🤖 AI

Quant Convergence: Bridging Classical Value Investing and Modern Factor Models for Systematic Equity Selection

본 연구는 벤자민 그레이엄의 고전적 가치 투자 원칙을 현대적 팩터 모델과 결합하는 것이 효과적인 리스크 통제 기제로 작용하며, 이를 통해 하이브리드 랜덤 포레스트 전략이 4년의 기간 동안 AutoGluon과 같은 복잡한 AI 모델보다 현저히 낮은 낙폭(drawdown)으로 더 우수한 수익률을 달성하며 이를 능가할 수 있음을 입증한다.

원저자: Augusto Eiji Yamazaki, Hugo Garrido-Lestache Belinchon

게시일 2026-06-24

📖 3 분 읽기☕ 가벼운 읽기

CC0 1.0

원저자: Augusto Eiji Yamazaki, Hugo Garrido-Lestache Belinchon

원본 논문은 CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/)에 따라 공공 도메인에 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 거대하고 소란스러운 과수원(주식 시장)에서 최고의 사과를 찾으려 한다고 상상해 보십시오. 수십 년 동안 가장 똑똑한 사람들은 이 작업을 위해 매우 다른 두 가지 도구를 사용해 왔습니다.

도구 1: 올드스쿨 농부 (벤저민 그레이엄)
이것은 1940년대의 접근 방식입니다. 마치 엄격한 체크리스트와 같습니다. 농부는 오직 다음과 같은 사과만을 고릅니다:

크고 튼튼한 것 (작은 묘목이 아닌 것).
뿌리에 물이 충분한 것 (보유 현금).
매년 열매를 맺어온 역사가 있는 것 (일관된 이익).
적절하고 낮은 가격에 판매되는 것 (너무 비싸지 않은 것).

농부는 빠르게 자랄 수도 있지만 폭풍우가 치면 썩어버릴 수 있는 화려하고 비싼 "슈퍼 사과"들은 무시합니다. 이것은 **저역 통과 필터(low-pass filter)**와 같습니다. 즉, 소음이 심하고 위험한 것들을 차단하고 오직 견고하고 안전한 것들만 통과시키는 것입니다.

도구 2: 첨단 드론 (현대적 AI)
이것은 새로운 접근 방식입니다. 복잡한 컴퓨터와 머신러닝(XGBoost 및 AutoGluon 같은)을 사용하여 과수원 전체를 스캔합니다. 바람이 얼마나 빨리 부는지, 잎의 색깔은 어떤지, 토양의 이력은 어떠한지, 심지어 일기 예보의 분위기는 어떤지 등 수천 개의 데이터 포인트를 살펴봅니다. 이는 인간이 볼 수 없는 숨겨진 패턴을 찾아내려 노력합니다.

실험
이 논문의 저자들은 날씨가 나빠질 때 어떤 도구가 실제로 더 잘 작동하는지 알아보고 싶었습니다. 그들은 20년간의 S&P 500(미국의 가장 큰 과수원) 데이터를 사용하여 경주를 설정했습니다. 그들은 다섯 팀을 테스트했습니다:

순수 농부: 오직 1940년대 규칙만을 사용하는 팀.
순수 드론: 오직 현대적인 첨단 데이터만을 사용하는 팀.
하이브리드: 옛 규칙과 새로운 기술을 혼합하려는 팀.
슈퍼 드론: 여러 모델을 쌓아 올린 매우 복잡한 AI 팀.
벤치마크: 그냥 과수원의 모든 것을 사는 것 (S&P 500 인덱스).

그들은 거대한 시장 폭락(폭풍)과 그 이후의 회복기를 포함하는 특정 4개년 기간(2022~2026년)을 통해 이 경주를 진행했습니다.

결과는 어떠했는가? 누가 이겼는가?

첨단 드론 (AutoGluon): 이 팀은 많은 돈을 벌었지만(수익률 222%), 그 과정은 롤러코스터 같았습니다. 화려한 기술주를 쫓았기 때문에, 폭풍이 닥쳤을 때 가치의 거의 40%를 잃었습니다. 이는 마치 속도는 빠르지만 사고도 크게 나는 레이스카와 같았습니다.
순수 농로 (그레이엄 규칙): 이 팀이 전체적으로 가장 많은 돈을 벌었습니다 (수익률 232%). 더 중요한 것은, 폭풍이 닥쳤을 때 이들은 35%만 잃었다는 점입니다. 이들은 현금이 풍부한 견고한 기업들을 보유하고 있었기에 그렇게 크게 무너지지 않았습니다.
하이브리드 팀: 옛 규칙과 새로운 기술을 섞으려고 했을 때, 결과는 오히려 더 나빠졌습니다. 컴퓨터가 혼란을 느껴 다시 위험한 주식들을 쫓기 시작했고, 순수 농부보다 돈을 적게 벌었습니다.
슈퍼 드론 (XGBoost): 이 팀은 테스트에서 완전히 실패하여, 단순히 시장 전체를 샀을 때보다 돈을 적게 벌었습니다. 이들은 과거를 너무 잘 "암기"해 버린 나머지, 새로운 폭풍을 감당할 수 없었습니다.

