멀티팩터모델 조합 Composite vs. Integrated

최근 페이스북이나 스넥에 일반인들의 팩터 인베스팅에 대한 글이 자주 올라온다. 너무나 쉽게 몇십퍼센트의 수익률을 올릴 수 있다고 광고해서 개인들은 현혹하는 측면이 없지 않으나(전략의 robustness에 대한 언급이 없다. 아마 글을 쓰는 저자 스스로도 관련된 지식이 없을 것이다. 실제 팩터인베스팅으로 운용을 상당 기간 해왔다면 백테스팅처럼 되지 않는다는 것을 분명 느낄 것이다. 특히 최근 몇년간은..) 개인들에게 퀀트 운용을 널리 알렸다는 것은 바람직한 것 같다.

개인적으로 팩터 연구를 지난 몇 년간 해오면서 멀티팩터 운용시 팩터들을 어떻게 조합할 것인가에는 크게 시간을 쏟지 않았다. 그보다 무언가 알파가 나올 것 같은 개별 팩터를 찾는데 대부분의 시간을 쏟았고 역시나 그런 팩터들은 특정기간에 알파를 내다 소멸되다를 반복한다. 지금은 장기간 robust하게 성과를 내는 팩터들(주로 이런 팩터는 이미 널리 알려진 것들이다)을 잘 조합하는게 정답이 아닌가 싶다. 물론 팩터들의 로테이션에도 관심을 가지고 딥러닝을 응용시키고자 하고 있으나 그 유용성에 대해 AQR의 Asness 아저씨는 최근에도 부정적인 의견을 내놓으셨다..(Factor Timing is Hard)

팩터를 조합하는 방법은 개별 팩터별로 주식을 뽑아 섞는 Composite, 혹은 Portfolio Blend 방법과 개별 팩터 스코어를 모두 더해서 한번에 주식을 뽑는 Integrated, 혹은 Signal Blend 방법으로 나뉜다. 두 방법 모두 지지자들이 있는데 전자는 간단하고 직관적인 반면 두 팩터간의 상호 작용을 고려하지 않아 비효율적이라는 비판을 받는다. 철인3종 경기의 대표를 뽑는데 수영, 육상, 싸이클을 각각 잘하는 선수를 뽑아 선발한다고 비유하면 될까.

해당 논란에 대해 작년말 골드만삭스의 액티브베타 에퀴티 스트레티지 팀(트렌디한 이름이군..)이 다음의 논문을 냈다. Constructing Long-Only Multi-Factor Strategies: Portfolio Blending versus Signal Blending

결론은 포트폴리오의 factor exposure 정도에 따라 선호도가 달라진다.

위 그림에서 3번이 Composite 에서 투자하는 부분, 2번이 Integrated 에서 투자하는 영역이다. 일반적으로 기대하는 것과는 다르게 의외로 3번의 액티브 리턴이 2번보다 우월하다. 다만 그림에서 보듯이 Factor exposure가 커질수록(팩터가 강한 소수 종목에 집중할 수록) 2번 영역이 우상향하면서 Integrated 성과가 우월해진다. 즉 얼만큼 집중투자를 하느냐에 따라서 선호도가 다르다. 이렇게 한 가지 그림으로 직관적으로 이해시키는 대가들에 감탄할 따름이다.

사실 물론 1번에만 투자하는게 최고다. 러셀에서 1번처럼 개별 팩터의 exposure를 최대화 시키는 방법론을 설명한 문서를 봤는데 개인적으로는 그게 가장 우수하지 않나 싶다. 일반일들도 퀀트 인베스팅을 많이 하는만큼 edge를 내기 위해 이런 차별화 연구를 계속 진행해야겠다.

Read More

Volatility Drag - 레버리지 ETF 투자가 수익이 낮은 이유

삼성증권 김동영 위원님이 무려 테일러 급수가 포함된 리포트를 내셨다. 이로써 아무도 퀀트 리포는 보지 않는다는 사실이 분명해졌다..ㅎㅎ

일반적으로 레버리지 상품이 장기투자에 적합하지 않다고는 알고 있지만 이유를 확실히 대지 못하는데 본 리포트에서는 변동성이 누적 복리 수익률(기하평균)을 갉아먹기 때문이라 설명한다.

흔히 수익률이 하락할 때 효과가 상승보다 크니까 레버리지가 안좋다고 생각하지만 volatility drag 혹은 volatility drain 효과 때문에 지속적으로 상승하는 자산이라도 상승률의 변동성이 크면 레버리지 상품의 수익률을 하락하게 된다. 흔히 low vol effect라 불리는 anomaly에도 이런 효과가 포함된 것으로 판단된다.

리포트 후반 이런 효과 때문에 디레버리지 상품의 가능성을 언급하셨는데 비트코인을 이러한 방식으로 개발하면 알파가 나올 수 있을 것 같다. 뭐 비트코인은 현재 심사를 앞두고 있는 ETF 부터 통과해야겠지만...

Read More

잔고를 자주 확인하지 말자!

대다수의 투자자들은 항상 내 포트폴리오가 언더퍼폼 한다고 느낀다. 물론 매일 청산을 하는 단기 투자자는 그 느낌이 실제 투자성과이지만 장기적으로 수익을 내는 포트폴리오를 가지고 있는 투자자 조차 그런 느낌을 받고 실제 성과가 나기 전에 포트를 교체하는 것이 문제가 된다.

