검색결과 리스트
글
(2012-02-23) Market preview: 중국 긴축완화 지연이 가장 큰 risk factor
Summary
- 시장 끌어내릴 수 있는 risk factor로 1) 유로존 리스크 재점화, 2) 유가 등 인플레이션 리스크, 3) 3월 양회에서 보여줄 긴축완화 관련 중국 스탠스를 들었음. 결국 WTI유가 $105 넘어가며 빌미 조정 제공.
- 유가 공방에 대한 시장 의견은 $120선 넘어가기 전까지 크게 우려할 이유는 없다는 주된 의견임. 논조의 주된 근거는 선진시장 물가에 미치는 영향력이 제한적.
n 1) 이상한파 찾아온 겨울이 지나가고 있고, 2) 북미 드라이빙 시즌 앞두고 있지만 비축유 규모가 기대치를 상회하고 있으며, 3) 천연가스, 쉐일가스를 비롯한 대체에너지 자원 충분, 4) 원자재 시장의 투기적 수요 잡기 위한 제도적 장치 마련, 4) 이란 사태는 4월 선거를 앞둔 강경파의 정치적 제스처에 불과 (토러스)
- 반면, technical base로 WTI $105 돌파는 structural breakout, 단기적으로 $120선까지도 업사이드 있다는 의견도 있음 (CLSA)
- 다만 문제는 선진시장이 아닌 EM. 인플레이션 리스크 확대에 따른 중국 긴축완화 움직임의 딜레이 가능성임.
n 박스권 상단으로 인식되던 $100선 돌파, copper 및 gold 역시 급등하며 인플레이션 리스크 확대에 베팅하는 모습. 지준율 인하로 유동성 확대에 나서고 있으나, 인플레이션 리스크 확대 시 본격적인 긴축완화 시기를 한 단계 늦출 수 있음.
n 상반기중 완화 흐름이 지속된다 해도 중국 긴축완화에 대한 시장 기대감이 높은 상황으로 주의가 필요로 할 것으로 보임. 1월초 부진했던 중국 소비인프라 수혜 종목들은 양회를 2-3주 앞둔 지난주부터 시장등락에 관계없이 O/P 추세(avg. beta = 0.75)
n 최근 kospi와 중국증시 상관관계가 높아진 가운데, 외사는 중국 증시에 대해 다소 부정적인 시선 유지 중.
u 과거 중국증시 상승세 이끌던 Property sector 실적 부진할 것, 싸지도 않다(SG), 본격적인 중국 긴축완화는 올해 중반 이후 (CLSA)
- 유동성 장세 흐름 둔화로 지수움직임은 박스권, 이후 실적에 따른 종목별 차별화 언급하는 투자전략 나오고 있는 중 (한투, 우리)
n 대형주 실적추이는 여전히 하향세 지속 중. 2009년과 같이 IT와 자동차가 실적 상향을 진두지휘하며 지수상승세를 이끌었던 때와는 다른 양상. 외국인 매수세 역시 둔화추이를 보이고 있으며, 최근 실적하향 흐름 역시 대형주보다는 중형주가 우호적.
n Quant portfolio가 O/P하기 좋은 시장 분위기는 만들어지고 있으나, 중형주 성과는 삼성전자를 비롯한 대형주의 지수 흔들기에 달려 있을 것으로 보임. 완연한 조정분위기 속에서도 일부 대형주의 차별적인 상승세로 피로도를 높여나가고 있음.
설정
트랙백
댓글
글
(2012-02-17) Market preview: 3월 중순 이후 조정 가능성, 추가모멘텀 필요
Summary
- Sentiment indicator는 historical high 터치 후 peaking-out 시작. 그 동안 견조했던 component factor 전반적으로 peak-out 중. 다만 여전히 enjoying risk 국면 지속
- 가장 먼저 peaking-out한 signaling factor는 momentum factor. 지난해 11월 중 bottom-picking에서도 유의미한 signaling, “market index보다 한 박자 빠른 trough & peak 형성, 시차는 약 1.5개월”
- 전일 필수소비재 O/P으로 cyclical – defensive relative performance factor 역시 peak-out, momentum factor 역시 peak-out. -> 낙폭과대cyclical에 의한 추가 상승여력은 크지 않음을 시사
- 전일 하락빌미는 2000선 돌파에 따른 피로감 & 그리스 재정감축 합의 지연이지만, 그리스 제외 CDS 스프레드 급등은 찾아볼 수 없음, 여전한 시장의 낙관적 기대.
