Core Concepts
다양한 회귀 모델을 사용하여 CMA(Conservative Minus Aggressive) 요인 프리미엄을 예측하고, 이를 바탕으로 한 요인 타이밍 투자 전략의 성과를 분석하였다. 더 유연한 모델이 미래 요인 프리미엄의 변동성을 더 잘 설명할 수 있었지만, 거래 비용 측면에서는 선형 모델이 더 안정적인 성과를 보였다.
Abstract
이 연구는 자산 운용을 위한 요인 타이밍 예측에 다양한 회귀 모델을 적용하고 그 성과를 분석하였다.
데이터: Fama-French 요인 데이터와 Welch-Goyal 거시경제 변수 데이터를 사용하였다. 1963년 7월부터 2022년 12월까지의 월별 데이터를 활용하였으며, 1963-2002년을 훈련 기간, 2003-2022년을 테스트 기간으로 설정하였다.
모델: OLS 선형 회귀, Ridge 회귀, 랜덤 포레스트, 완전 연결 신경망 등 다양한 회귀 모델을 사용하여 CMA 요인 프리미엄을 예측하였다. 모델 성능은 out-of-sample R-squared와 누적 수익률로 평가하였다.
요인 타이밍: 예측된 요인 프리미엄을 바탕으로 CMA 요인과 무위험 자산 간 최적 포트폴리오 가중치를 계산하였다. 이를 통해 다양한 모델 기반 요인 타이밍 전략의 성과를 분석하였다.
결과: 더 유연한 모델이 미래 요인 프리미엄의 변동성을 더 잘 설명할 수 있었지만, 거래 비용 측면에서는 선형 모델이 더 안정적인 성과를 보였다. 특히 신경망 모델은 최적 가중치가 매우 불안정하여 높은 거래 비용을 초래할 수 있었다. 이를 해결하기 위해 최적 리밸런싱 주기를 조정하는 방법을 제안하였다.
Stats
CMA 요인 프리미엄은 1개월 전 CMA 요인 값과 유의한 상관관계를 보였다(p-value < 0.0005).
더 유연한 모델(신경망, 랜덤 포레스트)이 out-of-sample R-squared가 더 높아 미래 요인 프리미엄의 변동성을 더 잘 설명할 수 있었다.
거래 비용이 없을 때, 신경망 모델 기반 요인 타이밍 전략이 초기에 가장 높은 성과를 보였지만 금융 위기 이후 성과가 하락하였다.
거래 비용이 20bps 이상일 때, 모든 모델 기반 요인 타이밍 전략이 일정 가중치 전략보다 저조한 성과를 보였다.
최적 리밸런싱 주기를 조정하면 거래 비용이 높은 상황에서도 모델 기반 요인 타이밍 전략의 성과를 개선할 수 있었다.
Quotes
"더 유연한 모델 구조(신경망, 랜덤 포레스트)가 미래 요인 프리미엄의 변동성을 더 잘 설명할 수 있었다."
"신경망 모델 기반 요인 타이밍 전략은 최적 가중치가 매우 불안정하여 높은 거래 비용을 초래할 수 있었다."
"최적 리밸런싱 주기를 조정하면 거래 비용이 높은 상황에서도 모델 기반 요인 타이밍 전략의 성과를 개선할 수 있었다."