기술 요약: 요인 모델 성능의 구성 의존성

1. 문제 제기

자산 가격 결정 요인 모델(asset-pricing factor models)의 경험적 성과는 전통적으로 모델의 요인들과 그 결과로 나타나는 가격 오차(알파)를 기준으로 평가된다. 그러나 본 논문은 테스트 자산의 구성 방식에 따라 성과 순위가 불변하는 것이 아니라고 주장한다. 특성 기반 정렬 포트폴리오(예: 규모, 가치, 모멘텀)는 고유한 노이즈를 줄이기 위해 표준적으로 사용되지만, 이는 종종 요인을 구성하는 데 사용된 특정 특성들과 밀접하게 일치하여 "홈 필드 바이어스(home-field bias)"를 생성할 가능성이 있다.

본 연구가 다루는 핵심 질문은 요인 모델의 적합도가 서로 다른 규칙에 의해 형성된 포트폴리오로 일반화될 수 있는가 하는 점이다. 구체적으로, 본 논문은 주식 선택(stock selection), 초기 가중치 설정(initial weighting), 포트폴리오 폭(portfolio breadth), 그리고 형성 후 가중치 관리(post-formation weight management) (보유 및 리밸런싱 규칙)의 변화가 경쟁하는 요인 모델들의 상대적 성과를 어떻게 변화시키는지 조사한다. 본 연구는 테스트 자산의 구성이 중립적인 전처리 단계가 아니라, 가격 오차의 어떤 차원을 강조할지를 결정하는 근본적인 설계 선택이라고 상정한다.

2. 방법론

데이터 및 유니버스

본 연구는 1967년 1월 3일부터 2024년 12월 31일까지의 광범위한 CRSP 투자 가능 일반 주식 유니버스(NYSE, AMEX, NASDAQ)를 활용한다. 유니버스는 빈번한 진입/퇴출을 방지하기 위한 히스테리시스(hysteresis)를 적용하여 시장 가치와 거래 유동성(63일 평균 달러 거래량)을 기준으로 투자 가능성을 스크리닝한다. 최종 유니버스는 가장 유동성이 낮은 꼬리 부분을 제외하면서도 총 시장 가치의 약 99.7%를 유지한다.

무작위 포트폴리오 구성

특성 기반 정렬 대신, 본 논문은 **특성 미정렬 무작위 포트폴리오(characteristic-unsorted random portfolios)**를 형성한다. 구성 과정은 네 가지 별개의 차원을 포함한다:

1. 주식 선택: 주식은 시장 가치 비례(MEP) 또는 균등(UNIF) 확률에 따라 샘플링된다. 선택 비율($\rho$)은 0.5%에서 100%까지 범위가 다양하다.
2. 초기 가중치 설정: 선택된 주식은 동일 가중(EW), 가치 가중(VW), 제곱근 시장 가치 가중(SQME), 또는 무작위 가중(RAND)을 부여받는다.
3. 가중치 관리 (동적): 동일한 초기 주식과 가중치가 두 가지 뚜렷한 규칙에 적용된다:
   • 매수 후 보유 (Buy-and-Hold, BH): 가중치는 실현된 수익률에 따라 내생적으로 변동한다.
   • 고정 가중치 (Constant Weight, CW): 초기 목표 가중치를 복구하기 위해 매일 리밸런싱을 수행한다.
4. 포트폴리오 폭: 분산 효과의 영향을 테스트하기 위해 포트폴리오 내 주식 수를 변화시킨다.

평가 대상 모델

분석은 다음 여섯 가지 요인 모델을 비교한다:

• CAPM
• Fama–French 3-Factor (FF3)
• Carhart 4-Factor
• Fama–French 5-Factor (FF5)
• Fama–French 6-Factor (FF6)
• Hou–Xue–Zhang 5-Factor (q5)

평가 지표

성과는 다음을 통해 평가된다:

• 요인 스패닝 (Factor Spanning): 한 모델의 요인이 다른 모델을 스팬(span)하는지에 대한 직접적인 테스트(Barillas and Shanken, 2017)로, 평균-분산 기회 집합의 확장을 측정한다.
• 가격 오차 (Pricing Errors): 평균 절대 가격 오차, 제곱평균제곱근 오차, 꼬리 오차, 유의미한 알파의 비율, 그리고 시계열 $R^2$.
• 홈 필드 바이어스 (Home-Field Bias): 전통적인 특성 정렬 포트폴리오(Fama–French, global-q, industry)와 무작위 포트폴리오 간의 모델 순위 비교.

3. 주요 결과

A. 요인 스팬(Spanning) 대 포트폴리오 적합도

스팬 테스트는 평균-분산 기회 집합의 비대칭성을 드러낸다. q5 모델은 가장 넓은 표본 기회 집합을 제공하며, 특히 기대 성장(Expected Growth, EG)과 같은 특정 요인들이 최대 샤프 지수에 크게 기여한다. 그러나 더 넓은 기회 집합을 스팬한다고 해서 특정 테스트 자산에 대해 더 작은 가격 오차를 보장하는 것은 아니다. 본 논문은 모델이 스팬 테스트에서는 우위를 점하면서도, 무작위 포트폴리오에 대해서는 구성에 민로한 큰 가격 오차를 남길 수 있음을 입증한다.

B. 홈 필드 바이어스

전통적인 특성 정렬 포트폴리오에서 모델들은 자신의 연구 계보와 일치하는 자산에서 가장 잘 작동하는 "홈 필드 바이어스"를 보인다.

