💰 quantitative finance

Forecasting Tangency Portfolios and Investing in the Minimum Euclidean Distance Portfolio to Maximize Out-of-Sample Sharpe Ratios

이 논문은 역사적 데이터로 직접 추정하는 전통적 접근법의 한계를 극복하기 위해 벡터 자기회귀를 활용해 효율적 프론티어를 구성하는 세 가지 계수를 예측하여 미래의 탠시 포트폴리오를 도출하고, 이를 기반으로 유클리드 거리가 최소인 포트폴리오에 투자함으로써 아웃-오브-샘플 샤프 비율을 극대화하는 새로운 모델을 제안합니다.

원저자: Nolan Alexander, William Scherer

게시일 2026-04-07

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nolan Alexander, William Scherer

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

1. 기존 방식의 문제점: "과거의 레시피만 믿는 요리사"

전통적인 투자 이론 (마코위츠의 현대 포트폴리오 이론) 은 **"과거의 맛 (수익률) 과 재료 간의 관계 (변동성) 를 분석해서, 내일 최고의 요리를 만들자"**고 말합니다.

비유: 과거 10 년간의 요리 데이터를 분석해 "내일도 어젯밤과 똑같은 재료가 나오고, 똑같은 맛이 날 것"이라고 가정하는 요리사입니다.
문제점: 하지만 주식 시장은 날씨가 변하듯 매일 달라집니다. 과거의 데이터가 미래를 100% 보장하지 않습니다. 과거 데이터를 그대로 믿고 투자하면, 시장이 변했을 때 큰 손해를 볼 수 있습니다 (논문에서 말하는 '추정 오차').

2. 이 논문의 새로운 아이디어: "미래의 맛을 예측하는 요리사"

이 논문은 "과거 데이터를 그대로 믿지 말고, 미래에 어떤 포트폴리오가 가장 훌륭한지 (최적의 tangency portfolio) 를 먼저 예측하자"고 제안합니다.

① 효율적 프론티어를 '3 가지 핵심 성분'으로 분해

투자자들은 보통 수천 개의 주식 데이터를 복잡하게 계산합니다. 하지만 이 논문은 효율적인 투자 조합 (효율적 프론티어) 을 **3 가지 쉽게 이해할 수 있는 숫자 (계수)**로 쪼개었습니다.

최소 위험 지점 ( $r_{min}, \sigma_{min}$ ): "가장 안전한 곳"이 어디인지.
곡률 ( $u$ ): "위험을 감수했을 때 얻는 보상이 얼마나 매력적인지" (경사가 얼마나 급한지).

비유: 복잡한 요리 레시피를 "소금 양, 설탕 양, 불 조절"이라는 3 가지 핵심 지점으로 단순화한 것과 같습니다. 이렇게 하면 미래를 예측하기 훨씬 쉬워집니다.

② 미래를 예측하다 (VARX 모델)

이 3 가지 핵심 숫자가 앞으로 어떻게 변할지, 과거 데이터를 바탕으로 **통계적 모델 (VARX)**을 이용해 예측합니다.

비유: 내일의 날씨를 예측할 때, 과거 1 년간의 기온 데이터를 분석해 "내일은 비가 올 확률이 30% 이고, 기온은 20 도일 것"이라고 예측하는 것과 같습니다.

③ "가장 가까운 현실"을 선택하다 (최소 유클리드 거리)

여기가 가장 중요한 부분입니다.
예측한 "미래의 완벽한 포트폴리오"는 실제 오늘 존재하지 않을 수 있습니다. (예를 들어, 내일 주식 A 가 100% 오를 거라고 예측했지만, 오늘 그 주식은 아직 그 가격에 없거나 다른 주식들과의 관계가 다르기 때문입니다.)

해결책: "미래의 완벽한 목표지점"과 "오늘 존재하는 현실적인 포트폴리오들" 중에서 가장 거리가 가까운 것을 선택합니다.
비유:
- 목표: 내일 오후 3 시에 "완벽한 날씨" (예측된 최적 포트폴리오) 가 될 것이라고 예보했습니다.
- 현실: 지금 당장 내 날씨를 바꿀 수는 없습니다.
- 행동: 하지만 지금 당장 선택할 수 있는 옷 (투자 포트폴리오) 중에서, 내일 그 완벽한 날씨에 가장 잘 어울리는 옷을 골라 입는 것입니다.

