핵심 요약
1989년 Richard Grinold가 도입한 능동적 운용의 기본 법칙은 능동적 포트폴리오 매니저의 성과를 하나의 간결한 공식으로 압축합니다: IR = IC x sqrt(BR). 정보 비율(IR)은 예측 능력을 측정하는 정보 계수(IC)에 연간 독립적 베팅 수인 폭(BR)의 제곱근을 곱한 값과 같습니다. 이후 Clarke, de Silva, Thorley는 매니저가 신호를 포트폴리오 포지션으로 얼마나 효율적으로 전환하는지를 포착하는 이전 계수(TC)를 추가하여 이를 확장했습니다. 이 공식은 냉혹한 수학적 현실을 드러냅니다: 대부분의 능동적 매니저는 수수료를 정당화할 만큼 충분한 능력이나 폭을 생성할 수 없습니다.
능동적 운용을 설명하는 공식
1989년 Richard Grinold는 투자 산업에 가장 강력한 분석 프레임워크 중 하나를 제공하는 논문을 발표했습니다. 능동적 운용의 기본 법칙은 매니저의 위험 조정 성과를 두 가지 측정 가능한 구성 요소의 곱으로 환원합니다: 얼마나 자주 옳은가, 그리고 옳을 기회가 얼마나 많은가입니다.
Grinold (1989)는 이를 다음과 같이 표현했습니다:
IR = IC x sqrt(BR)
여기서 IR은 정보 비율(연환산 알파를 추적 오차로 나눈 값)이며, IC는 정보 계수(예측 수익률과 실현 수익률 간의 상관관계)이고, BR은 폭(연간 독립적 예측 기회의 수)입니다.
이 공식의 힘은 분해에 있습니다. 매니저의 IR은 하나의 불가해한 숫자가 아니라 능력과 기회의 곱입니다. 이 분해는 높은 위험 조정 수익률로 가는 두 가지 경로를 즉시 제시합니다: 예측에 매우 능숙하거나(높은 IC), 많은 독립적 베팅을 하는 것(높은 BR)입니다.
Grinold와 Kahn의 교과서적 정리
Grinold와 Kahn은 1999년 교과서 Active Portfolio Management에서 이 프레임워크를 대폭 확장했습니다. 이 저서는 능동적 매니저가 예측 생성에서 포트폴리오 구성, 성과 측정에 이르는 전체 투자 과정을 어떻게 사고해야 하는지를 체계화했습니다.
이 교과서는 기본 법칙과 샤프 비율 간의 관계를 명확히 했습니다. 벤치마크 대비 능동적 포지션을 취하는 포트폴리오의 경우, IR은 해당 능동적 베팅의 효율성을 측정합니다. 높은 IR은 매니저가 능동적 위험 단위당 더 많은 알파를 생성한다는 것을 의미합니다.
Grinold and Kahn (1999)은 IC가 대부분의 예측 과제에서 일반적으로 매우 낮다는 점을 강조했습니다. 수익률 예측이 실제 후속 수익률과 5% 상관관계를 가지는 IC 0.05를 달성하는 주식 선별가는 상당히 양호한 성과를 보이는 것입니다. IC 0.10은 예외적인 수준입니다. 고액 보수를 받는 전문가를 포함한 대다수의 예측가는 0에 가까운 IC를 달성합니다.
이것이 폭이 결정적으로 중요해지는 이유입니다. IC가 0.05에 불과하다면 경쟁력 있는 IR을 생성하기 위해 막대한 폭이 필요합니다. 수학은 명확합니다:
| IC | 폭 (BR) | sqrt(BR) | 기대 IR |
|---|---|---|---|
| 0.05 | 10 | 3.2 | 0.16 |
| 0.05 | 50 | 7.1 | 0.35 |
| 0.05 | 100 | 10.0 | 0.50 |
| 0.05 | 500 | 22.4 | 1.12 |
| 0.10 | 10 | 3.2 | 0.32 |
| 0.10 | 50 | 7.1 | 0.71 |
| 0.10 | 100 | 10.0 | 1.00 |
| 0.15 | 4 | 2.0 | 0.30 |
| 0.15 | 10 | 3.2 | 0.47 |
| 0.15 | 50 | 7.1 | 1.06 |
적정 능력(IC = 0.05)을 보유한 주식 선별가가 100개 종목을 능동적으로 관리하면 기대 IR 0.50을 달성합니다. 훨씬 높은 능력(IC = 0.15)을 가진 매크로 트레이더가 연간 4개의 독립적 베팅만 한다면 IR은 겨우 0.30에 불과합니다. 제곱근 함수는 폭을 두 배로 늘려도 IR이 약 41%만 증가한다는 것을 의미하지만, 많은 독립적 베팅의 누적 효과는 강력합니다.
