💰 quantitative finance

Shrinkage Estimators for Mean and Covariance: Evidence on Portfolio Efficiency Across Market Dimensions

본 연구는 글로벌 최소분산 모델에 레도이트-울프 2-파라미터 공분산 수축 추정량을 결합하거나, 동일한 공분산 추정량 및 표본 평균을 평균-분산 모델에 결합하는 것이 다양한 시장 차원과 투자자의 위험-수익 선호도에 걸쳐 전통적인 포트폴리오 최적화 기법들을 일관되게 능가한다는 것을 실증적으로 입증한다.

원저자: Rupendra Yadav, Amita Sharma, Aparna Mehra

게시일 2026-01-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Rupendra Yadav, Amita Sharma, Aparna Mehra

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 파티를 위해 완벽한 케이크(금융 포트폴리오)를 구우려고 한다고 상상해 보세요. 레시피(평균-분산 모델)에 따르면, 당신에게는 두 가지 주요 재료가 필요합니다: 기대되는 맛(수익률)과 케이크가 무너질 위험(변동성)입니다.

수십 년 동안 전문 제빵사들은 이 재료들을 완벽하게 측정하려고 노력해 왔습니다. 하지만 문제는 미래를 측정하는 것은 매우 지저받다는 점입니다. 만약 당신이 아주 작은 빵 부스러기 샘야플(과거 데이터)을 바탕으로 케이크의 맛을 예측하려 한다면, 그 예측은 틀릴 가능성이 높습니다. 만약 그 잘못된 예측을 사용하여 케이크를 굽는다면, 케이크가 엉망이 되거나 재료의 90%를 단 한 가지 맛에만 쏟아붓게 될 수도 있습니다(과도한 위험).

이 논문은 마치 거대한 '맛 테스트 경연 대회'와 같습니다. 연구자들은 다음과 같이 물었습니다: "우리가 측정을 보정하기 위해 서로 다른 '스마트한 추측' 기법을 사용한다면, 실제로 어떤 것이 가장 맛있는 케이크를 만들어낼 것인가?"

문제점: "소음이 가득한" 주방

재료를 추측하는 전통적인 방식은 과거의 데이터를 보고 "이것이 정확히 일어날 일이다"라고 말하는 것입니다. 이 논문은 이것이 마치 구름 한 점을 보고 날씨를 예측하려는 것과 같다고 주장합니다. 이는 불안정하고 흔들리는 결과를 초집니다.

해결책: "수축(Shrinkage)" (현명한 타협)

연구자들은 **수축 추정치(Shrinkage Estimators)**를 테스트했습니다. 여기서 "수축"은 크기를 줄이는 것이 아니라, 당신의 거친 추측을 합리적인 중심점으로 끌어당기는 것을 의미합니다.

농구 선수의 키를 추측한다고 상상해 보세요.

옛날 방식: 한 명의 선수를 측정하고, 측정 오류 때문에 나온 이상한 숫자를 얻었을 때, 그 숫자에 인생을 걸고 베팅합니다.
수축 방식: 그 측정값을 사용하되, 동시에 "헤이, 대부분의 농구 선수는 약 195cm 정도야"라는 사실도 알고 있습니다. 그래서 당신의 이상한 측정값을 평균 쪽으로 끌어당깁니다. 당신은 오차를 "수축"시킵니다. 즉, 당신의 특정 데이터와 안정적이고 논리적인 목표치를 혼합하는 것입니다.

이 논문은 "맛"(평균)을 추측하는 다섯 가지 방법과 "위험"(공분산)을 추측하는 열한 가지 방법을 테스트했습니다.

실험: 롤링 윈도우 맛 테스트

그들은 단 하나의 케이크만 굽지 않았습니다. 그들은 여섯 개의 다양한 글로벌 시장(미국 S&P 500, 인도 NIFTY 등)의 데이터를 사용하여 수천 개의 케이크를 구웠습니다.