핵심 교훈
이 논문은 복잡함이 항상 더 나은 것은 아니다라고 결론짓습니다.

1940년대의 규칙을 단순히 "구식"이라고 생각하지 말고, 하나의 안전 장치라고 생각하십시오. 만약 당신이 고성능 AI 엔진에 안전 장치(그레이엄 규칙)를 채운다면, AI가 통제 불능으로 날뛰게 두는 것보다 더 나은 성과를 낼 것입니다.

벤저민 그레이엄이 말한 "안전 마진"은 단순히 좋은 아이디어에 그치는 것이 아니라, AI가 지나치게 흥분하여 폭락 직전에 위험하고 변동성이 큰 주식을 사는 것을 막아주는 수학적 필터 역할을 합니다.

요약하자면:

복잡한 AI는 레이스카와 같습니다. 빠르지만 폭풍 속에서는 위험합니다.
올드스쿨 가치 투자는 튼튼한 트럭과 같습니다. 출발은 느리지만, 폭풍 속에서도 당신을 안전하게 운반하여 결국 더 많은 돈을 주머니에 넣고 결승선에 도착하게 해줍니다.
이 둘을 섞는 것은 트럭에 레이스카 엔진을 다는 것과 같습니다. 그것은 차량을 불안정하게 만들 뿐입니다.

이 연구는 주식이라는 소란스럽고 혼란스러운 세상에서, "좋은 기업을 적절한 가격에 산다"는 단순하고 지루한 기본 원칙을 고수하는 것이 현대의 컴퓨터를 사용하는 가장 똑똑한 방법임을 입증합니다.

기술 요약: 퀀트 수렴 (Quant Convergence)

문제 제기

현대 퀀트 금융은 주식 시장의 패턴을 식별하기 위해 XGBoost 및 AutoML 앙상블과 같은 복잡한 머신러닝(ML) 모델에 점점 더 의존하고 있다. 그러나 저자들은 모델의 복잡성이 증가함에 따라, 모델이 진정한 장기 가치를 지닌 기업을 식별하기보다는 단기적인 시장 노이즈와 유행(hype)에 과적합(overfitting)될 위험이 있다고 주장한다. 이는 포트폴리오가 강세장에서 높은 절대 수익을 창출할 수는 있으나, 구조적 리스크 제약의 부재로 인해 시장 충격 발생 시 파괴적인 낙폭(drawdown)을 겪게 만든다. 본 연구의 핵심 질문은 벤자민 그레이엄(Benjamin Graham)의 고전적이고 규칙 기반적인 가치 투자 프레임워크가 현대 AI 모델을 정규화(regularize)하여 모델이 과도한 리스크를 취하는 것을 방지하면서도 예측 성능을 유지하거나 개선할 수 있는 수학적 "저역 통과 필터(low-pass filter)" 역할을 할 수 있는지 여부이다.

방법론

본 연구는 20년간의 엄격한 백테스팅 프로토콜(2006년 3월 – 2026년 3월)을 S&P 500 유니버스에 적용하였으며, 미래 참조 편향(look-ahead bias)을 방지하기 위해 엄격한 80/20 시계열 분할을 사용하였다. 훈련 기간은 4,021일이었으며, 테스트 기간(out-of-sample)은 심각한 거시 경제적 수축과 그에 따른 집중적 랠리가 특징인 1,006일(2022년 3월 – 2026년 3월)이었다.

데이터 및 피처 엔지니어링

연구진은 다섯 가지 모델 아키텍처를 테스트하기 위해 세 가지 별도의 피처 세트를 구축하였다:

전략 A (순수 그레이엄 - Pure Graham): 그레이엄의 7가지 방어적 기준(예: 유동비율 ≥ 2, PER ≤ 15, PER × PBR ≤ 22.5)에 엄격히 기반한 19개 피처를 사용하였으며, 이를 이진 임계값(binary thresholds)으로 인코딩하고 펀더멘털 비율을 보완하였다.
전략 B (현대적 퀀트 - Modern Quant): 리스크-수익 지표(CAPM 알파, 베타, 샤프 지수), 모멘텀 신호, 벤포드의 법칙(Benford's Law) 데이터 무결성 신호를 포함한 벡터 연산에서 도출된 15개 피처를 사용하였다.
전략 C (결합 하이브리드 - Combined Hybrid): 크로스 도메인 상호작용 항(예: 가치 × 모멘텀)을 포함한 36~40개의 피처를 집계하였다.