Treynor-Black에서 Grinold로
Grinold의 프레임워크는 무에서 탄생한 것이 아닙니다. Treynor and Black (1973)은 이미 최적 능동적 포트폴리오 구성의 이론적 토대를 확립했습니다. 그들의 모형은 수동적 시장 포트폴리오와 알파 및 잔차 위험에 따라 크기가 결정된 능동적 포지션을 어떻게 결합하는지를 보여주었습니다.
Treynor-Black 모형은 능동적 포지션의 최적 비중이 잔차 분산 대비 알파에 비례한다는 원칙을 제시했으며, 이는 Grinold 프레임워크의 IC 기반 가중치 방식을 예고한 것이었습니다. Treynor와 Black의 핵심 통찰은 적정 수준의 주식 선별 능력이라도 많은 포지션에 걸쳐 적용되면 의미 있는 포트폴리오 수준의 가치를 창출할 수 있다는 것이었습니다.
Grinold의 기여는 이 직관을 명확한 분해로 공식화한 것입니다. 능력(IC)과 기회(BR)를 분리함으로써, 매니저가 자신의 성과를 진단하고 어디에 개선 투자를 해야 하는지 파악할 수 있는 프레임워크를 만들었습니다.
이전 계수 확장
원래의 기본 법칙은 매니저가 예측을 완벽하게 실행할 수 있다고 가정했습니다. 모든 신호를 제약 없이 최적의 포트폴리오 포지션으로 전환한다는 것입니다. 실제로 매니저는 수많은 제약에 직면합니다: 롱 온리 제한, 섹터 제한, 회전율 제한, 세금 고려, 그리고 거래 비용입니다. 이러한 제약은 신호 전달의 효율성을 저하시킵니다.
Clarke, de Silva, and Thorley (2002)는 이러한 실행 마찰을 포착하기 위해 이전 계수(TC)를 도입했습니다. 확장된 기본 법칙은 다음과 같습니다:
IR = TC x IC x sqrt(BR)
TC는 0에서 1 사이의 값을 가지며, 1은 제약 없는 실행을, 낮은 값은 매니저의 신호를 희석시키는 제약의 정도를 반영합니다. 롱 온리 제약만으로도 일반적인 주식 포트폴리오에서 TC가 약 0.6으로 하락할 수 있으며, 이는 기대 IR을 즉시 40% 삭감합니다.
| 매니저 유형 | IC | BR | TC | 기대 IR |
|---|---|---|---|---|
| 제약 없는 퀀트 주식 | 0.05 | 500 | 0.90 | 1.01 |
| 롱 온리 퀀트 주식 | 0.05 | 500 | 0.60 | 0.67 |
| 집중 주식 선별가 | 0.08 | 30 | 0.70 | 0.31 |
| 글로벌 매크로 | 0.15 | 4 | 0.85 | 0.25 |
| 롱숏 주식 | 0.06 | 200 | 0.80 | 0.68 |
| 시장 중립 통계적 차익거래 | 0.03 | 2000 | 0.95 | 1.27 |
이전 계수 확장은 많은 관찰자들이 눈치 채왔던 하나의 수수께끼를 설명합니다: 명백한 능력을 가진 일부 매니저가 여전히 평범한 수익을 생성하는 이유입니다. 문제는 종종 신호가 아니라 실행에 있습니다. 30% 섹터 제한과 연 50% 회전율이 적용된 롱 온리 포트폴리오에 제약된 탁월한 애널리스트는 자신의 예측 신호의 40%만을 포트폴리오 비중에 전달하고 있을 수 있습니다.
대부분의 능동적 매니저가 수학적으로 실패하는 이유
기본 법칙은 실증 금융에서 가장 견고한 발견 중 하나에 대한 엄밀한 설명을 제공합니다: 대다수의 능동적 매니저가 수수료 차감 후 벤치마크를 하회한다는 것입니다. 수학은 가차 없습니다.