그들은 "롤링 윈도우(Rolling Window)" 방식을 사용했습니다. 지난 1년 동안의 데이터를 보고 케이크를 구운 다음, 그 케이크가 향후 3개월 동안 어떤 맛을 낼지 테스트하는 과정을 상상해 보세요. 그런 다음 윈도우를 한 달씩 앞으로 밀면서, 새로운 케이크를 굽고 다시 테스트합니다. 이 과정을 단기(3개월), 중기(6개월), 장기(1년) 관점에서 수행했습니다.

케이크의 순위를 매길 때, 그들은 단순히 누가 가장 맛있는지만 보지 않았습니다. 그들은 **DEA(자료 포락 분석)**라는 정교한 채점 시스템을 사용했습니다. 이것은 맛, 질감, 비용, 안전성을 모두 고려하여 단 하나의 "효율성 점수"를 주는 심사위원과 같습니다.

결과: 경연 대회에서 누가 승리했나?

이 논문은 모든 유형의 투자자에게 통하는 단 하나의 "마법의 재료"는 없다는 것을 발견했지만, 특정 그룹을 위한 명확한 승자는 존재했습니다.

1. "안전 제일" 투자자 (그룹 A & C)

누구인가: 재앙을 피하고 싶은 사람들입니다. 이들은 큰돈을 버는 것보다 돈을 잃지 않는 것에 더 신경을 씁니다.
승자: GMV (글로벌 최소 분산) 모델과 COV2 수축법의 조합입니다.
비유: 이것은 "방탄조끼" 전략입니다. COV2 방식은 위험을 측정하는 특정한 형태의 "스마트한 추측"으로, 데이터를 매우 안정적인 두 부분의 목표치로 끌어당깁니다. 이 방식은 기존의 방식들을 지속적으로 압도했습니다.
결론: 밤에 잠을 편히 자고 싶다면, GMV 모델과 COV2 위험 추정치를 사용하십시오.

2. "수익 추격자" (그룹 B)

누구인가: 높은 수익을 원하며 더 많은 위험을 감수할 의지가 있는 공격적인 투자자들입니다.
승자: 위험 측정을 위해 COV2를 사용하면서도, "맛"을 위해 **표본 평균(Sample Mean, SM)**을 유지하는 MV (평균-분산) 모델입니다.
비유: 이것은 "스포츠카" 전략입니다. 그들은 엔진(위험 측정)은 스마트한 COV2 방식으로 고쳤지만, 목적지(수익)에 대한 드라이버의 원래 거친 추측은 그대로 유지했습니다. 놀랍게도, 이 투자자들에게는 "스마트한 수축" 추측보다 "원래의 거친 추측"이 더 효과적이었습니다.
결 결론: 수익을 극대화하고 싶다면, MV 모델과 스마트한 COV2 위험 추정치, 그리고 표준 수익 추측치를 사용하십시오.

핵심 요약

옛날 방식은 망가졌습니다: 단순히 과거의 가공되지 않은 데이터(표본 평균 + 표본 공분산)를 사용하는 전통적인 방식은 지속적으로 최악의 케이크를 만들어냈습니다. 너무 불안정하고 신뢰할 수 없었습니다.
만능 열쇠는 없습니다: 모두를 위한 단 하나의 "최고의 모델"을 고를 수는 없습니다. 보수적인 투자자는 위험을 감수하는 사람과는 다른 레시피가 필요합니다.
"COV2"라는 스타: 위험 측정을 보정하는 특정 방법인 COV2 수축법은 슈퍼스타였습니다. 이 방식은 거의 모든 시장과 모든 유형의 투자자에게서 상위권 레시피에 등장했습니다.
"GMV"라는 안전망: "맛"(수익)을 무시하고 오직 위험을 최소화하는 데 집중하는 것(GMV 모델)은 대부분의 사람들에게, 특히 COV2와 결합했을 때 매우 견고한 전략임이 드러났습니다.

요약하자면

이 논문은 나쁜 데이터 때문에 포트폴리오가 무너지는 것에 지친 투자자들을 위한 가이드입니다. 이 논문은 다음과 같이 말합니다: "가공되지 않은 노이즈 섞인 데이터를 바탕으로 미래를 추측하지 마십시오. 대신, 오차를 매끄럽게 다듬어줄 이러한 특정 '스마트 수축' 기법을 사용하십시오."

