Understanding the Long-Only Minimum Variance Portfolio

이 논문은 요인 모델에서 도출된 공분산 행렬을 기반으로 장기-only 글로벌 최소 분산 포트폴리오와 자산의 요인 노출도 간의 관계를 분석하여, 1 요인 모델의 경우 명시적 해를 제공하고 다중 요인 모델의 경우 기하학적 관점에서 해를 설명하며 미국 주식의 실증 데이터를 통해 이를 검증합니다.

핵심

🍎 핵심 주제: "안정적인 과일 바구니 만들기"

상상해 보세요. 여러분은 1,000 가지 종류의 과일 (주식) 이 있습니다. 이 과일들은 서로 가격이 같이 오르기도 하고, 반대로 움직이기도 합니다. (이를 공분산이라고 합니다.)

여러분의 목표는 **"과일 바구니의 가격 변동 (위험) 을 가능한 한 가장 작게 만드는 것"**입니다.

1. 두 가지 방식: "공매도 허용" vs "공매도 금지"

• 공매도 허용 (Long-Short): 어떤 과일이 비싸질 것 같으면 사서, 반대로 떨어질 것 같은 과일은 빌려서 팔 수 있습니다. 이 경우 수학적으로 가장 완벽한 해답은 공식 하나로 딱 떨어집니다. (논문에서 식 3)
• 공매도 금지 (Long-Only, 이 논문의 핵심): 현실에서는 빌려서 파는 것이 어렵거나 비용이 많이 듭니다. 그래서 **"무조건 사야만 한다 (비중이 0 이상)"**는 제약이 생깁니다. 이때는 어떤 과일을 얼마나 살지 정하는 것이 훨씬 복잡해집니다.

이 논문의 질문은: "공매도 금지 상황에서, 1,000 개 과일 중 실제로 바구니에 넣어야 할 과일은 정확히 몇 개이고, 어떤 것들인가?"를 찾는 것입니다.

---

🧩 비유 1: 1 개의 요인 (단일 요인 모델)

**"모든 과일의 가격은 '시장'이라는 거대한 바람에 따라 움직인다"**고 가정해 봅시다.

• 비유: 모든 과일의 가격은 거대한 '시장 바람 (Factor)'과 각 과일 고유의 '작은 돌풍 (특이 위험)'에 의해 결정됩니다.
• 논문이 발견한 것 (Theorem 2):
  • 이 경우, 어떤 과일을 살지 결정하는 규칙이 매우 명확합니다.
  • 각 과일이 '시장 바람'에 얼마나 민감한지 (베타, $\beta$) 를 측정합니다.
  • 규칙: "시장 바람에 너무 민감하게 반응하는 과일 (베타가 큰 것) 은 위험하니까 바구니에서 제외하자. 오직 '시장 바람'에 덜 민감한 과일들만 골라 모으자."
  • 결과: 과일들을 민감도 순서대로 나열하면, 어느 기준점 (Threshold) 까지만 바구니에 넣고, 그 이상은 모두 0 으로 버리는 것이 최적의 해답입니다.
  • 일상적 의미: "위험한 주식은 다 빼고, 안정적인 주식들만 모아서 바구니를 채우면 된다"는 뜻입니다.

---

🧩 비유 2: 여러 개의 요인 (다중 요인 모델)

**"과일 가격은 '시장 바람'뿐만 아니라 '계절', '지역' 등 여러 요인에도 영향을 받는다"**고 가정해 봅시다.

• 비유: 이제 과일 가격은 '시장'이라는 1 차원 선이 아니라, '시장', '계절', '지역' 등 여러 축으로 이루어진 3 차원 공간에서 움직입니다.
• 논문이 발견한 것 (Theorem 3):
  • 이 경우 "어떤 과일을 살지"를 결정하는 기준이 단순한 선이 아니라, **3 차원 공간에 그려진 '벽 (초평면, Hyperplane)'**이 됩니다.
  • 규칙: "이 벽의 한쪽 면에 있는 과일들만 바구니에 넣고, 다른 쪽에 있는 것은 다 버려라."
  • 기하학적 의미: 각 과일의 특성 (요인 노출도) 을 점으로 찍었을 때, 원점 (0,0) 과 같은 쪽에 있는 과일들만 선택한다는 뜻입니다.
  • 일상적 의미: "복잡한 여러 요인이 섞여 있어도, 결국 '안전한 영역'과 '위험한 영역'을 가르는 보이지 않는 벽이 존재하며, 그 벽 안쪽의 과일들만 고르면 된다"는 것입니다.

---

📊 실제 실험: "미국 주식 1,000 개로 테스트"

저자들은 실제 미국 주식 1,000 개를 가지고 이 이론을 검증했습니다.

1. 데이터: 2022 년 상반기의 일별 주가 데이터를 사용했습니다.
2. 결과:
   • 1,000 개 주식 중에서 실제로 포트폴리오에 들어간 주식은 **65 개 (약 6.5%)**뿐이었습니다.
   • 놀라운 점: 나머지 935 개 주식은 아예 비중이 0 이었습니다. 즉, **"적은 수의 안전한 주식만 집중적으로 사면, 위험을 최소화할 수 있다"**는 것을 증명했습니다.
   • 또한, 시장에 민감하지 않고 (베타가 낮고), 고유한 변동성이 작은 (특이 위험이 낮은) 주식들이 주로 선택되었습니다.