- 반면, 전일 북미 매크로 서프라이즈에 야간선물 +1% 이상 급등 -> 현 시장 상승세 흐름이 낙관적 기대에 편승, 유럽보다는 북미-중국 매크로에 동조화되어 있음을 시사
n 그리스 재정감축안 준수 의지에 대한 강한 의구심, 회의적 시각과 disorderly default로 가더라도 예전보다 나으리라는 자신감 공존 (CLSA)
n BOJ 자산매입프로그램에서 target inflation numeric 제시의 의미 -> 중앙은행 QE에 따른 bull market 예상이 내포되어 있는 것, still “tactical risk on” (CLSA)
n 1차 LTRO에 따른 시장의 “risk on” mode에 대해 국내 하우스는 나이브한 긍정적 뷰 피력 vs. 외사는 다분히 tactical 측면에서의 “risk on”으로 해석, “speculative trade” (CLSA)
- PR매물 및 환매자금 소화 후 기술적으로 2100 인근까지 박스권내 제한적 움직임 보이며 완만한 상승은 가능하겠지만 문제는 그 다음 -> 3월 이후 어떤 모멘텀, 주도주가 가능할 것인가 이슈 (대우)
n 시장을 끌어내릴 수 있는 주요 remaining risk 요인은 1) 드라기의 급진적 스탠스 변화(과잉 유동성 흡수), 2) $100선 돌파한 유가 등 인플레이션 우려, 3) 중국의 easing delay -> 결국은 유동성 흡수시기와 펀더멘털 회복속도의 밸런스 문제
n 유동성 모니터링 측면에서, 주요 중앙은행의 GDP대비 balance sheet expansion 추이 확인이 중요, inflation에 대한 중앙은행의 스탠스 변화를 확인할 수 있기 때문에 (CLSA)
n 중국 temporal easing delay에 대해서는 H-share대비 A-share의 최근 underperform에서 힌트를 얻을 수 있을 것 -> 본격적인 경기부양은 승계 이후. 차기 지도부에 선물을 안겨주어야 함. CHINA easing은 기대만큼 빠르지 않을 것이란 시장 컨센서스를 나타내는 것 (CLSA)
n 유럽을 돌아 이머징으로 들어온 머니는 유로존 재정위기가 해결 국면에 접어들 경우 다시 유로존으로 리턴 할 것임, “시체를 뜯어먹고 살아남은 하이에나는 사냥꾼의 좋은 먹잇감”.
- 결과적으로 3월 이후까지 랠리가 지속되기 위한 선결조건은
n 2-4월 유로존 국채만기 물량 소화가 진통을 겪고, 유가는 $100선 근방에서 공방을 벌이며, 중국 물가가 잡혀갈 경우. “KOSPI는 EM중 relatively 덜 오른 시장 중 하나”
n 반면, 유로존 국채만기가 수월하게 진행되고, 3월 중국 양회에서 중국정부가 내놓은 결과물이 기대치를 크게 하회하며, 이란이 남성미를 선보이며 유가는 $100선을 훌쩍 뛰어넘을 경우, EM에 유입된 핫머니는 다시 유로존으로 돌아갈 가능성 높음. 레인지 하향조정 중인 원달러 환율이 차익실현 욕구를 더욱 부채질 할 것, “펀더멘털의 역설”
n Watch point는 1) 2-4월 중 유로존 국채만기 물량 소화, 2) 유가수준을 비롯한 인플레이션 리스크, 3) 3월 중국 양회에서 보여줄 중국의 스탠스가 될 것으로 보임. 결국은 펀더멘털 회복속도와 유동성의 회수시기의 저울질 문제, 그리고 그 과정에서 한국기업이익 추이가 얼마나 시장 기대치를 만족시키는가가 관건.
2011.08. 급락기 Bottom-to-Bottom 기간은 1.5개월 내외, Peak이후 동일기간 적용 시(naïve est.) 3월 중순까지 완만한 상승 가능성. 문제는 그 다음.
낙폭과대 cyclical 주도에 의한 상승 여력은 더 이상 기대하기 쉽지 않은 상황, 주도주 부재로 시장 모멘텀 역시 하향추세
“Risk on rally” 가운데 A-share relative underperform의 의미에 주목 -> 근시일 내 CHINA easing 효과 기대는 어려울 것 (지도부 승계 문제, 여전히 높았던 물가 수준 등)
유로존 재정위기가 사그러들수록 EM이 힘을 잃을 가능성은 더욱 높아. ”Watch this ratio”
설정
트랙백
댓글
글
Operational efficiency & firm performance (Baik et al., 2010)
등록일: 2012-04-25 (2012-04-25)
제목: "Changes in Operational Efficiency and Firm Performance; A Frontier Analysis Approach"
저자: Baik, Chae, Choi, and Farber
출판사항: Working Paper.
