레버리지 ETF 감쇠: 투자자들이 놓치는 경로 의존성 함정

2배가 2배를 의미하지 않는 경우

2009년 1월, 금융 섹터 지수를 추종하는 유명한 2배 레버리지 ETF가 연초 대비 마이너스 89퍼센트의 수익률을 기록했습니다. 같은 기간 기초 지수는 약 60퍼센트 하락했습니다. 레버리지 펀드가 지수 손실의 두 배인 약 마이너스 120퍼센트(펀드 가치의 100퍼센트 이상을 잃을 수 없으므로 불가능한 수치)를 기록할 것이라고 단순히 기대했던 투자자는 의아했을 수 있습니다. 그러나 실제 89퍼센트의 손실은 오류도 계산 착오도 아니었습니다. 극심한 변동성 구간에서 일일 리밸런싱이 복리로 누적된 수학적으로 불가피한 결과였습니다.

Avellaneda and Zhang (2010)은 이 현상을 이해하기 위한 결정적 분석 프레임워크를 제시했습니다. 핵심 통찰은 레버리지 ETF 수익률이 경로의존적이라는 것입니다. 최종 수익률은 지수의 시작값과 종료값만으로 결정되지 않으며, 그 사이 일별 움직임의 구체적 순서에 따라 달라집니다.

일일 리셋의 메커니즘

레버리지 ETF는 목표 배수 beta(통상 2 또는 3)를 가지며, 기초 지수 일일 수익률의 beta배를 제공하겠다고 약속합니다. 이 약속을 이행하기 위해 펀드는 매 장 마감 시 익스포저를 리밸런싱해야 합니다.

NAV 100달러, 지수 익스포저 200달러인 2배 펀드를 생각해 보겠습니다. 지수가 5퍼센트 상승하면 펀드의 NAV는 110달러로 증가하지만, 다음 날 필요한 익스포저는 220달러(110의 2배)입니다. 펀드는 추가로 10달러의 익스포저를 매수해야 합니다. 하락일에는 반대 현상이 발생합니다. NAV가 감소하고 펀드는 익스포저를 매도해야 합니다.

이로 인해 순행적 거래 패턴이 형성됩니다. 펀드는 상승 후 매수하고 하락 후 매도하여, 횡보장에서 체계적으로 불리한 가격에 거래하게 됩니다.

분산 드레인 공식

Avellaneda와 Zhang은 보유 기간 T에 걸친 레버리지 ETF 복리 수익률의 연속 시간 근사식을 도출했습니다:

R_LETF is approximately equal to beta times R_index minus (beta-squared minus beta) times (sigma-squared times T) divided by 2

여기서 R_index는 누적 지수 수익률, sigma는 연환산 변동성, beta는 레버리지 비율입니다. 두 번째 항인 (beta-squared minus beta) times sigma-squared over 2가 변동성 드래그입니다.

연환산 변동성 20퍼센트이고 1년간 순수익률이 0인 지수에 대한 2배 펀드(beta = 2)의 드래그는 다음과 같습니다:

(4 minus 2) times (0.04 divided by 2) = 연간 4퍼센트 손실

같은 지수에 대한 3배 펀드는 (9 minus 3) times 0.02 = 연간 12퍼센트의 드래그를 겪습니다. 드래그는 레버리지 비율의 제곱에 비례하여 증가하므로, 3배 레버리지 상품은 불균형적으로 취약합니다.

실증적 확인

Tang and Xu (2013)는 여러 자산군에 걸쳐 실제 레버리지 ETF 수익률을 대상으로 Avellaneda-Zhang 프레임워크를 검증했습니다. 기초 지수의 실현 분산이 레버리지 ETF 수익률과 목표 배수를 기간 수익률에 적용한 값 간 괴리의 대부분을 설명한다는 결과가 확인되었습니다. 이 관계는 주식, 채권, 원자재 레버리지 상품 전반에서 유효했습니다.

Cheng and Madhavan (2009)도 유사한 결과를 보고하며, 일일 리밸런싱 메커니즘이 레버리지 배수의 제곱과 실현 분산에 비례하여 추적 차이를 증폭시킨다는 것을 보여주었습니다. 또한 리밸런싱 거래 자체가 기초 시장의 장 마감 변동성에 기여할 수 있어, 시장 스트레스 기간에 피드백 루프를 형성한다는 점도 강조했습니다.

