Temperature Anomalies and Climate Physical Risk in Portfolio Construction

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 기후 변화로 인한 자연재해의 빈도와 강도 증가로 인해 물리적 기후 위험 (Physical Climate Risk) 이 자산 관리 분야에서 중요한 요소로 부상하고 있습니다. 하지만 현재까지 대부분의 연구는 전환 위험 (Transition Risk) 이나 ESG 점수에 초점을 맞추었으며, 물리적 위험을 정량화하여 포트폴리오 최적화에 통합하려는 시도는 부족했습니다.
• 기존 방법론의 한계:
  • 기존 지표 (예: ND-GAIN) 는 국가 수준의 정적 (Static) 점수를 제공하며, 시계열 데이터나 기업별 자산 집약도 (Asset Intensity) 를 반영하지 못합니다.
  • 포트폴리오 다각화의 가능성을 평가하기 위해서는 사건 간의 상관관계와 시계열적 변동성을 고려해야 하지만, 기존 접근법은 이를 충분히 반영하지 못합니다.
• 연구 목적: 극단적인 온도 이상 현상 (Temperature Anomalies) 을 기반으로 포트폴리오의 물리적 기후 위험을 정량화하는 새로운 지표를 개발하고, 이를Mean-Variance(평균 - 분산) 프레임워크에 통합하여 기후 회복력 (Resilience) 을 갖춘 포트폴리오를 구성하는 방법을 제시하는 것입니다.

2. 방법론 (Methodology)

이 연구는 크게 데이터 구축, 위험 지표 개발, 포트폴리오 최적화, 백테스팅의 4 단계로 구성됩니다.

가. 온도 이상 현상 식별 및 확률 모델링 (Section 2)

• 데이터: 1940 년~2025 년 4 월까지의 월별 평균 온도 데이터 (Our World in Data, IPCC, NASA 등 출처) 를 활용하여 북미, 남미, 유럽, 아프리카, 아시아, 오세아니아 등 6 대륙을 분석 대상으로 설정했습니다.
• 이상 현상 식별: 1960~1990 년을 기준 기간 (Baseline) 으로 설정하여 각 대륙별 계절적 평균 ($\mu$) 과 표준편차 ($\sigma$) 를 산출했습니다. 표준화된 온도 ($Z_{k,t}$) 가 2 를 초과할 때를 '극단적 온도 이상'으로 정의했습니다.
• 확률 모델링: 로지스틱 회귀 분석 (Logistic Regression) 을 사용하여 시간에 따라 변하는 극단적 사건 발생 확률 ($p_{k,t}$) 을 추정했습니다. 기후 변화의 비선형적 가속화를 반영하기 위해 시간 변수에 2 차 항 ($t^2$) 을 포함시켰습니다.
• 공간 상관관계: 대륙 간 극단적 사건의 상관관계를 분석하였으며, 베르누이 확률변수 간의 상관관계 한계를 Fréchet-Hoeffding bounds 로 검증하여 모델의 수학적 일관성을 확보했습니다.

나. 기후 물리적 위험 지표 개발 (Section 3)

기업의 수익 분포와 유형자산 집약도 (Asset Intensity, $AI_i = \frac{\text{Tangible Assets}}{\text{Revenue}}$) 를 기반으로 두 가지 새로운 지표를 제안했습니다.

1. 기후 위험 노출 (Climate Risk Exposure, CRE): 포트폴리오가 극단적 기후 사건에 노출될 기대값 (평균) 을 측정합니다. 시계열 확률 $p_{k,t}$ 와 기후 정규화된 포트폴리오 가중치 ($\alpha_k$) 를 활용합니다.
   $$CRE(w, t) = \sum_{k=1}^{K} \alpha_k(w) \cdot p_{k,t}$$
2. 기후 노출 변동성 (Climate Exposure Volatility, CEV): 포트폴리오 기후 노출의 불안정성 (분산) 을 측정합니다. 지역 간 상관관계 ($\rho_{k,j}$) 를 고려하여 시스템적 위험을 포착합니다.
   $$CEV(w, t) = \sum_{k=1}^{K} \alpha_k^2 p_{k,t}(1-p_{k,t}) + 2 \sum_{k<j} \alpha_k \alpha_j \rho_{k,j} \sqrt{p_{k,t}(1-p_{k,t})p_{j,t}(1-p_{j,t})}$$
   • 이 지표는 지리적 다각화가 부족할 때 발생하는 동시적 충격 (Synchronized Shocks) 에 대한 패널티를 부여합니다.

다. 다목적 포트폴리오 최적화 (Section 4)

• 최적화 문제: 3 가지 목적 함수를 동시에 최소화하는 다목적 최적화 문제를 설정했습니다.
  1. 기대 수익 최소화 (실제로는 수익 극대화, $f_1 = -w^T r$)
  2. 시장 분산 최소화 (재무적 위험, $f_2 = w^T \Sigma w$)
  3. 기후 노출 변동성 최소화 (물리적 위험, $f_3 = CEV(w)$)
• 알고리즘: 다목적 입자 군집 최적화 (MOPSO, Multi-Objective Particle Swarm Optimization) 알고리즘을 사용하여 파레토 프론티어 (Pareto Frontier) 를 도출했습니다. 이는 서로 상충되는 목표들 간의 최적 균형을 찾는 데 효과적입니다.
• 데이터: MSCI World 지수에서 선별된 120 개 종목 (지역 및 시가총액에 따른 층화 표본) 을 사용했습니다.