신중한 성향이라면 GMV + COV2 레시피를 사용하십시오. 공격적인 성향이라면 MV + COV2 + 표본 평균 레시Recipe를 사용하십시오. 이 두 가지 "스마트"한 레시피는 연구자들이 실행한 거의 모든 테스트에서 전통적인 옛날 방식들을 이겼습니다.

기술적 요약: 평균 및 공분산에 대한 수축 추정량 (Shrinkage Estimators)

문제 정의
평균-분산(Mean-Variance, MV) 최적화 프레임워크는 현대 포트폴리오 이론의 기초가 되지만, 핵심 파라미터인 기대 수익률 벡터와 공분산 행렬의 추정 오차로 인해 상당한 실무적 한계를 가집니다. 이러한 오차는 종종 불안정한 포트폴리오 비중, 낮은 분산 투자 효과, 그리고 단순한 동일 비중(equal weighting) 전략보다 성과가 저조한 외표본(out-of-sample) 성과를 초래합니다. 이 문제는 고차원 설정(자산 수 $p$ 가 관측치 수 $n$ 을 초과하는 경우)에서 더욱 악화되며, 이 경우 고전적인 표본 추정량은 "차원의 저주"로 인해 특이(singular)해지거나 신뢰할 수 없게 됩니다. 강건한 최적화(robust optimization)와 비중 제약 조건이 대안으로 제시되기도 하지만, 이는 추정 기법 자체를 직접 개선함으로써 얻을 수 있는 안정성을 충분히 제공하지 못하는 경우가 많습니다.

방법론
본 연구는 파라미터 입력을 안정화하기 위해 설계된 다양한 수축 추정량을 통합한 MV 및 전역 최소 분산(Global Minimum-Variance, GMV) 모델의 성능을 평가합니다.

데이터 및 범위: 실증 분석은 2012년 9월 20일부터 2024년 6월 6일까지의 일일 종가를 포함하는 6개의 글로벌 시장 데이터셋(DJ 30, NIFTY 50, FTSE 100, S&P 500, RUSSELL 1000, TOPIX 1500)을 활용합니다. 본 연구는 저차원 시장( $n > p$ )과 고차원 시장( $p > n$ )을 구분합니다.
테스트된 추정량:
- 평균 추정량 (5종): 고전적 표본 평균(SM), James-Stein(JS), Bayes-Stein(BS), 이차(QUAD), Bodnar Optimal Linear(BOP).
- 공분산 추정량 (11종): 고전적 표본 공분산(SCV), 선형 수축(LS), Ledoit-Wolf 변형(COV1, COV2, COVCOR, COVDIAG, COVMKT), 그리고 역/해석적 수축 변형(LIS, QIS, GIS, AS). 참고: $p > n$ 인 고차원 데이터셋의 경우 LIS, GIS, AS는 제외됩니다.
실험 설계: 1년의 내표본(in-sample) 훈련 기간과 세 가지 별도의 외표본 테스트 기간(3개월, 6개월, 1년)을 갖는 롤링 윈도우(rolling window) 접근 방식을 채택합니다.
평가 프레임워크: 서로 다른 투자자 프로필에 따라 생성된 66개 포트폴리오( $n > p$ $n > p$ 의 경우) 및 48개 포트폴리오( $p > n$ $p > n$ 의 경우)를 순위 매기기 위해, 저자들은 초효율 데이터 포락 분석(Super-Efficiency Data Envelopment Analysis, DEA) 모델을 사용합니다. 포트폴리오는 세 가지 투자자 그룹으로 분류됩니다:
- 그룹 A: 균형 잡힌 위험-수익 중심 (모든 지표).
- 그룹 B: 공격적인 수익 지향 중심 (수익 및 위험 조정 비율).
- 그룹 C: 보수적인 위험 회피 중심 (위험 지표만 해당).
선택 기준: 본 연구는 기하 평균 효율성 점수를 기반으로 "시장 최고 성과자(Market Best Performers, 특정 시장 내 상위 성과자)"와 "유니버설 최고 성과자(Universal Best Performers, 가장 넓은 범위의 시장에서 상위 성과자)"를 식별합니다. 이들은 다섯 가지 전통적 벤치마크인 Classical MV, Classical GMV, Semi-Mean Absolute Deviation (SMAD), Conditional Value-at-Risk (CVaR), MiniMax (MM)와 비교됩니다.