일반적인 능동적 운용 대형주 주식 펀드를 생각해 봅시다. 매니저는 적정 예측 능력(IC = 0.05)으로 100개 종목을 커버할 수 있지만, 분기별 리밸런싱과 포지션 간 상관관계가 유효 폭을 연간 약 50개의 독립적 베팅으로 줄입니다. 롱 온리 제약과 기타 포트폴리오 제한은 TC를 약 0.60으로 낮춥니다. 기대 IR은 다음과 같습니다:
IR = 0.60 x 0.05 x sqrt(50) = 0.21
IR 0.21과 일반적인 추적 오차 4%는 연간 기대 알파가 겨우 0.84%에 불과하다는 것을 의미합니다. 운용 보수 0.80%와 거래 비용 0.20%를 차감하면 순 알파는 음수가 됩니다. 매니저는 진정한, 비록 적정 수준이지만, 능력을 보유하고 있음에도 가치를 파괴합니다.
이 산술이 수동적 투자의 논거를 뒷받침합니다. 능동적 매니저가 양의 순 알파를 달성하려면 높은 IC, 높은 BR, 높은 TC, 그리고 낮은 수수료의 조합이 필요합니다. 이 모두를 동시에 달성하는 것은 드문 일입니다.
| 기대 IR | 4% TE 기준 알파 | 80 bps 수수료 차감 | 20 bps 비용 차감 | 순 알파 |
|---|---|---|---|---|
| 0.15 | 0.60% | -0.20% | -0.40% | -0.40% |
| 0.25 | 1.00% | 0.20% | 0.00% | 0.00% |
| 0.35 | 1.40% | 0.60% | 0.40% | 0.40% |
| 0.50 | 2.00% | 1.20% | 1.00% | 1.00% |
| 0.75 | 3.00% | 2.20% | 2.00% | 2.00% |
| 1.00 | 4.00% | 3.20% | 3.00% | 3.00% |
실무에서의 IC 측정
IC는 이론적으로 단순해 보이지만 측정은 미묘합니다. IC는 매니저의 예측 수익률(알파)과 그에 후속하는 실현 수익률 간의 상관관계로 정의됩니다. 여러 가지 실무적 도전이 발생합니다.
첫째, IC는 일반적으로 횡단면적으로 측정됩니다: 각 시점에서 모든 증권에 걸쳐 매니저의 예측을 후속 수익률에 대해 순위를 매깁니다. 이러한 횡단면 상관관계의 시계열 평균이 매니저의 IC를 제공합니다. 숙련된 퀀트 매니저의 경우 0.02에서 0.08이 일반적인 값입니다.
둘째, IC는 시장 체제에 따라 크게 달라질 수 있습니다. 가치 지향적 예측은 정상적 시장에서 IC 0.08을 보일 수 있지만 모멘텀 주도 랠리에서는 음의 IC를 나타낼 수 있습니다. 짧은 기간에 걸쳐 IC를 측정하면 잡음이 많은 추정치가 산출되며, 매니저는 신호가 회복되기 직전에 포기할 수 있습니다.
셋째, IC는 예측과 평가 기간 모두의 시계에 따라 달라집니다. 1개월 예측을 1개월 수익률에 대해 평가한 IC는 동일한 신호를 3개월 수익률에 대해 평가한 것과 다른 IC를 보일 것입니다. Grinold와 Kahn은 IC와 BR이 일관되게 정의되어야 한다고 강조했습니다: 월간 예측을 사용하여 IC를 측정한다면 BR은 월간 리밸런싱 횟수에 독립적 포지션 수를 곱한 값이어야 합니다.
폭은 생각하는 것과 다릅니다
폭은 기본 법칙에서 가장 흔하게 오해되는 구성 요소입니다. 폭은 단순히 포트폴리오의 증권 수가 아닙니다. 폭은 연간 활용되는 독립적 예측 기회의 수를 측정합니다.
두 가지 중요한 구분이 있습니다. 첫째, 상관된 베팅은 유효 폭을 줄입니다. 200개 종목을 보유하지만 주로 섹터 수준에서 베팅하는 매니저의 독립적 베팅 수는 200개보다 훨씬 적습니다. 각 섹터 내 포지션이 높은 상관관계를 가진다면 유효 폭은 섹터 베팅 수에 더 가까울 수 있습니다.
