정	환경 변화 반영해 TAA 전략 조정

✅ 실무 적용 팁 (기관에서 사용하는 도구들)

영역	도구 및 방법론
거시 분석	Bloomberg, Datastream, IMF, OECD 자료
수익률 전망	Monte Carlo 시뮬레이션, Vector Autoregression (VAR)
리스크 관리	Value-at-Risk (VaR), Conditional VaR
의사결정	투자위원회, ALM 위원회 (Asset-Liability Mgmt)
실행	트레이딩 데스크, TCA (거래비용분석) 도구 활용

🔁 전략적 vs 전술적 통합 예시: Core-Satellite 구조

구성	설명
Core	전략적 자산배분으로 구축된 장기 안정 포트폴리오
Satellite	단기 시장 전망 반영하여 전술적으로 운용되는 영역

예:

전체 포트폴리오 중 80%는 정적인 SAA (ETF 기반)
나머지 20%는 이벤트 기반으로 TAA 조정 (예: 금리전망 변화, 미중 무역갈등 등)

📌 마무리

전술적 자산배분은 단순한 시장 예측을 넘어 리서치 기반의 분석, 리스크 제어, 위원회 기반 의사결정이 종합된 체계입니다. 이런 구조를 개인 투자자 수준에서 축소판으로 구현할 수도 있고, 알고리즘 트레이딩/로보어드바이저 전략에도 활용할 수 있습니다.

📘 TAA 시뮬레이션 프레임워크

TAA 전략과 균등비중 전략을 비교하여 시각화 하는 Colab Python 예시 프로그램을 작성합니다.

내용 구성:

미국 주식(SPY), 미국 국채(TLT), 금(GLD)을 사용하는 TAA 전략
12개월 이동평균 기반 추세 신호
TAA 전략과 균등비중 전략 비교
수익률 그래프 및 요약 통계 시각화

📂 다음에 첨부한 .ipynb 파일 다운로드하여 실행하실 수 있습니다:

TAA_Backtest_Framework.ipynb

0.14MB

🧩 Ⅵ. 자산 배분 확장 이론과 실무

자산 배분 실무는 단순히 이론만으로 운영되지 않고, 다양한 후속 이론들과 시장 상황, 투자자의 목적 등을 종합적으로 고려해서 이뤄집니다. 여기서는 현대 포트폴리오 이론(MPT)의 한계를 보완한 대표적인 후속 모델들과, 실제 자산 배분 실무에서의 적용 방식을 단계적으로 소개합니다.

📌 1. 현대 포트폴리오 이론(MPT) 복습

창시자: 해리 마코위츠 (1952)
핵심 개념: 동일한 수익률을 기대할 수 있다면 더 낮은 위험의 포트폴리오가 우수하고, 동일한 위험 수준에서는 더 높은 수익을 기대할 수 있는 포트폴리오가 우수.
한계:
- 기대수익률과 공분산 추정이 매우 불확실함
- 투자자 신념(reflective views) 반영 어려움
- 단기적 시장 동향을 반영하지 못함

📌 2. 후속 이론 및 모델

2.1 📈 자본자산가격결정모형 (CAPM, Capital Asset Pricing Model)

목적: 개별 자산의 기대수익률을 시장 위험(베타)으로 설명
공식:여기서 $E(R_i)$: 자산의 기대수익률,
$R_f$: 무위험수익률,
$\beta_i$: 자산의 시장 민감도,
$E(R_m)$: 시장의 기대수익률
$$
E(R_i) = R_f + \beta_i (E(R_m) - R_f)
$$
실무 적용: 자산의 기대수익률 산정 및 벤치마크 설정에 유용하지만, 현실 수익률 설명력은 제한적

2.2 🧠 블랙-리터만 모형 (Black-Litterman Model)

개요: 마코위츠 이론 + CAPM + 투자자 주관적 전망을 통합
기본 원리:
- 균형 상태의 수익률(시장 포트폴리오 기반)을 시작점으로 함
- 투자자의 전망(Views) 을 정량적으로 반영하여 수익률을 조정
장점:
- 극단적 비중(weight instability) 문제 완화
- 전문가 의견, 경제 시나리오 등을 반영 가능
실무 사용 예시:
- 글로벌 자산배분 전략 수립 시, GDP 가중 시장 포트폴리오 + CIO 전망 반영