요약:
- Operational efficiency change가 earnings change에 대한 predictive power가 있음을 실증적으로 확인.
- 주목할만한 부분은 operational efficiency measure(OEM). 재무제표 산식의 개별지표(재무비율)가 아니라, DEA를 이용해 일종의 OEM index를 계산하고 OEM index의 시계열적 변화가 earnings change(firm performance change)에 대한 predictive power가 있음을 보임.
- 중요한 사실은 다양한 input variable을 토대로 DEA, SFA를 통해 얻어진 단일 OEM index가 Operational efficiency 관련 개별 재무지표, 재무비율보다 incremental prediction power를 가진다는 것. Operational efficiency measure를 단일지표화 한다는 것도 의의, incremental explanatory power를 가진다는 것도 또 하나의 의의.
- Earnings change는 결국 earnings momentum을 측정하는 지표이고 주가 움직임의 driver가 됨. 다른 accounting variable, stock return 등으로 earnings change를 잡아내려는 노력이 있었는데, 같이 사용해볼 여지가 있음. 특히 consensus가 존재하지 않는 기업들.
- Efficiency measure modeling (운영 효율성) – Detailed variable def.은 Appendix 3.
n Dependent variable: sales revenue (basement for firm earnings & cash flow)
n Input variable set #1
u PP&E(net property, plant, and equipment)
u COGS(cost of goods sold)
u Administrative cost(SG&A)
n Input variable set #2
u Input variable(1)
u Capitalized operating lease (Present value with current 5yrs)
u Capitalized R&D (Present value with current 5yrs)
u Purchased good will(GDWL)
u Other intangibles ( = INTAN-GDWL)
- Predictive power 검증 위한 regression 산식
n EPS변화 = f(MALM, lag variable, fundamental signals for control variable)
n Stock return = f(MALM, lag variable, fundamental signals for control variable, risk factors)
n MALM=Malmquist index from DEA or SFA
n CATO = asset turnover change, CATO(t)=ATO(t)-ATO(t-1)
n Fundamental signals (9 variables)
u INV(Inventory)
u Accounts Receivable (AR)
u Capital Expenditures (CAPX)
u Gross margin (GM)
u Administrative cost(SG&A)
u Effective tax rate(ETR)
u Earnings quality (EQ) = LIFO (0), FIFO(1)
u Audit Qualification (AQ)
u Labor Force(LF) = (Sales(t-1)/#Employee(t-1) – Sales(t)/# Employee (t)) / (Sales(t-1)/# Employee (t-1))
- Malmquist index
n Operational efficiency의 상대적 비교를 보여주는 일종의 인덱스 지표, 시점에 따른 input variable 차이를 반영하기 위해 두 시점의 input 및 production function을 모두 사용하여 일종의 기대 ouput 수준의 비교우위 정도를 계산하는 방식 (intuitive).
n MI = sqrt( Q1(t)Q2(t)/Q3(t-1)Q4(t-1)) 로 정의.
u Q1(t)=f(t, input (t))
u Q2(t)=f(t, input(t-1))
u Q3(t-1)=f(t-1, input(t)), (t-1)시점의 production function
u Q4(t-1)=f(t-1, input(t-1)), t(-1)시점의 production function
n 본 연구에서 production function Q는 efficiency measure가 됨(annoying to calculate)
EPS Change for each industry-year group
Contemporaneous return by each industry
Future return by each industry
특이사항:
- 매 시점마다 efficiency 정도를 계산 후, Malmquist index를 통해 efficiency change를 다시 계산해야 함. Efficiency의 absolute level보다 efficiency change가 중요하다는 것(similar to the market)
- DEA(SFA) 계산 과정은 업종industry별로 계산. 업종에 따라 레버리지하고 있는 profit driver의 차이 반영하는 것. 자연스런 contextual approach. 다른 fundamental factor도 이런 식으로 활용할 수 있을까. Idiosyncratic risk가 큰 종목군(factor 설명력이 낮은 종목군) vs. 작은 종목군(factor 설명력이 높은 종목군)으로 분류. Factor 설명력에 대한 index?사실 굳이 이렇게 하지 않아도 다른 계산법은 충분히 있음.
- Industry level을 어느 수준에서 정의할 것인가의 문제. Macro-factor에 대한 영향이 비슷한 그룹끼리 묶어도 되는가에 대한 고민(섹터/인더스트리그룹/인더스트리 by fnGuide). 레버리지 profit driver가 다를 것이기 때문에 쉽지 않은 문제임. Empirical testing으로 걸러낼 수 밖에 없음.