둘째, 리밸런싱 빈도가 폭에 영향을 미칩니다. 월간으로 예측을 갱신하고 거래하는 매니저는 동일한 유니버스에서 연간으로 갱신하는 매니저보다 12배의 폭을 가집니다. 이것은 부가가치의 진정한 원천입니다: 다른 조건이 동일하다면 더 빈번한 갱신은 예측 능력을 활용할 기회를 증가시킵니다.
Buckle(2004)은 포지션이 상관되어 있을 때 폭의 단순 계산이 기대 IR을 2배 이상 과대 추정할 수 있음을 보여주었습니다. 유효 폭 조정은 능동적 포지션의 평균 횡단면 상관관계를 추정해야 하며, 이 작업 자체가 추정 오류를 도입합니다.
전략 설계에 대한 시사점
기본 법칙은 퀀트 전략이 어떻게 설계되어야 하는지에 대한 직접적인 시사점을 제공합니다. 이 법칙은 연구 자원 배분과 서로 다른 전략적 접근법 사이의 선택을 위한 프레임워크를 제공합니다.
집중된 글로벌 매크로 전략과 분산된 통계적 차익거래 전략 사이에서 결정하는 팀은 이 프레임워크를 사용하여 최소 능력 요건을 설정할 수 있습니다. 매크로 전략이 BR = 10이고 수수료 차감 후 생존하기 위해 IR 0.50이 필요하다면, 요구되는 IC는 다음과 같습니다:
IC = IR / sqrt(BR) = 0.50 / sqrt(10) = 0.16
이것은 예외적으로 높은 기준입니다. IC 0.16은 매니저의 예측이 실현 결과와 16%의 상관관계를 가져야 한다는 것을 의미하며, 이는 극소수의 매크로 트레이더만이 장기간에 걸쳐 유지하는 방향성 정확도 수준입니다.
BR = 1,000인 통계적 차익거래 전략에 대한 동일한 IR 목표는 다음을 요구합니다:
IC = 0.50 / sqrt(1000) = 0.016
IC 0.016은 훨씬 더 달성 가능합니다. 이 비대칭성은 지난 20년간 퀀트, 고폭 전략의 성장을 설명합니다. 수학은 높은 능력으로 소수의 대규모 베팅을 하는 전략보다 적정 능력으로 많은 소규모 독립적 베팅을 하는 전략에 유리합니다.
군집 문제
기본 법칙의 중요한 한계 중 하나는 IC와 BR을 정태적 매개변수로 취급한다는 것입니다. 실제로 둘 다 동태적이며 군집에 의해 잠식될 수 있습니다.
여러 매니저가 동일한 신호를 추구하면 해당 신호에서 이용 가능한 알파가 감소합니다. 가치와 같은 팩터가 1980년대에 IC = 0.05를 제공했을 수 있지만, 수천억 달러가 가치 전략에 유입되면서 개별 매니저가 이용할 수 있는 IC는 하락했습니다. 이것이 군집에 의한 알파 감소이며, 기본 법칙은 이를 직접적으로 포착하지 못합니다.
마찬가지로 더 많은 매니저가 동일한 폭을 놓고 경쟁하면 각 매니저에게 이용 가능한 유효 폭이 줄어듭니다. 동일한 3,000개 종목을 거래하는 200명의 퀀트 주식 매니저는 집합적으로 한 명의 200배 폭을 가지는 것이 아닙니다; 그들은 동일한 예측 기회 풀을 놓고 경쟁하고 있습니다.
McLean and Pontiff (2016)는 이상 현상 수익률이 학술 발표 후 약 32% 감소한다는 것을 기록했으며, 이는 알려진 신호에서 이용 가능한 IC가 더 많은 자본이 이를 추구함에 따라 감소한다는 것을 시사합니다. 발표 후 IC 0.03인 공개된 팩터에 의존하는 매니저의 경우, IR 0.50을 달성하는 데 필요한 폭은 거의 280개의 독립적 베팅으로 증가합니다.
실전 분해 연습
이 프레임워크를 예시하기 위해 가상의 롱숏 주식 펀드의 성과를 분해하겠습니다.