2.3 🔄 동적 자산 배분 이론 (Dynamic Asset Allocation)

컨셉: 시장 상태(경제 사이클, 금리, 변동성 등)에 따라 포트폴리오 구성 변경
방법론:
- 시장 예측 기반(Market Timing) → 금리 상승 시 채권 비중 축소 등
- 시그널 기반(TAA, VAA 등) → 모멘텀, 가치, 변동성 등
관련 기술: 머신러닝, 베이지안 추론, 상태공간모형(Kalman Filter) 등

📌 3. 실무에서의 자산배분 절차 (전문기관 기준)

3.1 ✅ 전략적 자산배분 (Strategic Asset Allocation, SAA)

목적: 장기 목표 수익률과 위험 수준을 충족하는 자산 비중 설정
활동:
- 투자자 프로파일 분석 (위험 감수도, 투자 기간 등)
- 기대 수익률, 리스크, 상관관계 추정 (예: 블랙-리터만 활용)
- 제약 조건 반영 (세금, 유동성, ESG 등)
- 장기 기준 자산 비중 설정 (예: 주식 60%, 채권 30%, 대체투자 10%)

3.2 📊 전술적 자산배분 (Tactical Asset Allocation, TAA)

목적: 단기 시장 전망을 반영하여 SAA 대비 자산 비중을 조정
주요 입력 요소:
- 경기 사이클 판단 (예: PMI, 금리 스프레드 등)
- 자산 가격의 기술적 분석 (모멘텀, 변동성 등)
- 이벤트 리스크 분석 (FOMC, 지정학적 사건 등)
운용 방식:
- 내부 인사이트 기반 View 설정
- 리스크 한도 내에서 비중 조정 (예: ±5%p 내외)
- 정기적 리뷰 (월간 투자 전략회의)

📌 4. 실전 자산배분 사례

자산	전략적 비중	TAA 조정	비고
미국 주식 (SPY)	40%	+5%	경제 회복 국면, 모멘텀 강세
미국 국채 (TLT)	30%	-5%	금리 인상기
금 (GLD)	10%	+3%	인플레이션 헤지 수요 증가
현금	10%	-3%	유동성 축소
대체자산	10%	0%	비상장 투자 유지

📌 5. 정리 요약

항목	MPT	CAPM	Black-Litterman	TAA
수익률 추정	투자자 추정	시장 프리미엄 기반	시장 균형 + 전망	모멘텀/펀더멘털
위험 고려	공분산 행렬	시장 위험(β)	공분산 + 전망 불확실성	변동성, 드로우다운
장단점	수학적 명료성 / 민감성 큼	단순 / 설명력 낮음	유연성 / 계산 복잡	대응력 / 예측 불확실성

🧩 Ⅶ. 동적 자산 배분(Dynamic Asset Allocation, DAA)

"동적 자산 배분(Dynamic Asset Allocation, DAA)"은 시장 환경의 변화에 유연하게 반응하며 자산 비중을 조정하는 접근입니다. 이는 "정적인 비중을 고정"해두는 전략과 다르게, 경제지표, 시장지표, 자산간 상호작용 등을 실시간 혹은 주기적으로 반영합니다. 머신러닝은 이런 변화 감지와 예측에서 특히 강점을 발휘할 수 있습니다.

🔁 동적 자산 배분(Dynamic Asset Allocation, DAA) 개요

🔹 핵심 개념

고정된 자산 비중(SAA) 유지 대신, 시장 상태에 따라 비중을 유동적으로 조정함.
시장 환경 변화: 경기 국면, 금리 수준, 유동성, 위험 프리미엄, 시장 심리 등

🔹 전략 예시

시장 조건	자산 배분 예시
금리 상승기	채권 ↓, 가치주 ↑, 현금비중 ↑
경기 확장기	주식 ↑, 원자재 ↑, 대체투자 ↑
리스크 회피기	국채 ↑, 금 ↑, 주식 ↓
변동성 급등	자산 비중 축소, 방어적 섹터 비중 ↑

📌 DAA 구성 요소별 세부 설명

구성요소	설명	예시
경제 사이클	GDP 성장률, 실업률, PMI 등	확장기 vs 수축기
금리/유동성	금리, 중앙은행 정책, 유동성 공급	긴축 vs 완화
자산간 상관관계	주식-채권, 금-달러 역상관 등	회귀 vs 분산
변동성	VIX, HV, VaR, CVaR 등	고변동기 회피
시장 모멘텀	수익률 추세, 상대 강도	상승 모멘텀 자산 선호
리스크 평가	VaR, MDD, Beta 등	위험 대비 보상 조정

🧠 머신러닝 적용 포인트

동적 자산 배분은 예측 기반 의사결정을 요구하기 때문에 머신러닝 기법을 자연스럽게 통합할 수 있습니다.