주요 결과
실증적 조사는 수축 추정량의 효능에 관한 몇 가지 뚜렷한 발견을 도출합니다:

GMV+COV2의 우월성: 광범위한 투자자 층(특히 그룹 A와 C)에 대해, **COV2(Ledoit-Wolf 2-파라미터 수축 공분산 추정량)**와 결합된 GMV 모델이 지속적으로 최적의 선택으로 나타납니다. 이 조합은 다양한 시장(DJ, NIFTY, S&P, RUSSELL)과 외표본 기간 전반에서 유니버설 최고 성과자로 자주 선정됩니다.
수익 지향 전략: 그룹 B(수익 추구형 투자자)의 경우, COV2와 **표본 평균(SM)**을 사용하는 MV 모델이 다른 수축 조합보다 더 적합한 것으로 증명되었습니다. 이 맥락에서 표본 평균은 JS나 BS와 같은 복잡한 수축 평균 추정량보다 더 나은 성과를 보이는 경우가 많습니다.
시장 특이성: COV2가 지배적이긴 하지만, 최적의 선택이 모든 시장에 대해 보편적인 것은 아닙니다. 예를 들어, FTSE 시장에서는 LIS+SM(선형 역수축 + 표본 평균) 모델이 그룹 A와 B에 대해 COV2 기반 모델보다 우수한 성과를 보입니다. TOPIX 시장의 경우, 그룹 A에 대해 GMV+COVMKT(시장 수축)가 우수한 성과를 보입니다.
고전적 추정량의 실패: 표본 평균과 표본 공분산을 사용하는 고전적 접근 방식(SM + SCV)은 어떤 시장이나 그룹에서도 상위 10위 안에 들지 못하며, 이는 외표본 최적화에 부적합함을 확인시켜 줍니다.
벤치마크 비교: 식별된 최적 수축 모델(GMV+COV2 및 COV2+SM)은 대부분의 데이터셋과 투자자 그룹에서 전통적 벤치마크(Classical MV/GMV, SMAD, CVaR, MM)를 일반적으로 능가합니다. 특히, MiniMax 모델은 특정 고차원 수익 중심 시나리오에서 가끔 수축 모델보다 우수한 성과를 보이기도 하지만, 수축 모델은 위험 완화 측면에서 견고함을 유지합니다.

의의 및 주장
본 논문은 포트폴리오 최적화에 수축 추정량을 통합하는 것의 실질적 가치에 대한 포괄적인 실증적 근거를 제공한다고 주장합니다. 주요 기여는 DEA 초효율 프레임워크를 사용하여 다양한 시장 차원과 투자자 위험 프로필에 걸쳐 55~66개의 포트폴리오 조합을 체계적으로 순위 매긴 것입니다.

저자들은 단일 수축 추정량이 모든 시장과 투자자 유형에 완벽하게 작동하는 것은 아니지만, 특정 조합이 전통적인 방법보다 강력한 개선을 제공한다고 결론짓습니다. 구체적으로, 본 연구는 다음을 확립합니다:

COV2를 결한 GMV 모델은 위험 균형 및 위험 회피형 투자자를 위한 강력하고 보편적인 전략입니다.
COV2와 SM을 결합한 MV 모델은 수익 중심 투자자를 위한 선호되는 전략입니다.
수축 기법은 특히 $p > n$ 인 고차원 환경에서 고전적 추정량의 불안정성을 효과적으로 완화합니다.

본 논문은 이러한 발견을 다양한 투자자 프로필과 시장 설정에서 특정 수축 모델이 어떻게 작동하는지에 대한 이해를 위한 토대로 제시하며, 향후 연구가 다른 변동성 국면이나 신흥 시장 대 선진국 시장 맥락에서 이러한 역학을 추가로 탐구할 수 있음을 시사합니다.