3. 실제 결과: "왜 이 방법이 더 잘할까?"

이 논문은 두 가지 다른 주식 그룹 (성장/가치 주식, 섹터별 ETF) 으로 실험을 해보았습니다.

결과: 이 새로운 방법 (미래를 예측하고 가장 가까운 현실을 선택) 은 기존에 쓰던 방법들 (과거 데이터만 믿는 방법, 단순히 모든 주식에 똑같이 투자하는 방법, S&P 500 지수 추종 등) 보다 **더 높은 수익률과 더 낮은 위험 (Sharpe Ratio)**을 보여주었습니다.
특징: 2008 년 금융위기나 2020 년 코로나 팬데믹 같은 큰 시장 충격이 왔을 때도, 다른 방법들보다 손실을 덜 입으며 회복력이 좋았습니다.

4. 한 줄 요약

"과거의 데이터를 맹신하지 말고, 미래의 '최고의 투자 조합'을 미리 예측한 뒤, 오늘 우리가 실제로 투자할 수 있는 조합 중에서 그 예측에 가장 가까운 것을 선택하라."

이 방법은 복잡한 수학적 계산을 줄이고, 직관적으로 이해하기 쉬운 3 가지 핵심 지표로 미래를 예측하여, 실제 시장에서 더 안정적인 수익을 내는 데 성공했습니다.

논문 요약: 외생적 시계열 데이터에서 최적의 샤프 비율을 달성하기 위한 예측 접점 포트폴리오 및 최소 유클리드 거리 포트폴리오 투자 전략

1. 문제 제기 (Problem Statement)

전통적 한계: 현대 포트폴리오 이론 (MPT) 에 기반한 평균 - 분산 최적화는 미래 기대 수익률 벡터와 공분산 행렬이 과거 데이터와 동일하다는 가정 (정상성, Stationarity) 에 의존합니다.
실제 문제: 실제 시장은 비정상적 (Non-stationary) 이며, 파라미터 추정 오차로 인해 역사적 데이터를 기반으로 계산된 접점 포트폴리오 (Tangency Portfolio) 의 가중치는 불안정해지고, 외생적 (Out-of-Sample) 성능이 저하됩니다.
기존 모델의 부족: 블랙 - 리터먼 (Black-Litterman), 공분산 행렬 축소 (Shrinkage), DCC MV-GARCH 등의 모델은 파라미터 추정을 개선하려 시도하지만, 여전히 복잡한 입력값을 요구하거나 수익률 벡터를 직접 예측하지 못하며, 투자자가 해석하고 신뢰하기 어렵다는 단점이 있습니다.

2. 방법론 (Methodology)

저자들은 수익률과 공분산을 직접 추정하는 대신, 효율적 프론티어 (Efficient Frontier) 의 함수 형태를 예측하여 접점 포트폴리오를 도출하는 새로운 접근법을 제시합니다.

가. 해석 가능한 효율적 프론티어 계수 도출

Merton 의 효율적 프론티어 방정식 (제곱근 2 차 다항식) 을 3 개의 해석 가능한 계수로 분해합니다:
1. $r_{mvp}$ : 최소 분산 포트폴리오 (MVP) 의 기대 수익률.
2. $\sigma_{mvp}$ : MVP 의 표준편차 (위험).
3. $u$ : 효율적 프론티어의 곡률 (Curvature) 을 나타내는 유틸리티 계수. 이는 자산 집합이 평균 - 분산 최적화에 얼마나 유용한지를 나타내며, 마할라노비스 거리 (Mahalanobis distance) 와 코사인 유사도 (Cosine similarity) 의 함수로 해석됩니다.
이 계수들을 통해 접점 포트폴리오의 수익률 ( $r_{tan}$ ) 과 표준편차 ( $\sigma_{tan}$ ) 를 공식 (6) 을 통해 직접 계산할 수 있습니다.