이는 개인이 수익과 손실을 바라보는 관점이 다르기 때문이다. 대다수의 투자자는 손실이 발생할 때의 아픔이 수익을 냈을 때의 기쁨보다 크다. 전문가도 예외가 아니라 평소 멘탈이 강하다고 생각했던 매니저분들이 계좌가 하락할 때 크게 낙심하는 것을 종종 보게 된다. 학계에서는 이를 prospect theory 라고 부른다. 금융의 영역을 떠나 일상 생활에서도 사람들은 주로 절대적인 자신의 상황에 비관하고 불행해하지만 남과 비교해 상대적으로 나을 때 행복을 느낀다는 점을 보면 맞는 이론인 듯 하다.

제목부터 강렬한(A Watched Portfolio Never Performs) Longboard의 최근 글에서는 다음 그래프로 이러한 현상을 잘 나타냈다.

실제 수익률은 위의 파란 그래프를 따라가지만 성과를 확인하는 주기에 따라 투자자들이 체감하는 수익은 아래처럼 감소하게 된다. 대다수의 투자자가 그러하듯 매일 계좌를 확인하면 장기간 투자에도 난 항상 손실이야 하고 느끼는.. Newfound는 팩터별로 상대 성과도 이런 효과가 있다는 포스팅을 했다.

이런걸 보면 매일 관련종목 뉴스와 공시를 크롤링해서 메신저로 보내주고 수익률을 체크하는 것이 잘하고 있나 생각이 든다. 고전적 퀀트모델이든 알고리즘 트레이딩이든 딥러닝을 적용하든 모델을 잘 만들어 주기적으로 리밸런싱만 해주는 투자방법이 옳다는 확신도 들고. 액티브가 됐든 패시브가 됐든 결국 이상적인 전략은 꾸준히 투자전략을 유지할 수 있어야 한다.

Read More

Decomposing Equity Returns

매일 퀀트 리서치를 하고 관련 자료를 읽지만 그걸 블로그 등으로 남기는 것은 꽤나 성가신 일이다. 새삼 블로그로 유명한 분들이 대단해 보인다..

최근 인상깊게 본 리서치는 newfound의 anatomy of a bull market

주식시장은 상승, 하락장을 번갈아가며 장기간 우상향하지만 개별 상승, 하락장을 분석하면 그 특성이 달라진다. 그래서 주식에 투자하면 미국 기준 장기 평균 대략 9-10% 수익을 기대할 수 있지만 실제 투자자들이 얻는 수익은 거의 저 평균과 상당히 차이가 있다. 대부분 상승장에서는 10%초과, 하락장에서는 20%이상 하락. 

newfound는 상승장에서 수익이 어디서 나오는 지 분석했다. 70-80년대는 인플레이션, 2009년부터 지금까지 이어져온 상승장에서는 밸류에이션 상승이 주식 수익률에 크게 기여했다.

밸류에이션으로 오른 시장이라니 가장 취약한게 아닌가 싶지만 다행히도 밸류에이션을 과거 하락장에서 하락한 밸류의 회복과 새로운 밸류에이션 확대로 나눠서 봤을 때 이번 상승장은 밸류에이션 회복 효과가 크다. 뭐 그럼에도 어닝이 올라오는 것 대비 밸류가 빨리 상승한다는 것은 변함이 없지만..

아래는 10년기준으로 시장 수익의 원천을 나타낸 그래프. 재밌는건 윈도우 기간을 어떻게 잡느냐에 따라 원천이 달라지는데 짧을 때는(3년) 밸류에이션이 가장 큰 역할을 하지만 30년으로 길어지면 밸류에이션은 거의 의미가 없어진다. 그런데 3년도 길지 않나요...?

Read More

[책 리뷰] 딥러닝 첫걸음

얼마 전 한빛미디어에서 IT 전문 서평단 <나도 리뷰어>를 모집했고 감사하게도 당첨이 돼 책을 배송받았다.

딥러닝을 실무에 적용시키려고 공부중인 나에게 딱 맞는 책이 아닐 수 없다.(텐서플로우 첫걸음, 밑바닥부터 시작하는 딥러닝도 보내주시면 안되나요...?)

책을 받자마자 앉은 자리에서 한 번에 책을 다 읽었다. 그만큼 부담스럽지 않고 읽기 쉽게 술술 쓰여진 책이다. 모두의 연구소 스터디의 산출물이라 그런지 딥러닝을 공부하는 입장에서 이해가 안되는 부분들을 쉽게 풀어써 주었다.

텐서플로우와 같은 라이브러리를 이용하는 사용자라 할지라도 역전파(backpropagation)알고리즘과 cross entropy의 원리를 이해하는 것은 중요하다. 실제 문제를 적용할 때 어떻게 initial weight을 설정하고 어떤 최적화 알고리즘을 쓰는게 효과적일지는 이런 기본 원리를 알아야 문제에 맞게 적용할 수 있기 때문이다. 보통 블로그나 메뉴얼들이 기본 원리보다는 바로 코드를 적용하기에 바쁜데 책을 통해 그런 갭을 줄일 수 있었다. fully connected network를 공부하다 처음 접하면 햇갈리는 CNN도 매우 직관적으로 잘 설명해 주었다.

다만 다소 아쉬운 점은 책의 서문에서 책의 독자를 실제로 딥러닝을 연구하는 사람과 딥러닝에 관심 있는 일반인이라 밝혔는데 실제로는 그 중간쯤에 위치한 사람에게 알맞은 책인듯 하다. 첫걸음이긴 하지만 RNN을 다루지 않은 점도 아쉽다. 개인적으로 읽는데 문제는 없었지만 matlab 대신 python 코드가 독자들에게 더 익숙하리라 생각된다.

김성훈 교수님의 강의나 다른 기초 자료들을 통해 딥러닝을 맛본 사람이 체계적으로 기초를 공부해보고 싶다면 추천한다. 첫걸음의 후속편도 비슷한 형식으로 나와줬으면 좋겠다.

Read More