설정
트랙백
댓글
글
Optimal portfolio choice with parameter uncertainty (Kan,Zhou, 2007)
특이사항:
설정
트랙백
댓글
글
Shrinkage covariance matrix (Ledoit, Wolf, 2003)
- 유니버스 구성 종목들간 실현수익률의 샘플 모집단sample return을 토대로 추정한 sample covariance matrix는 최우추정치MLE;maximum likelihood estimator로, 계산이 용이하고 실제 covariance matrix가 singular할지라도 non-singular하다는 큰 장점이 있지만, 다음과 같은 문제점을 내포.
1) too little structure: 기존 factor model기반 risk model(factor covariance matrix)는 factor structure의 존재로 인해 lower dimension, risk factor exposure를 조정할 수 있는 장점이 있는 반면, sample covariance matrix는 종목간 공분산 추정으로 인해 risk factor exposure 조정이 불가.
2) instability if "N>T": MLE인 sample covariance matrix가 되려면 추정에 사용되는 기간 "T"가 유니버스 구성종목 수, "N"보다 상당히 커야 함. 이를 만족하지 않을 경우 risk model의 stability가 상당히 떨어지는 문제 발생.
- 일반적으로 risk model(covariance matrix) 추정오차estimation error에 따른 Markowitz portfolio 성과변동성은 기대수익률expected return에 비해 낮은 편이지만, risk model의 추정오차를 개선할 수 있다면 risk-adjusted return 개선 측면에서 의미있는 시도임.
- Ledoit, Wolf(2003)는 sample covariance matrix와 1-factor CAPM 기반 structured factor-based covariance matrix의 최적조합을 찾아 risk model 추정에 있어서의 추정오차estimation error를 최소화 시도.
- Loss function을 활용, 실제 covariance matrix와 sample covariance matrix와의 매칭정도를 확인하여 최적 가중치를 결정하는 방식을 착안. 전형적인 shrinkage estimator의 형태.
- 실제 empirical test 결과, risk model의 추정오차 감소 -> IR로 대표되는 risk-adjusted return 개선 확인. Only one model 보다 hybrid model을 사용해야 하는 이유.
- 실용성, 아이디어 간결함이 좋음. Practice에서 활용할 수 있을 정도. 동일 scheme을 sample-based risk model + statistical risk model + factor-based risk model 최적조합(비중)을 결정하는 데에 활용할 수 있을 것.
- 각 risk model별 설명력이 우수할 수 있는 시장이 다르다는 데에 착안해야 할 것. statistical factor model, sample risk model은 시장이 급변하는 환경, fundamental factor의 설명력이 떨어질 수 밖에 없는 환경에서 잘 높은 설명력을 보일 수 있을 것으로 사료됨. portfolio의 herding risk를 최소화할 수 있음.
- Fundamental risk model은 정상시장normal market에서 alpha contribution, risk-budgeting 차원에서 필요. 시점에 따라 다른 weight를 줄수도 있지만, 이보다는 loss function을 활용해 stable한 weight를 주고 분산효과를 누리는 편이 바람직할 것. Market regime-dependent weighting은 또다른 betting의 문제로 귀결.
- 단, Ledoit, Wolf(2003)은 two-risk model에 대한 선택문제임. three-risk model에 대한 문제로 볼 경우 추정해야 하는 weight parameter가 2개가 됨. dimension의 증가문제, 추정오차estimation error 증가문제가 생길 수 있음. 결국은 trade-off 선택에 대한 문제. 각각의 weight에 대한 closed-form solution 정리.
설정
트랙백
댓글
글
Contextual approach (Sorenson et al., 2005)
- 주식 유니버스 내 모든 개별종목들은 투자의사결정에 있어 대체재substitute이긴 하지만, 모든 종목을 별다른 구분없이 동일기준 잣대로 비교분석할 수는 없음. 이는 포트폴리오 단위의 투자가 이루어지는 투자자의 투자성향(목표)과 특정 정보에 따른 주가반응 형태characteristics& stock price behavior가 해당 종목의 특징characteristics에 따라 다른 양상으로 나타나기 때문.
- 벤치마크 비트가 목표인 기관투자자들은 risk-adjusted return 극대화를 목표로 하므로 특정 주식들의 초과수익률 기대치expected excess return가 높다고 해서 풀베팅하지 않음. 즉, 위험고려 차원에서 업종별 벤치마크 주식비중을 조정tilting하는 방식으로 알파를 추구하게 되므로 주식 유니버스 내 모든 개별종목들은 불완전대체재incomplete substitute의 특성을 지님.