Lu, Wang, and Zhang (2012)은 레버리지 ETF의 장기 성과를 조사한 결과, 1개월 이상의 보유 기간에서 투자자가 수용한다고 생각했던 위험-수익 프로파일을 실질적으로 변경할 만큼 큰 수익률 괴리가 발생한다는 것을 발견했습니다. 보유 기간이 길수록, 변동성이 높을수록 기대 성과와 실현 성과 간 격차는 더 커졌습니다.

레버리지가 유리하게 작용하는 경우

분산 드래그 프레임워크는 중요한 비대칭성을 보여줍니다. 변동성이 낮은 강한 추세장에서는 일일 레버리지 리셋의 복리 효과가 실제로 목표 배수를 초과하는 수익률을 제공합니다. 지수가 일관되게 한 방향으로 움직이면, 상승 후 익스포저를 늘리거나(랠리 시) 하락 후 줄이는(하락장 시) 것이 추세를 증폭시킵니다.

일부 투자자가 강한 랠리나 급락 시 레버리지 ETF에서 뛰어난 단기 성과를 경험하는 이유가 바로 이것입니다. 복리 효과는 양방향으로 경로의존적입니다. 지속적 추세는 도움이 되고, 평균회귀적 변동성은 해가 됩니다.

1일 이상의 보유 기간에 대한 실질적 질문은 예상되는 추세 성분이 분산 드래그를 상쇄할 수 있는지 여부입니다. 실현 변동성이 15퍼센트를 초과하는 대부분의 시장 환경에서는 드래그가 지배적입니다.

포트폴리오 구축에 대한 시사점

경로의존성 발견은 레버리지 상품을 고려하는 투자자에게 여러 직접적 영향을 미칩니다.

첫째, 레버리지 ETF는 마진 기반 레버리지의 대체재가 아닙니다. 마진 계좌는 일정한 달러 익스포저를 유지하고, 일일 리밸런싱 레버리지 ETF는 일정한 비율 익스포저를 유지합니다. 이 둘은 다일 기간에 걸쳐 서로 다른 수익률 분포를 생성하며, 변동성이 높은 시장에서 레버리지 ETF의 분포가 체계적으로 불리합니다.

둘째, 레버리지 ETF의 보유 기간 리스크는 비선형적입니다. 보유 기간을 두 배로 늘리면 목표 배수 대비 기대 수익률 괴리가 두 배 이상 증가합니다. 분산이 누적되고 드래그가 복리로 작용하기 때문입니다.

셋째, 백테스팅에 대한 시사점이 중대합니다. 일별 수익률을 복리로 계산하는 대신 월별 또는 분기별 지수 수익률에 레버리지 배수를 곱하여 사용하는 레버리지 ETF 전략의 백테스트는 전략 성과를 체계적으로 과대평가합니다. 이 편향은 고변동성 구간에서 가장 크며, 이는 정확한 리스크 측정이 가장 중요한 시점이기도 합니다.

프레임워크의 한계

Avellaneda-Zhang 모형은 연속적 리밸런싱과 로그정규 지수 역학을 가정합니다. 실제로 레버리지 ETF는 장 마감 시점에 이산적으로 리밸런싱하며, 지수 수익률은 모형이 완전히 포착하지 못하는 팻테일과 점프를 나타냅니다. 2020년 시장 폭락과 같은 극단적 사건 시에는 장중 변동성으로 인해 장 마감 리밸런싱 전에 펀드의 실제 레버리지 비율이 목표치에서 크게 이탈할 수 있으며, 분산 드레인 공식이 예측하는 것 이상의 추가 추적 오차가 발생합니다.

자금 조달 비용(펀드 차입 금리와 무위험 금리 간 스프레드)과 운용 보수 역시 수익률을 감소시키지만, 고변동성 환경에서는 통상 분산 드래그에 비해 작은 규모입니다.

이 프레임워크는 또한 레버리지 ETF가 정확한 일일 목표 배수를 달성한다고 가정하는데, 이를 위해서는 종가에서의 완벽한 체결이 필요합니다. 실제로는 특히 유동성이 낮은 기초 시장에서의 체결 슬리피지가 시간이 지남에 따라 복리로 누적되는 작은 일별 추적 오차를 발생시킵니다.