---

💡 이 연구가 왜 중요한가요? (요약)

1. 복잡한 수학을 단순화했습니다: "공매도 금지"라는 현실적인 제약 하에서, 어떤 주식을 살지 결정하는 것이 단순히 "모두 다 사서 평균을 내는 것"이 아니라, 특정 기준 (베타나 요인 노출도) 에 따라 선별적으로 고르는 것임을 수학적으로 증명했습니다.
2. 실천 가능한 해법을 제시했습니다:
   • 1 요인 모델에서는 "기준점보다 낮은 것만 고르라"는 명확한 공식을 줍니다.
   • 다중 요인 모델에서는 "특정 평면 안쪽의 것만 고르라"는 기하학적 직관을 줍니다.
3. 현실적인 통찰: "위험을 줄이려면 1,000 개를 다 살 필요 없이, 약 60~70 개 정도의 안전한 주식만 집중 투자하는 것이 수학적으로 가장 효율적"임을 보여줍니다.

🎯 한 줄 요약

"주식 1,000 개를 다 사서 위험을 줄이는 게 아니라, '위험한 주식'을 가려내는 보이지 않는 벽 (기준) 을 찾아, 그 벽 안쪽의 안전한 주식들만 골라 모으면 가장 안전한 바구니를 만들 수 있다."

이 논문은 투자자들이 복잡한 수식을 직접 풀지 않아도, 어떤 원리로 포트폴리오를 구성해야 최소 위험을 달성할 수 있는지에 대한 명확한 지도를 제공해 줍니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem Definition)

• 배경: 포트폴리오 최적화에서 가장 기본적이고 중요한 목표 중 하나는 분산 (위험) 을 최소화하는 것입니다. 전통적인 '글로벌 최소 분산 포트폴리오 (Global Minimum Variance Portfolio, GMVP)'는 매수 (Long) 와 매도 (Short) 가 모두 허용되는 경우 (Long-Short) 에 대해 명시적인 해 (Closed-form solution) 를 가집니다.
• 문제: 실제 투자 환경에서는 공매도 (Short selling) 가 제한적이거나 비용이 많이 들기 때문에, 모든 자산의 가중치가 0 이상이어야 하는 'Long-Only' 제약 조건이 필수적입니다.
  • Long-Short 포트폴리오의 해는 $\Sigma^{-1}\mathbf{1}$로 간단히 구해지지만, Long-Only 제약 ($w_i \ge 0$) 이 가해지면 이 문제는 비선형 계획법 문제로 변하며, 어떤 자산이 최적 포트폴리오에 포함될지 (Active set, $K$) 를 사전에 알기 어렵습니다.
• 핵심 질문: 공분산 행렬이 팩터 모델 (Factor Model) 에서 유도될 때, Long-Only 최소 분산 포트폴리오의 활성 자산 집합 $K$와 자산의 팩터 노출도 (Factor Exposure) 사이의 관계를 어떻게 명확히 설명할 수 있는가?

2. 방법론 및 주요 이론적 결과 (Methodology & Key Contributions)

저자들은 공분산 행렬이 팩터 모델 ($\Sigma = B\Omega B^\top + \Delta$) 을 따를 때, Long-Only 최소 분산 포트폴리오의 해를 분석하기 위해 다음과 같은 수학적 도구를 사용합니다.

A. 기본 정리 (Theorem 1): 활성 자산 집합의 구조

최적 포트폴리오 $w^L$에서 가중치가 양수인 자산들의 집합을 $K$라고 할 때, $K$가 결정되면 Long-Only 문제는 해당 자산들로 축소된 Long-Short 문제와 동일해집니다.

• $K$가 알려진 경우, 최적 가중치 $w_K$는 축소된 공분산 행렬 $\Sigma_K$를 사용하여 Long-Short 공식과 동일한 형태로 계산됩니다.
• 핵심 난제: $K$ (어떤 자산이 포함될지) 를 어떻게 결정하느냐입니다.

B. 단일 팩터 모델 (Single-Factor Model, $q=1$) 의 명시적 해 (Theorem 2)

자산의 공분산이 단일 팩터 모델 ($\Sigma = \sigma^2 \beta \beta^\top + \Delta$) 을 따를 때, 저자들은 활성 자산 집합 $K$를 결정하는 완전한 명시적 알고리즘을 제시합니다.