이 펀드는 150개 롱 포지션과 100개 숏 포지션을 보유하며 월간 리밸런싱을 합니다. 5년간 실현 IR은 0.65입니다. 기본 법칙을 사용하여 이 결과와 일치하는 IC, BR, TC의 조합을 추정할 수 있습니다.
TC = 0.80(적정 제약이 있는 롱숏 펀드에 합리적인 가정)을 가정하면, IC x sqrt(BR)의 내재 곱은 다음과 같습니다:
IC x sqrt(BR) = 0.65 / 0.80 = 0.81
유효 폭이 연간 200개의 독립적 베팅(250개 포지션의 상관관계와 월간 리밸런싱을 감안)이라면, 내재 IC는 다음과 같습니다:
IC = 0.81 / sqrt(200) = 0.057
IC 0.057은 숙련된 퀀트 주식 매니저와 일치합니다. 이 분해는 펀드의 강한 성과가 비범한 예측 능력보다는 주로 폭(월간 리밸런싱이 적용된 많은 독립적 포지션)에서 비롯된다는 것을 알려줍니다. 펀드의 회전율 제약이 강화되거나 포지션 수가 절반으로 줄어들면 기대 IR은 상당히 하락할 것입니다.
기본 공식을 넘어서
기본 법칙은 그 우아함에도 불구하고 실무자가 이해해야 할 여러 단순화 가정을 포함합니다. 예측이 증권과 시간 기간에 걸쳐 독립적이라고 가정하고, IC가 일정하며, 매니저가 주어진 제약하에서 포지션을 최적으로 배분할 수 있다고 가정합니다.
실제로 예측 상관관계는 유효 폭을 줄이고, IC는 체제에 따라 변하며, 거래 비용은 원하는 포지션과 실제 포지션 사이에 격차를 만듭니다. Qian과 Hua(2004), Ding(2010)의 보다 정교한 연구는 이러한 가정의 일부를 완화하는 일반화된 법칙을 개발했지만, 기본 프레임워크는 능동적 운용에 대해 사고하는 가장 유용한 출발점으로 남아 있습니다.
기본 법칙의 가장 큰 기여는 공식적이기보다 철학적일 수 있습니다. 이 법칙은 매니저와 투자자에게 성과의 원천에 대해 엄밀하게 사고하도록 강제합니다. 대화의 초점을 "이 매니저가 유능한가?"에서 "이 매니저가 수익을 어떻게 생성하고 있으며, 그 원천은 지속 가능한가?"로 전환시킵니다. 주식 선별가, 매크로 트레이더, 또는 체계적 퀀트 펀드에 적용되든, 이 분해는 투자 관리에서 가장 명확성을 제공하는 연습 중 하나로 남아 있습니다.
Written by Sam · Reviewed by Sam
이 기사는 인용된 1차 문헌을 기반으로 하며, 정확성과 출처 표기를 위해 편집팀의 검토를 거쳤습니다. 편집 정책.
참고문헌
- Grinold, R. C. (1989). The Fundamental Law of Active Management. Journal of Portfolio Management, 15(3), 30-37. https://doi.org/10.3905/jpm.1989.409211
- Grinold, R. C., & Kahn, R. N. (1999). Active Portfolio Management: A Quantitative Approach for Producing Superior Returns and Controlling Risk. McGraw-Hill. https://doi.org/10.1007/978-1-4757-3250-9
- Treynor, J. L., & Black, F. (1973). How to Use Security Analysis to Improve Portfolio Selection. Journal of Business, 46(1), 66-86. https://doi.org/10.1086/295508
- Clarke, R., de Silva, H., & Thorley, S. (2002). Portfolio Constraints and the Fundamental Law of Active Management. Financial Analysts Journal, 58(5), 48-66. https://doi.org/10.2469/faj.v58.n5.2468
- McLean, R. D., & Pontiff, J. (2016). Does Academic Research Destroy Stock Return Predictability? Journal of Finance, 71(1), 5-32. https://doi.org/10.1111/jofi.12365
- Buckle, D. (2004). How to Calculate Breadth: An Evolution of the Fundamental Law of Active Portfolio Management. Journal of Asset Management, 4(6), 393-405.
- Qian, E., & Hua, R. (2004). Active Risk and Information Ratio. Journal of Investment Management, 2(3), 1-15.