교차자산 전이와 신호를 결합한 최적 할인요인

초록

**
본 논문은 기업 수준 예측 신호와 자산 간 전이 효과를 동시에 고려해 샤프 비율을 최대화하는 확률 할인요인(SDF)을 설계한다. 신호 가중치와 전이 행렬을 정규화된 리지 회귀로 추정하고, 실증적으로 1963‑2023년 미국 주식 포트폴리오에 적용해 기존 자기예측 및 기대수익률 기반 전략을 크게 앞선 성과를 기록한다. 네트워크 분석은 대형 저회전 종목이 정보 전파의 순수송신자임을 밝혀내며, 교차예측이 자체예측보다 더 많은 정보를 담고 있음을 시사한다.

**

상세 분석

**
이 연구는 자산 가격 모형에서 두 가지 핵심 질문을 동시에 해결한다. 첫째, 다수의 기업 특성 신호가 존재할 때, 평균‑분산 투자자는 어떻게 이들을 최적 가중치로 결합해야 하는가? 둘째, 개별 기업의 특성이 다른 기업의 미래 수익에 미치는 ‘전이(Spillover)’ 효과를 어떻게 정량화하고 포트폴리오에 반영할 것인가? 저자는 이를 위해 신호 가중치 Λ와 전이 행렬 Ψ를 도입하고, 포트폴리오 가중치를 ωₜ = Λ′Sₜ′Ψ 로 정의한다. 여기서 Sₜ는 N×M 차원의 신호 행렬이며, Ψ는 N×N 차원의 전이 매트릭스로 각 자산 i의 신호가 자산 j의 포지션에 미치는 영향을 나타낸다.

샤프 비율을 목표 함수로 삼아 Λ와 Ψ를 동시에 최적화하는데, 이는 제곱 샤프 비율을 일반화된 고유값 문제로 변환한다. 저자는 정규화 제약(L₂-노름을 1로 고정)과 리지형 정규화를 도입해 고차원 상황에서도 해의 존재와 수렴성을 보장한다. 이와 대비해 기대수익률을 직접 최대화하는 방식은 이중선형 문제로 닫힌 형태 해를 갖지만, 포트폴리오가 특정 신호에 과도하게 집중되는 위험이 있다. 샤프 비율 최적화는 신호 간 분산을 자연스럽게 촉진해 보다 견고한 전략을 만든다.

실증 단계에서 저자는 두 가지 투자 유니버스를 사용한다. 첫 번째는 138개의 단일 특성 스프레드 포트폴리오, 두 번째는 규모와 보조 특성을 동시에 정렬한 544개의 이중 정렬 포트폴리오다. 10년 롤링 윈도우(이전 10년 데이터)로 매월 재추정하고, 1963‑2023년 전체 기간에 걸쳐 샤프 비율이 각각 2.21, 3.32에 달한다. 이는 동일 데이터와 동일 추정 방식으로 만든 자기예측 샤프 비율(0.60 수준) 및 기대수익률 최대화 전략(샤프 비율 0.5~1.0 수준)을 크게 앞선다.

또한 저자는 시장 상태별(투자자 심리, VIX 변동성) 서브샘플 테스트를 수행했으며, 고심리·저변동성, 저심리·고변동성 모두에서 샤프 비율이 2 이상을 유지한다. 이는 기대수익률 기반 전략이 시장 상황에 민감하게 성과가 변동하는 반면, 교차예측 SDF는 보다 안정적인 위험‑보상 특성을 갖는다는 점을 강조한다.

알파 테스트에서는 Fama‑French 5‑팩터, q‑팩터, 유동성 팩터, 행동 팩터 등 14개 팩터를 포함한 광범위한 베이스라인에 대해 월 0.25% 수준의 알파와 t‑통계 11 이상을 기록한다. 이는 기존 팩터들이 포착하지 못한 교차자산 전이 정보를 SDF가 효과적으로 가격화하고 있음을 의미한다.

신호 가중치 분석에서는 투자, 가치, 수익성 카테고리의 특성이 높은 Λ 값을 차지하고, 모멘텀·단기 반전·계절성 등 수익기반 신호는 거의 배제된다. 이는 교차예측 SDF가 근본적인 기업 펀더멘털에 기반함을 시사한다. 전이 행렬 Ψ의 평균 비대각 원소가 대각 원소를 초과한다는 실증적 발견은 ‘자기예측보다 타자산 예측이 더 풍부한 정보를 제공한다’는 핵심 메시지를 뒷받침한다. 네트워크 시각화에서는 대형 저회전 기업이 순전송자(net transmitter)로, 소형 고회전 기업이 순수신자(net receiver)로 구분된다. 이는 공급망, 기관투자자 포지션, 산업 내 동료 효과 등 실제 경제 메커니즘과 일맥상통한다.

시간적 변화를 살펴보면 1990년대에 최고 성과를 기록했으나 2000년 이후 점진적으로 감소한다. 이는 전반적인 자기예측 능력 감소와 anomaly 전략의 포화 현상과 일치한다. 그럼에도 2000‑2023년 구간에서는 여전히 전통 팩터 대비 3~5배 높은 샤프 비율을 유지한다.

전반적으로 이 논문은 (1) 다중 신호와 교차전이를 통합한 확률 할인요인 모델을 제시하고, (2) 샤프 비율 최적화를 통해 실용적이면서도 해석 가능한 포트폴리오를 구축하며, (3) 실증적으로 기존 모델을 능가하는 성과와 경제적 의미를 입증한다는 점에서 학문적·실무적 기여가 크다.

**