• 가정: 베타 ($\beta_i$) 를 오름차순으로 정렬 ($\beta_1 \le \beta_2 \le \dots \le \beta_p$).
• 계산 절차:
  1. 각 자산 $i$에 대해 보조 변수 $R_i$를 정의합니다.
     $$R_1 = \frac{1}{\sigma^2}, \quad R_i = \frac{1}{\sigma^2} + \sum_{j=1}^{i-1} \frac{\beta_j}{\delta_j^2}(\beta_j - \beta_i) \quad (i \ge 2)$$
  2. 수열 $\{R_i\}$는 특정 지점 $s$까지 증가하다가 그 이후 감소하는 단조성을 가집니다.
  3. 활성 자산 결정: $R_i > 0$인 가장 큰 인덱스 $k$를 찾습니다. 즉, $K = \{1, 2, \dots, k\}$가 됩니다.
  4. 결과: Long-Only 포트폴리오에는 베타가 가장 낮은 순서대로 $k$개의 자산이 포함되며, $k$번째 이후의 자산은 배제됩니다.
• 의미: Long-Only 제약 하에서는 낮은 베타와 낮은 고유 위험 (Idiosyncratic risk) 을 가진 자산들이 선호되며, 임계값 (Threshold) 을 기준으로 자산이 선별됩니다.

C. 다중 팩터 모델 (Multiple-Factor Model, $q > 1$) 의 기하학적 해 (Theorem 3)

팩터 수가 2 개 이상일 때는 단일 팩터처럼 베타를 정렬하여 명시적인 인덱스를 구할 수 없습니다. 대신 기하학적 조건을 제시합니다.

• 초평면 분리 (Hyperplane Separation): $q$차원 팩터 공간에서, 활성 자산들의 팩터 노출 벡터 $B_i$는 특정 초평면 (Hyperplane) $H$ 의 한쪽 (원점과 같은 쪽) 에 위치해야 합니다.
• 조건: 자산 $i$가 포트폴리오에 포함될 필요충분조건은 $B_i h_K < 1$입니다. 여기서 $h_K$는 포트폴리오 가중치와 팩터 공분산에 의해 결정되는 벡터입니다.
• 의미: Long-Only 포트폴리오에 포함되는 자산들은 $q$차원 공간에서 원점에 가까운 특정 반공간 (Half-space) 에 위치하는 자산들임을 의미합니다.

3. 실증 분석 및 수치적 예시 (Numerical Examples)

저자들은 2022 년 상반기 미국 상위 1,000 개 주식의 일일 수익률 데이터를 사용하여 이론을 검증했습니다.

• 공분산 행렬 추정:
  • JSE (James-Stein Eigenvector): 고차원 통계적 편향을 보정하는 단일 팩터 추정기.
  • Market Models (MJSE, MS): 샤프 (Sharpe) 의 단일 지수 모델을 기반으로 한 추정기.
• 주요 발견:
  1. 자산 수의 급감: 1,000 개 자산 중 Long-Only 최소 분산 포트폴리오에 실제로 포함되는 자산은 약 5065 개에 불과했습니다 (약 56% 만 활성).
  2. 베타와 위험의 관계: 포함되는 자산들은 일반적으로 낮은 시장 베타와 낮은 고유 위험 (Specific Risk) 을 가집니다.
  3. 단일 vs 다중 팩터 모델 비교 (2-Factor Model):
     • 2 팩터 모델을 적용했을 때, 두 번째 팩터에 대한 노출이 음수인 자산들이 1 팩터 모델에서는 제외되었지만 2 팩터 모델에서는 포함되는 등, 팩터 간의 상호작용이 포트폴리오 구성에 중요한 영향을 미칩니다.
     • 2 팩터 모델은 1 팩터 모델보다 더 적은 수의 자산 (41 개) 을 선택했으며, 분리 초평면의 각도가 팩터의 중요도를 나타냄을 시각적으로 보여주었습니다.

4. 연구의 의의 및 결론 (Significance & Conclusion)

• 이론적 기여: Long-Only 최소 분산 포트폴리오가 단순히 수치적 최적화 문제가 아니라, 팩터 노출도의 기하학적 구조에 의해 결정된다는 것을 rigorously (엄밀하게) 증명했습니다. 특히 단일 팩터 모델에서는 계산 비용이 거의 없는 명시적 해를 제공하여 실용성을 높였습니다.
• 실무적 시사점:
  • Long-Only 포트폴리오를 구성할 때 모든 자산을 고려할 필요 없이, 낮은 베타와 낮은 고유 위험을 가진 소수의 자산에 집중하면 된다는 것을 보여줍니다.
  • 공분산 행렬 추정에 JSE 와 같은 고차원 통계 기법을 적용하면 Long-Short 와 Long-Only 포트폴리오의 구성이 매우 유사해지지만, Long-Only 제약이 가해지면 포트폴리오의 분산이 크게 줄어들고 자산 수가 급감함을 확인했습니다.
  • 다중 팩터 모델에서는 단순한 베타 순서가 아닌, 다차원 공간에서의 위치 (초평면 기준) 가 자산 선정의 핵심 기준임을 제시했습니다.

요약하자면, 이 논문은 Long-Only 최소 분산 포트폴리오의 복잡한 최적화 문제를 팩터 모델의 구조를 통해 해석 가능하게 만들었으며, 특히 단일 팩터 모델에서는 효율적인 계산 방법을, 다중 팩터 모델에서는 기하학적 직관을 제공함으로써 포트폴리오 이론과 실무에 중요한 통찰을 제시했습니다.