📍 단계별 적용 예시

단계	머신러닝 활용 방법	모델 예시
1. 데이터 전처리	결측치 보간, 이상치 제거, 지표 생성	PCA, AutoEncoder
2. 시장 상태 분류	경기 국면, 리스크 온/오프 식별	분류기 (Random Forest, XGBoost, SVM)
3. 자산 수익률 예측	자산별 단기/중기 수익률 예측	회귀모델 (LSTM, LightGBM, ARIMA+ML)
4. 자산간 관계 파악	상관구조, 공통 요인 추출	Clustering, Graph Neural Net
5. 최적 자산 배분	강화학습 기반 정책 결정	Q-learning, PPO, DDPG
6. 리스크 제어	시뮬레이션 기반 위험 감시	Monte Carlo, CVaR 최적화

🎯 실무적 접근 예시 (DAA + ML 통합)

🧪 예시 1: 시장 레짐 기반 자산 배분

입력 데이터: 경제지표(PMI, 금리차), 자산 수익률, 변동성
머신러닝 모델: Hidden Markov Model (HMM) → "Bull / Bear / Neutral" 세 가지 레짐 도출
전략:
- Bull: 주식 70%, 채권 20%, 대체 10%
- Bear: 주식 30%, 채권 60%, 금 10%
- Neutral: 주식 50%, 채권 40%, 대체 10%
성과 분석: 수익률 + Max Drawdown + Sharpe 비교

🤖 예시 2: 수익률 예측 기반 자산 비중 자동 결정

입력 변수: 최근 6개월 수익률, 변동성, 모멘텀 지표, 금리 변화
모델: LightGBM 회귀모델
- 목적: 자산별 향후 1개월 기대수익률 예측
결과 기반 포트폴리오 구성:
- 기대수익률 상위 3개 자산에 비중 집중 (예: Softmax 가중치로 스코어 반영)
백테스트 결과 분석:
- Sharpe 비율, Turnover, 거래 비용 등 고려

🛠 머신러닝 기반 DAA 구현 아키텍처 (예시)

[데이터 수집]
  └─> 경제지표 (FRED, KOSIS, 한국은행 등)
  └─> 자산 가격 (Yahoo Finance, Quandl, ETF API)

[데이터 전처리 및 특징 추출]
  └─> 기술지표, 모멘텀, 변동성, 금리, 경기지표 등 생성

[시장 상태 분류 or 수익률 예측]
  └─> 머신러닝 모델 학습 (XGBoost, LSTM, HMM 등)

[자산 배분 결정]
  └─> 예측 결과 기반 비중 조정
  └─> 리스크/제약 조건 최적화 (CVaR, MPT, Reinforcement Learning)

[성과 모니터링 및 리밸런싱]
  └─> 백테스트 + 실시간 트래킹 + 트리거 기반 재조정

📚 마무리 요약

항목	내용
동적 자산 배분	시장 변화에 따라 자산 비중을 수시 조정
장점	위험 회피, 기회 포착, 유연성
머신러닝 적용	시장 상태 분류, 수익률 예측, 리스크 관리
한계	오버피팅, 데이터 품질, 리밸런싱 비용 증가

🧩 Ⅷ. TAA/DAA 백테스트 프레임워크

TAA/DAA 백테스트 프레임워크는 "전략적/전술적/동적 자산 배분"을 실제 투자 전략 수준까지 구현하고, 과거 데이터를 활용해 투자 성과를 객관적으로 검증하는 구조입니다. 아래에 프레임워크 구조, 백테스트 범위, 구현 방식, 출력물 형태까지 단계별로 정리합니다.

