Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
본 연구는 모스크바 거래소의 주식을 분석하여, CatBoost가 최상의 통계적 예측 정확도를 제공함에도 불구하고 PatchTST가 더 우수한 포트폴리오 성과를 전달하며, 모델 선택이나 체제 전환 전략이 신흥 시장에서의 예측 정밀도와 횡단면 순위 결정 능력 사이의 근본적인 괴리력을 신뢰성 있게 극복할 수 없음을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
거액의 자금을 운용하는 투자자들은 끊임없이 조용한 딜레마에 직면한다. 그들은 어떤 주식이 오르고 어떤 주식이 떨어질지 추측해야 하지만, 자신의 추측 방법이 옳은 방법인지 결코 확신할 수 없다. 이는 단순히 운이 나쁜 문제가 아니라, 불확실성이라는 근본적인 문제다. 한 차원에서 투자자는 주식의 미래 수익률에 대한 자신의 추정치가 틀렸을까 봐 걱정한다. 더 깊은 차원에서 그들은 그러한 추정을 하기 위해 사용하는 수학적 프레임워크 자체가 결함이 있을지도 모른다는 점을 걱정한다. 안정적인 시기에는 단순한 규칙들이 잘 작동하곤 하지만, 인플레이션이 급등하거나 시장이 변동성을 보이거나 가격이 폭락하는 등 경제 환경이 변화할 때는 그 동일한 규칙들이 실패할 수 있다. 문제는 더 복잡하고 유연한 방법이 단순한 방법보다 이러한 변화하는 조건에 더 잘 적응할 수 있는지, 그리고 숫자를 예측하는 데 통계적으로 정확한 방법이 실제로 더 나은 투자 결과로 이어지는지 여부이다.
연구팀은 지난 10년 동안 경제 조건이 극적으로 변화한 러시아 주식 시장에서 이 질문들을 테스트하기 위해 연구를 시작했다. 그들은 2016년 말부터 2025년까지의 기간을 다루며 모스크바 거래소에서 거래되는 약 300개 기업의 데이터를 수집했다. 이 기간에는 꾸준한 인플레이션, 팬데믹이라는 글로벌 충격, 그리고 격렬한 지정학적 긴장과 통화 긴축의 시기가 포함되었다. 연구진은 기업의 특성과 미래 수익률 사이의 관계가 시장이 평온할 때와 스트레스 상황일 때 어떻게 달라지는지 확인하고자 했다. 이를 위해 그들은 8가지 서로 다른 예측 방법이 서로 경쟁하는 통제된 실험을 구축했다. 이 방법들은 요인과 수익률 사이의 일정한 관계를 가정하는 단순 선형 방정식부터, 복잡하고 비선형적인 패턴을 감지하고 새로운 데이터에 적응할 수 있는 정교한 머신러닝 알고리즘에 이르기까지 다양했다.
연구진은 8개의 모델 모두에 동일한 정보를 제공했다. 즉, 기업의 규모, 가치, 모멘텀, 유동성 데이터와 인플레이션 및 급격한 가격 하락과 같은 시장 스트레스 지표를 결합하여 제공했다. 그런 다음 각 모델에게 향후 3개월 동안의 주식 수익률을 예측하도록 요청했다. 결정적으로, 그들은 모델들이 자유롭게 경쟁하게 두지 않았다. 대신 모든 모델이 포트폴리오를 구성할 때 동일한 규칙을 사용하도록 강제했다. 그들은 예측 수익률이 가장 높은 상위 25개 주식을 선정하고, 단일 주식에 투자되는 금액을 제한하며, 위험을 동일한 방식으로 관리했다. 이를 통해 최종 결과의 차이가 자금 배분 방식이 아닌, 순수하게 예측의 품질에서 비롯되도록 보장했다.