- Market anomalies에 기반한 전략 성과의 실증연구결과 역시 종목의 특성에 따라 서로 다른 상이한 차이를 가지는 것으로 알려지고 있음. 예컨대, 모멘텀 효과는 성장주growth stock에서 더욱 크게 나타나는 것으로 알려지고 있으며(Daniel et al., 1999), 가치주 전략value strategies는 비록 유의한 전략이기는 하나 모멘텀 주식들에게서 더욱 약한 것으로 알려지고 있음(Asness, 1997).
- Sorenson et al.(2005)은 개별주식들의 특성characteristics를 크게 5가지 factor로 분류 (value/operating efficiency/Accounting accruals/External financing/Momentum) 후, 종목별 특성에 따라 어떤 factor가 유의미한 alpha driver인지, stock characteristics에 따른 Markowitz portfolio는 서로 얼마나 닮아있는지 distance measure를 통해 실증분석.
- 실증분석 결과 characterized stock별 best performing factor(Markowitz portfolio)는 다음과 같음.
1) value investor(high value stocks): External financing, operating efficiency
2) momentum seeker(high momentum stocks): Operating efficiency, accounting accruals
3) "One-fits-all-model": similar with "Bluechip Seekers(high earnings stability)"
- 어느정도 make-sense한 결과. value stock들은 1) 현 시장환경에서 할인요인이 없음에도 할인되고 있는 종목들이거나, 또는 2) 환경 변화에 따라 할인요인이 사라질 것으로 기대되는 종목들임. 즉, 높은 밸류에이션 매력을 가진 종목 중 default risk의 proxy인 외부자본조달비용external financing cost과 영속기업의 proxy로 operating efficiency factor를 사용해 높은 밸류에이션 매력을 가지고 있으면서도 낮은 default risk와 수익성으로 영속기업 가능성이 높은 종목들을 가치주를 분류해 낼 수 있음. 예컨대, 2012년 1-2월초 시장을 크게 outperform한 주식들이 이에 속함. 동기간 12M fwd. PE기준 high value high beta stock들이 크게 outperform했는데, 이는 매크로 환경 개선에 따라embedded default risk 감소, earnings stability 개선에 따라 discounting factor가 사라진 저평가 주식들을 선호했기 때문에 생긴 결과임, "As discounting factors gone as market change, now they are value stocks".
- momentum stock들은 기업의 수익성 관련 지표에 민감하게 반응하는 것으로 나타났는데, 이는 해당 factor들이 현 주가(또는 최근의 강한 주가 상승률)을 합리화하기 위한 growth credibility에 대한 proxy이기 때문. "if further growth confirmed or convinced, even price overreaction will be compromised".
특이사항:
- Sorenson et al.(2005)의 contextual approach는 factor-based quantitative stock view에 active manger's view를 blending했다는 데에 의미. 이는 equity alpha driver를 보다 세밀하게 접근하여 1) 기대수익률alpha forecasting 차원에서 factor risk premium의 추정오차를 개선시키는 효과를 기대하게 하고, 2) 개별종목별 working factor 판단을 용이하게 하여 fundamental factor 기반 risk model(factor covariance matrix) build 과정에서 가장 큰 난제인 "positive definite" necessity condition 만족을 보다 손쉽게 가능케 할 것이란 기대를 가지게 함.
- Contextual approach의 practice 접목에 있어 가장 큰 이슈는 종목을 어떤 기준, 어떤 factor로 나눌 것인가 하는 점임(grouping dimension에 대한 문제).
- Contextual factor로 활용해봄직한 factor는 1) fundamental factor(value/momentum), 2) 사이즈 or 유니버스 factor(large/mid/small or KOSPI/KOSDAQ), 3) 업종sector이 있을 것. macro-indicator는 결국 업종별 분류와 같은 맥락에서 결과가 도출될 것임. 좀더 lower dimension으로 가져갈 수 있겠지만 설명력은 좀더 떨어질 것.
1) value/momentum: "가치주/성장주" 분류. "historical growth or expected growth by consensus?"의 문제가 남음. empirical하게 살펴봐야 할 이슈.
2) 사이즈 or 유니버스: 사이즈 분류는 가치주/성장주 category로 흡수가능성. empirical하게 한번 봐야 할 이슈.