✅ 프레임워크 목적 요약

목표	설명
전략 구현	TAA 또는 DAA 전략 로직을 구현하여 과거 시계열 데이터에 적용
성과 평가	수익률, 변동성, Sharpe ratio, Max Drawdown, turnover 등 주요 지표 산출
시각화 제공	포트폴리오 가치 변화, 자산 비중 변화, 레짐 구간 등 시각적으로 분석
실험 확장	머신러닝, 강화학습, 거시 지표 기반 전략 등 유연한 전략 테스트 가능

🔁 프레임워크 구조 (4단계)

1. 데이터 수집 및 전처리
2. 시장 상태 진단 또는 자산 수익률 예측
3. 자산 배분 비중 결정 (전략 적용)
4. 성과 측정 및 시각화

🔍 전략 방식별 설명

전략 유형	방식	백테스트 대상
SAA (전략적 자산배분)	일정한 자산 비중 유지	예: 주식 60%, 채권 30%, 금 10%
TAA (전술적 자산배분)	주기적 리밸런싱 + 시장 전망 반영	예: 경기 회복 시 주식 비중 ↑
DAA (동적 자산배분)	상태 기반 자산 비중 자동 조정	예: 금리 상승 → 채권 ↓, 달러 ↑

🧪 백테스트 범위

범주	내용
기간	예: 2010년 ~ 2024년 월별 리밸런싱 기준
자산군	ETF 또는 인덱스 (예: SPY, TLT, GLD, VNQ 등)
주기	월 단위 리밸런싱 또는 조건 기반 트리거
예측모델 적용	LSTM, XGBoost, HMM 등 시장 상태 or 자산 수익률 예측
비중결정 방식	Markowitz 최적화, Softmax 기반, 강화학습 등
제약조건	최대 비중 제한, 거래 비용 반영, 거래 횟수 제한 등

📊 결과물 형태

📈 성과 지표

누적 수익률, 연평균 수익률 (CAGR)
연간 변동성
Sharpe Ratio
최대 낙폭 (Max Drawdown)
Calmar Ratio
포트폴리오 turnover

📉 시각화

자산별 비중 변화 그래프 (stacked area chart)
포트폴리오 가치 누적선
레짐 구간 색인 + 수익률 대비
예측 값 vs 실제 수익률 (머신러닝 적용 시)

🛠 실전 구현 예시

Colab에서 실행 가능한 .ipynb 프레임워크에는 다음 요소가 포함됩니다:

🔧 구현 내용 요약

자산군: 국내주식 (EWY), 해외주식 (SPY), 채권 (TLT), 현금 (가정)
전략 구성:
- TAA: 시장 레짐(60일 이동평균 기준 상승/하락)에 따라 비중 조절
- DAA: 변동성 기반 리밸런싱 가능성 고려
- ML: 랜덤포레스트로 EWY 다음 날 수익률 예측 → 향후 자산 비중 조절에 응용 가능
백테스트:
- 비중 반영 일간 수익률 계산
- 누적 수익률 계산 및 시각화

💬 추가 설명

전략 구분	내용
TAA (전술적 자산 배분)	시장 상황(Bull/Bear)에 따라 주식/채권 비중 조절
DAA (동적 자산 배분)	변동성 등 위험지표 기반 자산 비중 가변 조정 가능
ML	예측 기반으로 자산 비중 또는 매수/매도 결정을 보완

이 코드를 복사해서 Colab에 붙여 넣으시면 한국형 자산군 기반 TAA/DAA/ML 백테스트 프레임워크를 테스트하실 수 있습니다.

📊 한국형 자산군 기반 TAA/DAA/ML 백테스트 프레임워크

# ✅ 1. 라이브러리 불러오기
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
import yfinance as yf

# 시각화 설정
plt.style.use("seaborn-v0_8-darkgrid")
%matplotlib inline


# ✅ 2. 자산 데이터 다운로드 (EWY: 국내주식, SPY: 미국주식, TLT: 미국채)
assets = ['EWY', 'SPY', 'TLT']
data = yf.download(assets, start='2015-01-01', end='2024-12-31')['Adj Close']
data = data.fillna(method='ffill')
returns = data.pct_change().dropna()
returns.head()


# ✅ 3. 시장 레짐 및 변동성 계산
# SPY의 60일 수익률 이동 평균 기준 상승/하락장 구분
market_return_ma = returns['SPY'].rolling(60).mean()
regime = np.where(market_return_ma > 0, 'Bull', 'Bear')