나. 계수 예측 (VARX 모델)

**벡터 자기회귀 외생변수 모델 (VARX)**을 사용하여 미래의 효율적 프론티어 계수 ( $r_{mvp}, \sigma_{mvp}, u$ ) 를 예측합니다.
특징: 과적합 (Overfitting) 을 방지하기 위해 특징 집합을 최소화 (계수의 시차, 과거 등가 가중치 이동 평균 등) 하였고, 1 개월 (21 영업일) ahead 예측을 수행합니다.
온라인 학습: 매일 새로운 데이터가 들어오면 모델을 업데이트하여 동적 (Dynamic) 으로 예측합니다.

다. 최소 유클리드 거리 포트폴리오 투자

예측된 접점 포트폴리오가 현재 시장 조건 (현재의 효율적 프론티어) 에 존재하지 않을 수 있으므로, 현재의 효율적 프론티어 상에서 예측된 접점 포트폴리오와 유클리드 거리가 최소가 되는 포트폴리오를 선택합니다.
이는 뉴턴 방법 (Newton's Method) 을 사용하여 목적 함수의 제곱을 최소화하는 방식으로 최적화됩니다.
최종적으로 이 포트폴리오의 가중치를 구하기 위해 해당 기대 수익률에서 평균 - 분산 최적화를 수행합니다.

3. 주요 기여 (Key Contributions)

새로운 해석 가능 계수 개발: $r_{mvp}, \sigma_{mvp}, u$ 라는 3 개의 직관적인 계수를 정의하여 효율적 프론티어의 기하학적 특성을 명확히 설명합니다.
시계열 회귀를 통한 예측: 이러한 계수를 VARX 모델을 통해 예측하는 방법을 제시하여, 미래의 접점 포트폴리오 위치를 추정합니다.
강건한 투자 전략: 예측된 접점 포트폴리오와 현재 포트폴리오 간의 '최소 유클리드 거리'를 기준으로 투자할 포트폴리오를 선정함으로써, 시장 변동성에 대한 강건성을 확보합니다.
실증적 검증: 기존 모델 (블랙 - 리터먼 등) 과 달리 복잡한 입력값 없이도 외생적 샤프 비율을 극대화함을 입증했습니다.

4. 실증 분석 및 결과 (Empirical Results)

데이터: 두 가지 자산군을 사용했습니다.
1. GVMC: 성장/가치 및 대형/중형/소형주 (Fama-French 3 요인 기반 6 개 뮤추얼 펀드 + 채권).
2. Sectors: S&P 500 섹터 ETF 9 개 + 채권.
벤치마크: 1 개월 롤링 창口的 접점 포트폴리오, 등가중치 포트폴리오, S&P 500 총수익, 60/40 주식/채권 포트폴리오.
성과 (2000~~2022, 2008~~2022 기간):
- 샤프 비율 (Sharpe Ratio): 제안된 모델이 모든 벤치마크를 압도했습니다. (GVMC 기준: 제안 모델 1.00 vs 접점 포트폴리오 0.67).
- 최대 낙폭 (Max Drawdown): 시장 위기 (2008, 2020) 시 다른 벤치마크에 비해 손실이 적었습니다.
- 알파 (Alpha): 모든 벤치마크 대비 통계적으로 유의미한 양의 알파를 발생시켰습니다 (p-value < 0.05).
- 시각화: 제안된 모델은 시간에 일관되게 높은 수익률과 낮은 변동성을 유지하며 우상향하는 추세를 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

해석 가능성: 블랙 - 리터먼 모델처럼 투자자의 주관적 견해 (Views) 나 복잡한 행렬 입력이 필요하지 않아 투자자가 모델을 이해하고 신뢰하기 쉽습니다.
실용성: 파라미터 추정의 불확실성을 직접 해결하는 대신, 효율적 프론티어의 거시적 형태를 예측하여 투자 결정에 반영함으로써, 비정상적인 시장 환경에서도 안정적인 성과를 냅니다.
향후 연구: 더 다양한 자산군으로의 확장, 레버리지 효과에 대한 심층 분석, 기술적 지표나 경제 데이터를 활용한 예측 모델 고도화 (LASSO, 결정 트리 등) 가 필요하다고 결론지었습니다.

이 논문은 전통적인 평균 - 분산 최적화의 한계를 극복하기 위해 효율적 프론티어의 구조적 계수를 예측하는 혁신적인 프레임워크를 제시하며, 외생적 환경에서 더 높은 위험 조정 수익률 (Sharpe Ratio) 을 달성할 수 있음을 실증적으로 증명했습니다.