3) 업종sector : 업종sector별 유니버스 분류 시 가장 큰 문제는 업종별 종목수가 편차만별, 특정 업종에 지나치게 편중되어 있다는 것. 극단적으로 유틸리티 관련 종목은 10종목 내외, 기타금융은 삼성카드 한종목. 샘플모집단 문제 해결을 위해 업종분류를 느슨하게 처리 한다면 추정오차가 커질 것. 매크로변수에 따른 업종선택 차원에서 조익재 연구원님의 업종선택방식(2-step sector approach)이 활용여지 있음. "1차(경기사이클)경기민감업종 vs. 방어업종 -> 2차(경기민감업종): 소비재 vs. 자본재". 결국 "소비재/자본재/방어업종"의 3 cateogry 분류. Multi-dimensional contextual approach가 가능하기 때문에 empirical test를 통해 확인할 밖에 없음.
4) Residuals(idiosyncratic risk) 기준: fundamental factor의 설명력을 기준으로 나눠볼 수 있음. 즉 개별종목 리스크가 큰 종목군과 그렇지 않은 종목군으로 분류. alpha factor risk premium의 추정오차estimation error를확연히 개선시킬 수 있을 것. 각 factor마다 이렇게 나눠보는 것도 의미가 있음.
- grouping dimension이 결정되었다면 다음 이슈는 유니버스 covariance matrix build의 문제. 특정 dimension에서 statistically insignificant factor에 대한 exposure를 어떻게 처리할 것인가 하는 점. 정말 nerdy한 문제.
설정
트랙백
댓글
글
Portfolio resampling (Scherer, 2002)
요약:
- 이는 평균과 분산 추정에 사용되는 자료 역시 realized된 random variable, point estimate으로 randomness의 영향력에서 자유로울 수 없기 때문.
- portfolio resampling은 point estimate 사용의 문제를 피하기 위해 parametric method를 이용함. 절차는 다음과 같음.
1) 초기 샘플모집단으로부터 assumed "actual" distribution을 추출,
2) 포트폴리오 기대수익률 별로 구간을 나누어 샘플모집단 생성 & MVO를 수차례 수행,
3) 이를 통해 얻어진 기대수익률 구간별 Markowitz's portfolio weight avg.를 efficient frontier drawing에 사용
- 각 기대수익률 구간별 시뮬레이션이 반복되는 과정에서 low return - high vol. stock이 편입되는 경우가 생기고, efficient frontier drawing 과정에서 시뮬레이션 결과 생성된 portfolio weights들의 평균을 사용하게 되므로, 실제로는 좀더 다양한 종목들이 포트폴리오에 편입되는 효과를 기대할 수 있음
- 이와 같은 "분산투자효과diversification effect"이 portfolio resampling의 가장 큰 장점. 특히 no short-selling constraint가 포함된 long-bias portfolio의 경우, low return-high vol. stock이 편입되게 되므로 일종의 "optionality"를 기대해볼 수 있음, "natural exposure to the optionality factor"
- 이러한 "more diversification, more optionality"가 resampling 기법이 기존 MVO에 비해 아웃퍼폼하는 이유로 판단됨. 다만 이러한 optionality 효과는 short portfolio를 통해 high vol. hedge가 가능한 long-short 조건하에서는 관찰되지 않음(long high-vol. hedged by short high-vol.)
- portfolio resampling의 가장 큰 문제점은,
1) 초기 샘플모집단의 성격이 actual distribution을 제대로 설명하지 못할 경우. Parametric sampling으로 초기 샘플모집단으로부터 추정된 통계량을 토대로 actual distribution을 가정하게 되므로 초기 샘플모집단의 대표성이 매우 중요. 여전히 estimation error로부터 자유롭지 않을 수 있음.
2) 기대수익률 추정의 문제. sample risk model build에는 강점이 있겠지만, structured risk model build에는 활용하기가 쉽지 않음(not proved). Estimation horizon "T"가 주어져 있다고 할 때, cross-sectional regression으로 추정된 risk premium distribution을 토대로 sampling을 할 수는 있음. 다만 여전히 1)의 문제가 남게 됨. 순환론적 오류의 문제.
3) 계산량 증가의 문제. computational burden이 클 수 있음. structured risk model에서 factor premium sampling이 아닌 개별종목 기준에서 parametric sampling을 할 경우 계산량이 많아짐. 특히 universe 구성자산 수가 증가할수록 계산량이 증가. Resampling을 제대로 활용하기 위해서는 structured risk factor(factor mimicking portfolio)의 factor premium 기준으로 가야 함.
특이사항:
- Portfolio resampling은 efficient frontier 구성에 있어 샘플 모집단의 모멘트(평균,분산) 자료를 사용할 경우 발생가능한 추정오차estimation error를 감소시키기 위한 일종의 Monte Carlo simulation 기법(parametric method)
- Risk model build에는 효과적일 수 있음. 무엇보다 point estimate 사용과정에서 피하기 힘든 outlier를 도태시키는 효과가 클 것으로 생각함 (샘플모집단 생성 -> 기대수익률 구간 별 수차례 MVO 수행 후 average weight 사용 등).
