A Cap-Axis Integral Diagnostic of Factor Models

기술 요약: 팩터 모델에 대한 캡-축 적분 진단 (A Cap–Axis Integral Diagnostic of Factor Models)

문제 제의 (Problem Statement)
표준적인 자산 가격 결정 평가 방식은 유한한 테스트 자산 세트에 대한 팩터 스패닝(factor spanning), 최대 샤프 지수(maximum-Sharpe-ratio) 비교, 그리고 결합 알파 테스트와 같은 기준들에 의존한다. 올바르게 설정된 확률적 할인 요인(Stochastic Discount Factor, SDF)은 제로 알파(zero alpha)와 평균-분산 효율성을 모두 함의하지만, 실증적 팩터 모델은 저차원 근사치이기에 이러한 기준들이 서로 분리될 수 있다. 어떤 모델은 평균-분산 프런티어를 성공적으로 확장(최대 샤프 지수 개선)하면서도, 표준적인 테스트들이 단일 스칼라 결론으로 압축하거나 집계된 포트폴리오 내에 숨겨버리는 경제적으로 유의미한 하위 공간(subspace) 상의 체계적 가격 결정 오류를 남길 수 있다. 기존의 테스트들은 특히 시장-시가총액 축을 따라 발생하는 오류의 분포와 관련하여, 가격 결정 오류가 어디에 존재하는지를 밝혀내는 데 실패하는 경우가 많다.

방법론 (Methodology)
본 논문은 팩터 모델의 가격 결정 오류를 시장-시가총액 순위 축을 따라 연속 함수로 끌어올리는 **캡-축 적분 진단(cap-axis integral diagnostic)**을 제안한다.

1. 브릿지(Bridge)의 구축:

   • 자산들을 내림차순 시가총액 순으로 정렬한다.
   • 임의의 누적 시장 가치 점유율 $p \in [0, 1]$에 대하여, 제로 투자 "브릿지" 포트폴리오를 구성한다: 상위 $p$ 구간의 프리픽스(prefix)를 매수하고, 동일한 시장 가치 노출을 가진 전체 시장을 매도한다.
   • 이 브릿지 $D_t(p)$는 구조적으로 양 끝점($p=0$ 및 $p=1$)에서 제로가 된다.

2. 브릿지-알파 곡선 (The Bridge-Alpha Curve):

   • 브릿지 수익률을 팩터 모델 $f_{m,t}$에 회귀 분석하여 알파 함수 $\alpha_m(p)$를 추정한다.
   • 결과물인 곡선 $p \mapsto \alpha_m(p)$는 캡-순위 축을 따른 가격 결정 오류의 분포를 나타낸다.
   • "전체 시장 게이트(aggregate-market gate)"(모델이 전체 시장에 대해 제로 알파를 갖도록 요구함) 하에서, 제로 브릿지-알파 곡선은 전체 시장과 모든 캡-축 브릿지에 의해 생성되는 폐쇄 선형 하위 공간을 모델이 가격 결정하는 데 필요충분조건이다.

3. 함수적 통계량 (Functional Statistics):
   곡선은 방향, 크기, 국소적 왜곡을 구분하기 위해 네 가지 함수적 통계량으로 요약된다:

   • 부호 면적 ($\widehat{SA}$): 방향성 기울기를 측정하며, 가중치 $(1/2 - u)$를 가진 단일 "순위-면적" 포트폴리오의 알파와 동일하다.
   • 적분 절대 오차 ($\widehat{IAE}$): 부호 상쇄 없이 전체 왜곡의 크기를 측정한다.
   • 적분 제곱 오차 ($\widehat{ISE}$): 전체 제곱 왜곡을 측정한다.
   • Supremum ($\widehat{SUP}$): 가장 큰 국소적 왜곡을 기록한다.

4. 추론 및 플라세보 (Inference and Placebos):

   • HAC 추론: 시계열 불확실성(Newey–West 표준 오차)에 대비하여 부호 면적이 통계적으로 유의미한지 테스트한다.
   • 순서 플라세보 (Ordering Placebos): 날짜, 수익률, 시장 가중치는 고정하되 주식의 순서만 무작위화한 매칭 벤치마크를 사용한다. 이는 관찰된 브릿지 형태가 일반적인 수익률 분포의 특징인지, 아니면 시가총액 순위에 특화된 것인지를 테스트한다.
   • 리드-래그 보정 (Lead–Lag Correction): 비동기적 거래를 해결하기 위해 일간 데이터에 적용되며, 베타 감쇄(beta attenuation)를 교정하기 위해 팩터의 리드와 래그를 집계한다.

주요 결과 (Key Results)
이 진단법은 1967년부터 2024년까지의 CRSP 투자 가능 시장 데이터를 사용하여 154개의 팩터와 여러 표준 모델(CAPM, Fama–French, Carhart, q5)에 적용되었다.