# 30일 변동성 계산
volatility = returns.rolling(30).std()


# ✅ 4. ML 기반 수익률 예측 (EWY 예측용)
df_ml = returns.copy()
df_ml['Target'] = df_ml['EWY'].shift(-1)
df_ml = df_ml.dropna()

X = df_ml.drop(columns='Target')
y = df_ml['Target']

X_train, X_test, y_train, y_test = train_test_split(X, y, shuffle=False, test_size=0.2)

model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
pred = model.predict(X_test)

# 예측 수익률 시각화
plt.figure(figsize=(10, 4))
plt.plot(y_test.index, y_test, label="Actual")
plt.plot(y_test.index, pred, label="Predicted")
plt.title("EWY 수익률 예측 결과 (Random Forest)")
plt.legend()
plt.show()


# ✅ 5. TAA 전략 기반 자산 비중 할당 (정적 + 단순 레짐 기반)
taa_weights = pd.DataFrame(index=returns.index, columns=returns.columns)
taa_weights[:] = 1/3  # 기본 분산

# Bull 시장: 주식 비중 증가
taa_weights.loc[market_return_ma.index[market_return_ma > 0], ['SPY', 'EWY', 'TLT']] = [0.5, 0.4, 0.1]

# Bear 시장: 채권 비중 증가
taa_weights.loc[market_return_ma.index[market_return_ma <= 0], ['SPY', 'EWY', 'TLT']] = [0.1, 0.2, 0.7]

taa_weights = taa_weights.fillna(method='ffill')
taa_weights.head()


# ✅ 6. 백테스트 계산: 포트폴리오 수익률 및 누적 수익률
portfolio_return = (returns * taa_weights.shift(1)).sum(axis=1)
portfolio_cum_return = (1 + portfolio_return).cumprod()

# 벤치마크(SPY)도 함께 표시
benchmark_cum_return = (1 + returns['SPY']).cumprod()


# ✅ 7. 누적 수익률 시각화
plt.figure(figsize=(12, 6))
plt.plot(portfolio_cum_return, label='TAA 포트폴리오', linewidth=2)
plt.plot(benchmark_cum_return, label='SPY (벤치마크)', linestyle='--')
plt.title("TAA 전략 기반 누적 수익률 비교")
plt.xlabel("날짜")
plt.ylabel("누적 수익률")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

💬 실습 파일:

위의 코드 파일을 직접 Colab에 붙여 넣거나,
📂 다음에 첨부한 .ipynb 파일 다운로드하여 실행하실 수 있습니다:

KR_TAA_DAA_Backtest_Framework.ipynb

0.00MB

💬 실습 확장:

DAA 및 ML 요소에 대해 더 정교한 확장 적용: (1)DAA 전략을 위험 예산 기반 방식으로 고도화, (2) ML 모델을 LSTM 등으로 교체, (3)리밸런싱 주기를 조절하는 방식으로 고도화

🧩 Ⅸ. 시스템 사고와 주역 관점의 시사점

시스템 사고(system thinking)와 주역(周易, The Book of Changes) 모두 변화와 상호작용에 주목하는 사유 체계라는 점에서,
포트폴리오 관리의 복잡성과 불확실성을 통합적으로 이해하는 데 매우 유용한 통찰을 줄 수 있습니다.

📌 1. 시스템 사고와 포트폴리오 관리

시스템 사고란?
부분이 아닌 전체 시스템의 구조, 피드백 루프, 동태적 변화에 주목하는 사고방식입니다.

🧠 시사점

포트폴리오 요소	시스템 사고적 해석	실무 적용
자산 간 상관관계	독립된 수익원이 아니라 상호작용하는 네트워크로 인식	분산투자는 "비선형 복잡계" 관점에서 접근
리스크 관리	단일 지표(예: VaR)가 아닌 피드백 메커니즘과 리스크 전이 고려	변동성 상승 → 리밸런싱 압력 → 시장 영향까지 고려
투자 전략	고정된 규칙이 아닌, 시장과의 상호작용을 고려한 적응적 전략	정적 전략보다 TAA/DAA/ML과 같은 동적 전략 선호
시스템 지연	정보, 의사결정, 자본의 흐름에 존재하는 시차의 영향 주목	리밸런싱 타이밍, 시장 반응속도 조절 필요
피드백 루프	예: 공포에 따른 매도 → 가격 하락 → 더 큰 공포	투자 심리/행동요인 반영한 전략 필요

➡ 결론: 포트폴리오 관리란 단순한 수익률 최적화가 아니라,
복잡계 내에서의 생존 전략이자 동태적 균형의 유지라고 할 수 있습니다.