- 본 paper에서 눈여겨 볼만한 또다른 기법은 portfolio distance measure에 대한 것. "A"라는 포트폴리오와 "B"라는 포트폴리오가 같은 성격의 것이냐 판단하는 기준점을 제공함. risk factor 별로 얼마나 유사한지 판단이 필요하지만(overall hedge가 될 수 있는지), portfolio turnover를 일으킬 것인지 확인해보기 위한 심플한 기법임. develop의 여지가 있음.
- 포트폴리오 편입종목 수 제한cardinality constraint이 있는 경우에도 분산투자효과를 기대해볼 수 있는지 의문.
- long-short portfolio 구성에 있어서, long portfolio에는 "natural optionality"를 살리면서, short portfolio에서만 optionality를 죽이는 방법 검토가 필요. 물론 "optionality"를 risk factor로 보고 보수적으로 포트폴리오를 구성한다면 full hedge하는게 맞는 선택(just do as MVO did, let MVO do its job just same as previous).
- Practice에서 resampling 기법을 사용하기 위해서는 sample risk model이 아닌 fundamental risk model에도 활용될 수 있는지가 가장 중요(fundamental factor risk premium estimation 활용 가능성).
- Cross-sectional regression base risk model: 적용상에 문제 없음. 단, 이와 같이 처리할 경우 factor premium의 conditional distribution에 대한 구분이 없음.
- Two-pass regression에도 접목할 수 있는가 확인 필요.
설정
트랙백
댓글
글
Portfolio Theory & Topics
제목: Portfolio Theory & Topics
저자: 최동근(Dongkeun.choi@gmail.com)
출판사항: N/A
요약: N/A
특이사항: N/A
Portfolio theory 관련 academia에서의 research 정리용으로 개인 관심사와 이해도를 중심으로 작성하여, 실제 research literature 대비 미진하거나 오독했거나 빠진 부분 있을 수 있습니다. 양해 부탁드립니다.
(1) Introduction: Why Quantitative Equity Management(QEM)? Why Mean-Variance Optimization(MVO)?
- 매니저 입장에서 운용 및 관리의 대상이 되는 것은 개별종목stock이 아닌 포트폴리오portfolio. 주어진 벤치마크를 beat하는 것이 목적이라면 주어진 risk budget하에 portfolio level에서의 overall balance를 개선시키는 것을 목표로 해야 함.
- 매니저가 overall portfolio level balance에 집중해야 하는 가장 큰 이유는 stock level에서의 correlation(covariance)때문. 결국 기대수익률expected return과 위험요소risk factor간 trade-off 조정을 통해 위험조정 수익률 극대화maximizing risk-adjusted return(performance)가 매니저의 주 목표임.
- 이러한 운용 프로세스를 quant manager의 입장에서 좀더 정리해보자면,
1) equity universe risk-return space를 spanning한다라고 알려진 risk factor를 찾아내고(factor identification),
2) 개별 risk에 대한 보상으로 주어지는 risk premium을 토대로 risk factor간 상관관계를 분석한 뒤(risk premium estimation & covariance matrix calculation)
3) 이를 토대로 기대수익률expected return과 예상위험expected risk의 trade-off를 감안한 최적 포트폴리오 조합optimized portfolio weight을 계산함 (mean-variance optimization)
- benchmark beating이라는 목적을 공유하고 있는 매니저라면 운용 프로세스 상에 큰 차이가 있다고 보기 힘들 것. Risk factor에 대한 관점과 해석의 차이는 있을 수 있음. 즉, 기대수익률과 리스크 간의 trade-off 배분을 어떤 방식으로 가져갈 것인가, 특정 risk factor에 대해 어느 수준까지 소위 "betting"을 가져갈 것인가에 따라, quant manager와 active manager(discretionary trader)의 차이가 있을 뿐 본질적으로 추구하고자 하는 목적은 동일.
- Jacobs, Levy, Markowitz(2005)의 Mean-Variance Optimization(MVO)은 quadratic programming-based optimization을 통해, 주어진 제약조건constraints 하에 포트폴리오의 기대수익률과 리스크간 trade-off를 고려한 최적 포트폴리오(종목별 비중)를 찾아내는 프레임워크를 제시.