1. 빈도 의존적 왜곡 (Frequency-Dependent Distortions):

   • 일간 빈도: q5 모델은 견고한 단방향 음(-)의 브릿지-알파 곡선(부호 면적 $\approx -39.6$ bp)을 보인다. 이 왜곡은 매우 유의미하며 순서 플라세보를 통과한다. 그러나 리드-래그 보정 하에서 빠르게 감쇄하는데, 이는 해당 모델이 단기 horizon의 비동기적 거래에 의해 구동됨을 시사한다.
   • 월간 빈도: q5의 왜곡은 거의 사라진다. 반대로, Fama–French (FF3, FF5, FF16) 및 Carhart 모델은 월간 빈도에서 더 강하게 나타나는 유의미한 양(+)의 단방향 브릿지(부호 면적 $\approx +32$ bp)를 보여준다.
   • 결론: 가격 결정 오류는 호라이즌(horizon)에 국한되어 존재한다. 즉, 서로 다른 모델은 서로 다른 빈도에서 오류를 남긴다.

2. 팩터 수준의 좌표 (Factor-Level Coordinates):

   • 154개 팩터 전반에 걸쳐, 캡-축 발자국(footprint, $\widehat{IAE}$로 측정)은 최대 샤프 지수 이득($\Delta SR$)과 구별된다. 두 값 사이의 순위 상관관계는 낮다(0.15).
   • 어떤 팩터는 샤프 프런티어를 유의미하게 개선하면서도, 캡-순위 하위 공간 상에서 큰 제로-알파 발자국을 남길 수 있다 (예: q5 Expected Growth는 가장 높은 샤프 이득과 가장 큰 발자국을 가짐).
   • 이 발자국은 전통적인 사이즈 노출에 의해 기계적으로 설명되지 않는다. 발자국 크기를 사이즈 팩터 로딩에 대해 회귀 분석했을 때 $R^2$는 거의 0에 가까우며, 이는 진단법이 단순한 사이즈 노출을 넘어 팩터 행동의 별개 특징을 포착함을 나타낸다.

3. 해상도 vs. 사이즈 빈 (Resolution vs. Size Bins):

   • 표준적인 사이즈 십분위(decile) 테스트는 시장을 10개의 빈으로 압축하며, 이때 상위 십분위가 시장 가치의 약 60%를 차지한다. 이러한 집계는 내부 구조를 은폐한다.
   • 캡-축 진단은 상위 십분위를 연속적인 경로로 해상화하여, 가격 결정 오류가 빈 경계가 아니라 오히려 지배적인 빈 내부(예: $p \approx 0.33$ 또는 $0.45$)에서 정점에 달할 수 있음을 드러낸다. 즉, 어떤 모델은 십분위 테스트는 통과할 수 있지만, 숨겨진 내부 오류로 인해 캡-축 진단에서는 실패할 수 있다.

의의 및 주장 (Significance and Claims)
본 논문은 표준적인 모델 평가 도구에 **제한된 제로-알파 보완재(restricted zero-alpha complement)**를 추가한다고 주장한다.

• 구별성: 전체 시장 적합도, 최대 샤프 개선, 그리고 캡-순위 하위 공간에서의 제한된 제로-알파 일관성이 서로 구별되는 경험적 기준임을 입증한다. 모델은 전체 시장을 가격 결정하고 프런티어를 확장하면서도 캡-축 진단은 통과하지 못할 수 있다.
• 국소화: 스칼라 테스트와 달리, 이 진단법은 가격 결정 오류의 방향, 크기, 위치, 그리고 빈도를 식별한다.
• 비대체성: 이는 스패닝 테스트나 사이즈 빈 테스트를 대체하는 것이 아니라, 그것들이 압축해버리는 정보를 드러내는 것이다. 즉, "근사적 SDF"는 서로 다른 호라이즌(일간 vs 월간)에 오류를 배치할 수 있으며, 모델 수준의 일관성은 구성 팩터들의 상쇄되는 한계적 발자국으로부터 발생할 수 있음을 보여준다.
• 유용성: 브릿지-알파 곡선은 팩터 구축(IAE 최소화)이나 팩터 블록 분해에 사용할 수 있는 함수적 객체로서, 표준 테스트가 가리는 고해상도의 시각을 제공한다.

본 논문은 범위의 한계를 인정하며, 진단법을 통과하는 것이 완전한 SDF 타당성을 의미하는 것은 아니며(모멘텀, 가치 및 기타 비-캡-순위 방향을 무시함), 실패하는 것이 반드시 평균-분산 가치의 부재를 의미하는 것도 아님을 명시한다. 본 논문의 주요 기여는 바로 이 측정 장치 그 자체에 있다.