📌 2. 주역과 포트폴리오 관리

주역(周易)은 ‘변화의 철학’으로, 모든 사물과 현상이 음양의 상호작용과 끊임없는 변화(易) 속에 있음을 전제로 합니다.

📘 시사점

주역 개념	해석	포트폴리오 적용 시사점
易 (변화)	변화는 필연적이며 순환한다	시장 사이클을 전제로 한 전략 필요 (예: 경제 주기 기반 자산배분)
陰陽 (음양)	서로 다른 힘이 균형을 이룸	자산군 간 위험/보상 균형, 수익과 보존, 공격과 방어의 조화
卦象 (괘상)	상징적 구조를 통한 상황 판단	정성적 데이터(심리, 매크로 환경)를 포착한 시황 분석 구조화
中庸 (중용)	극단 대신 조화의 길을 택함	올인(all-in)보다 적절한 분산과 유연성, 균형의 투자 철학
時中 (시중)	‘타이밍’의 정확한 포착	고정된 규칙이 아니라 시장 리듬에 맞춘 반응 전략 (예: 시장 레짐 기반 DAA)
無為而治	강제적 개입보단 자연의 흐름 활용	과도한 트레이딩보다 자연스러운 자산 흐름과 리밸런싱 중심 전략

➡ 결론: 주역은 포트폴리오를 생명체처럼 다루는 사고를 제공합니다.
과거 데이터 기반 확률 모델을 넘어 직관과 전체성, 균형감을 함께 고려해야 함을 시사합니다.

📌 통합적 시사점

구분	내용
🎯 궁극의 목적	변화무쌍한 시장 환경 속에서 동적 균형을 유지하는 것
🌀 시장 인식	시장은 선형적이지 않으며, 다차원적 상호작용의 복합계
🛠️ 전략 구성	정태적 최적화보다 적응적, 유연한 전략이 생존에 유리
🔄 실행 철학	무리하지 않고 자연의 흐름을 읽는 리듬감 있는 운용
🤖 기술 활용	ML/DAA는 변화를 인식하고 대응하는 기술적 확장일 뿐, 핵심은 시스템적 사고와 균형감

🧭 마무리 제언

시스템 사고는 구조적 복잡성과 리스크 흐름을 이해하는 틀을,
주역은 변화의 패턴과 조화의 미학을 통해 전략의 ‘감각’을 보완해줍니다.

📌 단순히 데이터를 잘 해석하는 것만으로는 부족하고,
변화의 리듬과 피드백을 감지할 수 있는 구조화된 직관이 필요합니다.

25.05.19.
Hoyal Horus Hawks

저작자표시 비영리 동일조건 (새창열림)

'투자의 기술 > 복잡계 투자론' 카테고리의 다른 글

7주차. 보충자료 - 리스크 관리 (2)	2025.05.18
6주차. 보충자료 - 종목 선정 (0)	2025.05.17
5주차. 보충자료 - 트렌드 예측 (1)	2025.05.15
4주차. 보충자료 - 군중 심리와 행동편향 (1)	2025.05.14
3주차. 보충자료 - 시장 트렌드 분석 (1)	2025.05.13

현재글제8주차. 보충자료 - 포트폴리오 관리

Illuminating Minds, Bridging Worlds - Another.Works

시스템 원형, eroding goals, 칼릴지브란, System Thinking, 칼릴 지브란, limits to growth, 생물모방, 기본적 분석, success to the successful, archetype, growth and underinvestment, tragedy of the commons, 지속가능성, 워런 버핏, 피터 린치, 예언자, Data Science, 시스템 사고, prophet, escalation,

« 2025/05 »
일	월	화	수	목	금	토
				1	2	3
4	5	6	7	8	9	10
11	12	13	14	15	16	17
18	19	20	21	22	23	24
25	26	27	28	29	30	31