- 여기서 제약조건constraints이 상당히 중요한 함의를 지니는데 대표적인 예는 다음과 같음
1) 포트폴리오 구성종목수 제약portfolio cardinality constraints
2) 운용 과정상에 흔히 존재하는 종목별 비중 제한portfolio weight constraints (ex. 삼성전자 편입한도, 개별종목 편입한도)
3) 운용 포트폴리오의 성격(Long-bias, long-short)에 따른 제한no short-selling constraints
4) 그외 매니저 view에 따른 리스크 요인 노출도 제한risk factor exposure constraints (ex. beta ~ 1.1이하 유지 등)
- 결과적으로, MVO는 주어진 risk-budget 하에("given risk-budget & constraints") benchmark 대비 위험조정 수익률risk-adjusted return(performance)을 극대화하는 효과적인 도구로서, academia와 practice에서 모두 검증된 도구로서 가치가 높음.
(2) Current research literature: Is "Markowitz's portfolio" really performing better? How to get it better?
- 심플하면서도 우아한 scheme을 지닌 Markowitz portfolio 성과는 기대보다 좋지 않은데(Michaud, 1989) 이는 MVO가 가진 본질적인 문제 - 기대수익률expected return 및 기대위험expected risk, measured by covariance matrix의 추정오차estimation error - 에 기인.
- input variable에 noise가 있을 경우 quadratic programming은 "Error maximizing"을 수행. "GIGO - Garbage In, Garbage Out"의 전형적인 예임. corner solution이 얻어지거나(극단적인 안전자산 또는 위험자산에의 betting), practice에서 운용불가한 포트폴리오(특정 종목에 극단적으로 치우진 long-short weight)를 최적해로 "내뱉는" 경우가 존재.
- 추정오차estimation error에 따른 문제는, 종목간(risk factor간) covariance matrix를 토대로 measure되는 기대위험expected risk 보다 기대수익률expected return 추정에서 크게 발생. Optimal portfolio의 out-of-sample performance 측면에서도 후자의 영향력이 보다 큰 것으로 알려짐. Cheung(2009)은 기대수익률 추정expected return estimation의 어려움을 "Holy grail"에 비유하기도.
- 일반적으로 MVO를 수행하기 위한 quant model은 value/earnings momentum/price momentum/quality와 같이, 초과수익의 원천으로 판단되는 alpha factor들을 risk factor(alpha factor)로 가정하고 이들 factor가 제공해주는 risk premium을 추정하여 기대수익률을 추정함. 즉 equity return을 factor risk과 idiosyncratic risk에 기인한 부분으로 서로 분리할 수 있다고 보는데, quant manager들은 factor risk에 따른 premium만을 획득하는 방식을 택함(ex. 밸류에이션이 싸거나, 실적/가격모멘텀이 우수하거나, 재무제표 판단한 기업의 경쟁력, 소위 "퀄리티"가 뛰어나거나). 포트폴리오 단위이기 때문에 개별종목이 가지고 있는 리스크 요인은 분산투자효과로 인해 상쇄된다고 가정하는 것임. 액티브 매니저들이 좋아하는 소위 "스토리"에 대한 집착, "종목"에 대한 집착은 idiosyncratic risk에 대한 베팅일 확률이 높음(ex. 경영진의 역량이라던가, R&D가 진행중인 신사업이라던가). 액티브 매니저간 성과변동성이 큰 이유는 바로 상당부분 여기에 기인한다고 판단함. 셀사이드 에쿼티 퀀트들의 stock-picking tool, portfolio 구성종목들은 이러한 alpha factor기준 scoring 상위종목인 경우가 대부분임. 즉, portfolio의 overall balance(risk-return에 따른 종목별 비중)보다는 구성종목 선택stock-picking만 고려하고 있는 것임. 이것이 셀사이드 퀀트와 바이사이드 퀀트의 role & responsibility를 가로지르는 가장 큰 차이점.
- 결과적으로, portfolio theory, portfolio optimization의 최근 연구흐름은 MVO에 필요한 moments variable(expected return(mean), covariance matrix)의 추정오차estimation error를 어떻게 최소화 할 것인가에 맞추어져 있음.
- Academia에서 제시된 바 있는 estimation error reduction을 위한 methodology는 approach에 따라 크게 다음과 같이 나누어 볼 수 있음. 개별 subject, issue 별로 살펴볼 예정.
How to improve MVO with reducing estimation errors?
Reference
[1] Cheung, "The Black-Litterman Model Explained", working paper, 2009.
[2] Jacobs, Levy, Markowitz, "Portfolio Optimization with Factors, Scenarios, and Realistic Short Positions", Operation Research, 53, 4, 2005.
[3] Michaud, "The Markowitz Optimization Enigma: Is 'Optimized' Optimal?" Financial Analysts Journal, 45, 1, 1989.