결과는 통계적 정확도와 현실 세계의 가치 사이에 놀라운 괴리가 있음을 보여주었다. CatBoost라고 알려진 가장 발전된 머신러닝 모델 중 하나는 수익률을 예측할 때 평균 오차가 가장 작았다. 이 모델은 숫자를 맞히는 데 있어 가장 정밀했다. 그러나 연구진이 모델들이 최상위 주식과 최하위 주식을 올바르게 순위 매길 수 있는지 살펴보았을 때, 8가지 방법 모두 저조한 성적을 냈다. 어떤 모델도 무작위 확률보다 일관되게 우량주를 식별해내지 못했다. 이 발견은 가장 정교한 알고리즘이라 할지라도, 특히 급격한 구조적 변화를 겪고 있는 신흥 시장의 소음 속에서 신뢰할 수 있는 신호를 찾는 데 어려움을 겪는다는 점을 시사한다.
더 중요한 것은, 통계적 정확도가 가장 높은 모델이 반드시 최고의 투자 포트폴리오를 만들어내는 것은 아니라는 점을 연구는 밝혀냈다. PatchTST라고 불리는 시퀀스 학습 아키텍처 기반의 다른 모델은 전반적인 예측 정확도는 상대적으로 낮았다. 그럼에도 불구하고, 이 모델의 예측치를 사용하여 포트폴리오를 구성했을 때, 이 모델은 경쟁력 있는 위험 조정 수익률을 기록했으며 시장 침체기에도 손실이 더 적었다. 이 결과는 중요한 교훈을 준다. 모델이 모든 숫자를 예측하는 데 완벽할 필요는 없다는 것이다. 모델은 나머지 시장에 대해서는 틀릴지라도, 특정 주식이 잘 성과를 낼 것임을 식별하는 데 충분히 유능하기만 하면 된다.
연구진은 또한 고인플레이션 시기나 시장 폭락 시기에 특정 모델로 전환하는 것이 가능한지 테스트했다. 그들은 최근의 결과나 현재의 경제 상태를 바탕으로 가장 성과가 좋은 모델을 자동으로 선택하는 규칙을 만들었다. 이 전환 규칙은 백테스트에서 가장 높은 명목 수익률을 기록했지만, 그 이점은 통계적으로 신뢰할 만한 수준은 아니었다. 결과가 고정된 전략들과 매우 유사하여 그 차이가 우연에 의한 것일 가능성이 높았다. 더욱이, 이 규칙은 데이터를 본 후에 설계되었기 때문에 미래를 위한 검증된 전략으로 간-주될 수 없다. 이 연구는 시장이 스트레스 상황에 있다는 것을 아는 것이 예측이 신뢰할 수 없는 시기를 이해하는 데는 유용하지만, 어떤 수학적 도구를 사용할지에 대한 명확하고 자동적인 신호를 제공하지는 않는다는 점을 시사한다.
궁극적으로, 이 논문은 신흥 시장의 주식 수익률을 예측하는 데 있어 단 하나의 "최고의" 모델은 존재하지 않는다고 결론짓는다. 가장 유연하고 복잡한 모델이 반드시 단순한 모델보다 우수한 성과를 내는 것은 아니며, 통계적 경합에서 승리한 모델이 반드시 가장 수익성 있는 포트폴리오를 구축하는 모델은 아니다. 투자자가 직면한 불확실성은 이중적이다. 그들은 미래를 예측하는 데 따르는 내재적인 어려움을 다뤄야 할 뿐만 아니라, 현재 어떤 예측 방법이 옳은지에 대해 확신할 수 없다는 사실 또한 받아들여야 한다. 이러한 환경에서 가장 견고한 접근 방식은 완벽한 예측 기계를 찾는 것이 아니라, 모든 모델은 위험을 수반하며 모델의 가치는 평균적인 정확도가 아니라 압박 속에서도 건전한 투자 결정을 내릴 수 있도록 안내하는 능력에 있다는 점을 인식하는 것이다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.