What Useful Alphas?

기술 요약: "어떤 알파가 유용한가?"

문제 제기
1973년부터 2016년까지 학계의 재무 금융 문헌에는 주식 수익률의 횡단면을 예측하는 200개 이상의 기업 수준 특성(anomaly, 이상 현상)이 발표되었으며, 이들은 흔히 월간 50~100bp(basis points)라는 인상적인 롱숏 수익률을 보고했습니다. 그러나 이러한 발표된 결과와 주식 포트폴리오 매니저들이 직면한 현실 사이에는 심각한 괴리가 존재합니다. 대부분의 기관 매니저들은 "비마이크로캡(non-microcap)" 유니버스(통상 상위 3,000개 종목 또는 시가총액 상위 90% 이내) 내에서 운용하며, 현대적 시대(2005년 이후)에 거래를 수행합니다. 본 논문은 다음의 질문을 다룹니다: 이 중 어떤 발표된 이상 현상들이 21세기에 작고 유동성이 낮은 마이크로캡 주식을 거래할 수 없는 매니저들에게 여전히 수익성을 제공하는가?

방법론
저자들은 표준화된 코드를 사용하여 약 200개의 발표된 횡단면 수익률 예측치를 재현한 오픈 소스 Chen 및 Zimmermann (2022) 데이터셋을 활용합니다. 본 연구는 엄격한 필터링 및 분해 접근 방식을 채택합니다:

1. 유니버스 필터 (Universe Filters): 저자들은 두 가지 주요 필터를 주식 유니버스에 각각 별도로, 그리고 결합하여 적용합니다:
   • 순위 필터 (N): 시가총액 기준 상위 $N$개 종목으로 제한 (예: 상위 3,000개).
   • 비율 필터 (%): 전체 시가총액의 상위 $X\%$를 차지하는 종목으로 제한 (예: 상위 90%).
   • 기준 유니버스 (Baseline Universe): "표준(Standard)" 필터는 두 가지를 결합하여, 상위 3,000개 종목과 시가총액 상위 90%의 교집합(약 3,000개의 대형 유동성 주식)을 유지합니다.
2. 시계열 분할 (Temporal Split): 샘플을 두 시대로 나눕니다: "2005년까지(Through 2005)" (2005년 12월 및 그 이전)와 "2005년 이후(Post-2005)" (2006년 1월 이후). 이 분할은 소수점 거래 도입(decimalization), 알고리즘 매매, 고빈도 매매(HFT)의 영향을 포착합니다.
3. 희소 신호 처리 (Sparse Signal Handling): 작은 하위 집합(예: 공매도 잔고)에 대해 정의된 신호의 경우, 2005년 이전의 데이터가 불충분하면 해당 신호를 제외합니다. 2005년 이후에는 만약 포트폴리오의 한 축(leg)을 구성하는 종목이 20개 미만일 경우, 분산 투자의 부재로 인한 실제 거래 결정 상황을 시뮬레이션하기 위해 해당 수익률을 0으로 설정합니다.
4. 통계적 조정 (Statistical Adjustment): 진정한 신호와 운(luck)을 구분하기 위해, 저자들은 경험적 베이즈 수축 조정(empirical Bayes shrinkage adjustment, Efron, 2010)을 적용합니다. 이는 이상 현상의 횡단면 전반에 걸친 $t$-통계량의 분산을 계산하며, 만약 분산이 순수한 노이즈의 분산인 1에 가깝다면, 관측된 수익률을 운에 의한 비율만큼 하향 조정합니다.

주요 결과
분석 결과는 "원래의 논문" 환경과 "실무자의 현실" 사이에 극명한 대조를 보여줍니다:

• "원래의" 환경 (2005년 이전, 모든 주식): 약 200개 이상 현상 전반의 중앙값 롱숏 수익률은 월간 48 bps였습니다.
• 실무자의 현실 (Post-2005, 상위 90% 시가총액): "표준" 유니버스(상위 90% 시가총액)와 "Post-2005" 기간으로 제한했을 때, 중앙값 수익률은 월간 7 bps로 급락했습니다.
  • 중앙값 $t$-통계량은 0.45로 떨어졌습니다.
  • 중앙값 CAPM 알파는 9 bps이며 $t$-통계량은 0.64입니다.
  • 오직 67%의 이상 현상만이 양(+)의 수익률을 유지했습니다.
• 하락의 분해 (Decomposition of the Decline): 2x2 분석 결과, 85%의 중앙값 수익률 감소는 두 가지 승법적 요인에 의해 발생함을 보여줍니다:
  1. 시간 효과 (Post-2005): 기간을 post-2005로 제한했을 때 수익률이 약 60% 감소했으며, 이는 발표 후 쇠퇴(post-publication decay)와 거래 기술의 발전에 기인합니다.
  2. 규모 효과 (Non-Microcap): 유니버스를 시가총액 상위 90%로 제한했을 때 수익률이 약 50% 감소했으며, 이는 가장 유의미한 가격 왜곡이 유동성이 낮은 마이크로캡에 집중되어 있었음을 의미합니다.
• 운 vs. 신호 (Luck vs. Signal): Post-2005 표준 유니버스에서 $t$-통계량의 횡단면 분산은 1.09로, 순수한 운이 만들어내는 수치와 거의 동일합니다. 수축 조정을 적용한 후, "신호 점유율(signal share)"은 약 8%에 불름에 그쳤습니다. 가장 성과가 좋았던 이상 현상(원시 값 66 bps)조차 운을 고려한 조정 수익률은 약 6 bps로 줄어들었습니다.
• 생존자 (Survivors): 완만한 수익률을 유지한 몇 안 되는 이상 현상들은 주로 수익성 신호(예: 현금 기반 영업 수익성, 총 수익성)와 일부 모멘텀 변형들이었습니다. 그러나 이들 역시 조정 후에는 대부분 선택 편향과 운으로 설명되었습니다.
• 거래 비용 (Transaction Costs): 저자들은 최소한의 거래 비용만으로도 남은 7 bps의 중앙값 수익률이 사라질 것이라고 언급하며, 이 전략들이 경제적으로 실행 불가능함을 지적했습니다.

주요 기여

1. 경험적 현실 점검: 본 논문은 현대의 시장 체제와 마이크로캡 제외를 모두 고려했을 때, 대형주 매니저들에게 얼마나 많은 "알파"가 남아 있는지를 최초로 종합적으로 정량화했습니다.
2. 2x2 프레임워크: 어떤 발표된 이상 현상 결과라도 두 가지 질문, 즉 "어떤 주식 유니버스가 사용되었는가?"와 "어떤 샘플 기간인가?"를 통해 평가하는 간단하고 기억하기 쉬운 프레임워크를 제시합니다. 이는 왜 인상적인 과거 수익률이 현재의 투자 가능한 전략으로 이어지지 못하는지를 명확히 해줍니다.
3. 쇠퇴와 유동성의 합성: 본 논문은 발표 후 쇠퇴와 유동성 제약이라는 개념을 결합하여, 이들이 어떻게 함께 작용하여 표준적인 이상 현상들의 수익성을 투자 가능한 유니버스에서 제거하는지를 입증합니다.

의의 및 주장
본 논문은 비마이크로캡 포트폴리오 매니저들에게, 발표된 대다수의 학술적 이상 현상은 **쓸모없다(useless)**고 결론짓습니다.

• 통계적 유의성 vs. 경제적 유의성: 이 이상 현상들은 통계적 관점에서는 "진정한 발견"(데이터 마이닝의 산물이 아님)이었으나, 기관 투자자들에게 중요한 시장 세그먼트에서는 이미 "거래되어 사라졌습니다(traded away)."
• 효율성: 본 연구는 공공 주식 시장(특히 대형주 부문)이 매우 효율적임을 시사합니다.
• 제한적 범위: 저자들은 어떠한 퀀트 전략도 수익을 낼 수 없다고 주장하는 것이 아님을 명시적으로 밝힙니다. 이들은 동적 팩터 타이밍, 머신러닝 조합, 그리고 독점적 데이터 전략이 여기서 연구된 표준적인 월간 리밸런싱 포트폴리오 이상의 수익을 제공할 수 있음을 인정합니다. 그러나 특정 질문, 즉 "발표된 200개 이상의 표준 이상 현상이 오늘날 대형주에서 작동하는가?"에 대한 답은 "그리 많지 않다"는 것입니다.

본 논문은 역사적인 전체 주식 샘플에서의 통계적 유의성이 현대의 대형주 포트폴리오 매니저를 위한 경제적 실행 가능성을 보장하지 않는다는 사실을 일깨워주는 냉혹한 경고 역할을 합니다.