라. 백테스팅 (Section 5)

• 기간: 2020 년 1 월 1 일 ~ 2025 년 4 월 30 일 (Rolling-window 방식, 5 년 학습 기간).
• 전략: 파레토 프론티어 상의 다양한 포트폴리오 (최소 분산, 최소 CEV, 균형형 등) 를 구성하고, 전통적인 시장 가중치 및 등가중치 포트폴리오와 비교 분석했습니다.

3. 주요 결과 (Key Results)

가. 실증 분석 결과

• 온도 이상과 수익률의 관계: 패널 회귀 분석 결과, 극단적인 온도 이상 현상은 대부분의 산업 섹터 (화학, 소비재, 식품, 운송 등) 의 수익률에 통계적으로 유의미한 부정적 영향을 미쳤습니다. (계수 $\gamma$가 대부분 음수).
• 비정상성 (Non-stationarity): 기후 위험은 고정된 분포가 아니라 최근 수십 년간 급격히 심화되는 동적 변수임이 확인되었습니다.

나. 포트폴리오 최적화 및 백테스팅 성과

• 다양성 확보: CEV 를 최적화에 포함시킨 포트폴리오들은 기존 Mean-Variance 포트폴리오보다 더 높은 자산 수 (평균 22 개 vs 14.4 개) 를 보유하여 분산 효과를 증대시켰습니다.
• 성과 비교 (2020~2025):
  • 균형형 전략 (1/3, 1/3, 1/3): 모든 목적 함수에 동등한 가중치를 둔 전략은 **최고의 연평균 성장률 (CAGR 33.54%)**과 **최고의 샤프 비율 (1.153)**을 기록했습니다.
  • 최소 분산 전략: 시장 변동성을 가장 잘 통제하여 **최대 낙폭 (Max Drawdown) 11.47%**로 가장 낮은 리스크를 보였습니다.
  • 기후 위험 최소화 전략 (Min CEV): 기후 위험 지표는 가장 낮았으나, 변동성 통제 측면에서는 다소 미흡했습니다.
  • 전통적 Mean-Variance 전략: 기후 위험을 고려하지 않았음에도 불구하고 파레토 프론티어에서 선택되었기 때문에 양호한 성과를 보였으나, 균형형 전략보다는 리스크 관리 측면에서 우위가 없었습니다.
• 핵심 발견: 기후 위험 지표 (CEV) 를 추가하더라도 기대 수익률이 저하되지 않으며, 오히려 **다양성 강화와 리스크 감소 (특히 최대 낙폭)**에 기여하여 더 효율적인 포트폴리오를 구성할 수 있음을 입증했습니다.

4. 주요 기여 (Key Contributions)

1. 동적 기후 위험 지표 개발: 정적인 국가별 지표를 넘어, 기업별 자산 집약도와 지리적 노출, 그리고 시계열적 확률 변화를 반영한 CRE 와 CEV라는 두 가지 새로운 지표를 제안했습니다.
2. 다목적 최적화 프레임워크 확장: 전통적인 Mean-Variance 모델에 물리적 기후 위험을 명시적으로 통합하여, 투자자가 재무적 성과와 기후 회복력 간의 트레이드오프를 시각화하고 선택할 수 있는 파레토 프론티어를 제공합니다.
3. 실증적 타당성 입증: 극단적 온도 현상이 실제 자산 수익률에 부정적 영향을 미친다는 통계적 증거를 제시하고, 이를 포트폴리오 구성에 반영했을 때 전통적 벤치마크 대비 우수한 리스크 조정 수익률을 달성할 수 있음을 백테스팅을 통해 검증했습니다.
4. 공간적 상관관계 고려: 대륙 간 기후 사건의 상관관계를 Fréchet-Hoeffding 한계 내에서 분석하여, 지리적 다각화가 기후 리스크를 얼마나 효과적으로 분산시킬 수 있는지에 대한 통찰을 제공했습니다.

5. 의의 및 결론 (Significance)

이 연구는 기후 변화가 단순한 규제 이슈가 아닌 실질적인 재무적 위험임을 정량적으로 증명했습니다. 특히, 기후 위험을 포트폴리오 최적화의 핵심 변수로 포함시키는 것이 수익을 희생하지 않으면서도 포트폴리오의 **회복력 (Resilience)**을 높일 수 있음을 보여줍니다.

• 투자자 관점: 기후 리스크를 고려한 전략은 극단적 시장 상황 (팬데믹, 에너지 쇼크 등) 에서 더 큰 안정성을 제공하며, 기존 ESG 투자 접근법을 넘어선 정량적 도구로 활용 가능합니다.
• 정책 및 산업적 의의: 자산 관리 산업이 정적 지표에서 동적, 기업별 맞춤형 기후 위험 평가로 전환해야 할 필요성을 강조하며, 기후 변화 대응을 위한 금융 시스템의 적응력을 높이는 데 기여합니다.

결론적으로, 이 논문은 기후 물리적 위험을 포트폴리오 구성에 통합하는 것이 리스크 관리의 새로운 차원을 열어주며, 지속 가능하고 수익성 있는 투자 전략을 수립하는 데 필수적인 도구임을 제시합니다.