모델 아키텍처

Optuna(Tree-structured Parzen Estimator)를 통한 하이퍼파라미터 최적화와 TimeSeriesSplit 교차 검증을 사용하여 다섯 가지 모델을 평가하였다:

랜덤 포레스트 (Random Forest, RF): 전략 A, B, C를 학습함.
XGBoost: 결합 하이브리드 데이터셋(전략 D)을 학습함.
AutoGluon: 여러 모델을 스태킹하도록 구성된 자동화된 ML 프레임워크(전략 E).

실행 프로토콜

연구는 엄격한 "매수 후 보유(buy-and-hold)" 전략을 시뮬레이션하였다. 테스트 기간 시작 시점에 각 모델은 예측된 초과 수익 확률이 가장 높은 상위 20개 종목을 선정하였다. 이 종목들은 동일 가중치로 매수되었으며, 4년의 전체 기간 동안 리밸런싱 없이 보유되었다.

주요 결과

외부(out-of-sample) 결과는 더 높은 알고리즘 복잡성과 제한 없는 데이터가 반드시 더 우수한 위험 조정 수익을 보장한다는 가설에 도전하였다.

절대 수익: **순수 그레이м 랜덤 포레스트(전략 A)**는 **232.13%**의 가장 높은 총 수익률을 기록하며, S&P 500 벤치마크(68.00%)와 제한 없는 AutoGluon 모델(222.68%)을 모두 앞질렀다.
리스크 및 낙폭: AutoGluon은 높은 수익을 생성했으나, 2022년 시장 충격 동안 **39.78%**의 심각한 최대 낙폭(maximum drawdown)을 기록하여 벤치마크의 24.00%보다 훨씬 나쁜 성과를 보였다. 반면, 순수 그레이엄 모델은 35.01%의 낙폭을 경험했으며, 결합 하이브리드 RF(전략 C)는 가장 낮은 **34.53%**의 낙폭을 달성하였다.
위험 조정 성과: 순수 그레이엄 모델은 가장 높은 **칼마 비율(Calmar Ratio, 1.38)**을 달성하여, 하방 리스크 단위당 우수한 수익을 입증하였다. 결합 하이브리드 RF(전략 C)가 1.22로 그 뒤를 이었으며, AutoGluon은 1.16으로 떨어졌다.
복잡성 페널티: 현대적 퀀트 요인을 그레이엄의 규칙과 혼합했을 때(전략 C), 총 수익률은 순수 그레이엄 모델의 232.13%와 비교하여 202.91%로 감소하였다. 또한, 결합 데이터셋에 적용된 XGBoost 모델(전략 D)은 수익률이 56.79%로 급락하며 벤치마크를 밑도는 성과를 보였는데, 이는 심각한 과적합(overfitting)을 나타낸다.
통계적 유의성: 웰치의 t-검정(Welch's t-test) 결과, 순수 그레이엄 전략의 초과 수익은 S&P 500 대비 $\alpha = 0.10$ 수준에서 통계적으로 유의미함( $p = 0.098$ )이 확인되었다. 반대로, AutoGluon 모델은 귀무가설을 기각하는 데 실패( $p = 0.106$ )하였으며, 이는 해당 모델의 수익률이 높은 변동성을 고려할 때 수학적으로 무작위 변동과 구별할 수 없음을 시사한다.

의의 및 주장

본 논문은 벤자민 그레이엄의 "안전 마진(margin of safety)"이 시대에 뒤떨어진 개념이 아니라, 매우 효과적인 **정규화 기법(regularization technique)**임을 주장한다.

저역 통과 필터링 (Low-Pass Filtering): 본 연구는 ML 모델을 고전적인 재무제표 지표로 제한하는 것이 수학적 저역 통과 필터 역할을 하여, 재무적으로 취약한 기업을 효과적으로 제거하고 모델이 단기 모멘텀이나 변동성에 과적합되는 것을 방지함을 보여준다.
가치의 희석 (Dilution of Value): 연구는 그레이엄의 규칙을 현대적인 모멘텀 요인으로 "현대화"하려는 시도가 오히려 예측력을 희석시킨다는 점을 시사한다. 특정 시장 국면에서는 순수한 펀더멘털 로직이 하이브리드 접근 방식보다 구조적으로 우월함을 입증하였다.
구조적 생존 (Structural Survival): 본 연구의 결과는 AI와 금융의 접점에서 가장 견고한 모델은 근본적인 경제적 실체에 뿌리를 둔 모델이라는 것을 나타낸다. 복잡하고 제한 없는 앙상블 모델은 상승 모멘텀을 포착할 수는 있지만 시장 충격 시 구조적 생존을 보장하지 못하는 반면, 제약이 있는 펀더멘털 모델은 더 우수한 위험-수익 프로필을 제공한다.

저자들은 펀더멘털 제약이 진정한 통계적 유의성을 가진 알파를 격리하는 데 필수적이며, 이를 통해 1940년대의 방어적 프레임워크인 그레이엄의 이론을 고차원 머신러닝 시스템의 리스크 관리를 위한 핵심 도구로 변모시킨다고 결론짓는다.