• FF 모델은 Fama–French 특성 정렬에서 가장 잘 수행된다.
• q5는 global-q 이상 수익 포트폴리오에서 가장 잘 수행된다.
• 산업 포트폴리오나 무작위 포트폴리오로 이동할 때 순위가 크게 변하며, 이는 익숙한 정렬 방식에서의 강력한 적합도가 외부의 구성 규칙으로 일반화되지 않음을 나타낸다.

C. 무작위 포트폴리오에서의 구성 의존성

요인 모델의 성과는 포트폴리오 구성 설계에 매우 민감하다:

• 매수 후 보유 (BH): BH 및 저빈도 리밸런싱 환경에서는 FF5와 FF6가 일반적으로 강세를 보이며, 종종 FF3와 q5를 능가한다. 정확한 선두 모델은 샘플링(MEP vs. UNIF)과 초기 가중치 사이의 상호작용에 따라 달라진다.
• 고정 가중치 (CW): 일간 리밸런싱을 수행하는 CW 환경에서는 FF3가 가장 안정적인 모델로 등장하며, 대부분의 설계에서 가장 작은 가격 오차를 보인다.
• q5의 이상 현상: q5는 스팬 테스트에서 가장 높은 최대 샤프 지수를 달성하지만, 특히 CW 환경의 무작위 포트폴리오에 대해 상대적으로 크고 구성에 민감한 가격 오차를 남긴다. 많은 CW 설계에서 q5는 광범위한 양(+)의 절편(저평가)을 생성한다.
• 상호작용 효과: 특정 요인의 한계 기여도(예: q3에 ROE나 EG를 추가하는 것)는 불변하지 않는다. 한 설계(예: 산업 포트폴리오)에서 가격 오차를 줄이는 요인이 다른 설계(예: Fama–French 정렬 또는 CW 무작위 포트폴리오)에서는 오히려 오차를 증가시킬 수 있다.

D. 리밸런싱 빈도의 영향

리밸런싱 빈도를 연간에서 일간으로 변화시키면 모델 순위가 단조적이지 않음을 알 수 있다.

• FF6와 Carhart는 낮은 빈도(연간, 분기)에서 더 잘 수행되는 경향이 있다.
• FF3는 리밸런싱 빈도가 높아질수록(주간, 일간) 지배적으로 변한다.
• q5는 특정 설계(예: MEP-VW)에서 잘 작동하는 경우를 제외하고는 리밸런싱 빈도가 증가함에 따라 일반적으로 성과가 저하된다.
• BH와 CW 결과 사이의 괴리는 동적 가중치 관리의 효과를 격리하여 보여주며, "가격 결정 대상이 되는 수익 과정"이 리밸능싱 규칙에 따라 근본적으로 변화함을 보여준다.

E. 강건성 (Robustness)

연구 결과는 다음과 같은 다양한 강건성 검토에서도 유지된다:

• NYSE 전용 샘플: 구성 의존성은 유지되나, 특정 순위가 변화한다 (예: NYSE 전용 BH에서 FF5/FF6 약화).
• 마이크로캡 제외: NYSE 하위 20 백분위 미만의 주식을 제외하면 오차의 크기는 줄어들지만, 상대적인 성과 차이나 구성 규칙에 대한 민감도는 사라지지 않는다.
• 포트폴리오 폭: 분산 효과를 높이면 노이즈는 줄어들지만, 특정 모델에 특유의 체계적인 가격 오차는 제거되지 않는다 (예: q5는 100% 폭의 CW에서도 여전히 큰 오차를 유지한다).

4. 기여 및 의의

본 논문은 자산 가격 결정 문헌에 세 가지 주요 기여를 한다:

1. 체계적인 무작위 포트폴리오 설계: 후보 모델을 검증하는 데 사용되는 특성 정렬을 재현하지 않고도, CRSP 수익 공간으로부터 대안적인 거래 가능한 방향을 샘플링하는 프레임워크를 개발하였다. 이를 통해 외부 규칙에 의해 생성된 자산들로 모델을 평가할 수 있게 하였다.
2. 스팬(Spanning)과 절대적 적합도의 분리: 본 연구는 요인 스팬(평균-분산 기회 집합을 확장하는 능력)과 포트폴리오 수준의 절대적 적합도(사전 지정된 집합에 대한 가격 오차의 크기)를 경험적으로 구분한다. 이는 모델이 더 넓은 기회 집합을 제공하면서도 동시에 특정 포트폴리오 집단에 대해 더 큰 가격 오차를 남길 수 있음을 입증한다.
3. 설계로서의 동적 가중치 관리: 본 논문은 동적 가중치 관리를(BH 대 CW) 테스트 자산 구성의 필수적인 부분으로 취급한다. 이는 보유 또는 리밸런싱 규칙을 변경하는 것이 가격 결정 대상이 되는 수익 과정을 변화시키며, 이것이 추정된 가격 오차의 크기와 방향을 모두 바꿀 수 있음을 보여준다.

의의:
본 논문은 "보편적으로 우월한" 요인 모델이란 존재하지 않는다는 결론을 내린다. "어떤 모델인가?"라는 질문은 "어떤 포트폴리오인가?" 그리고 "그것들을 어떻게 관리하는가?"라는 질문과 분리될 수 없다. 테스트 자산의 구성은 중립적인 전처리 선택이 아니라 모델 평가 설계의 핵심 요소이다. 따라서 경험적 비교는 모델의 성과에 대한 완전한 그림을 제공하기 위해, 직접적인 요인 스팬뿐만 아니라 대안적인 포트폴리오 생성 및 가중치 관리 규칙에 따른 오차의 수준, 방향, 그리고 안정성을 모두 보고해야 한다.