최대 낙폭(MDD): 투자자가 가장 두려워하는 위험 지표

핵심 요약

펀드 매니저를 밤새 깨우는 숫자

2020년 3월, 한 대형 기금의 포트폴리오 매니저는 분산된 멀티에셋 포트폴리오가 19거래일 동안 22% 하락하는 것을 지켜봤습니다. 연환산 변동성은 목표 밴드 내에 있었습니다. 2월까지 측정한 샤프 비율은 1.0 이상이었습니다. 어떤 표준 위험 지표도 위기를 경고하지 않았습니다. 그러나 고객 전화, 환매 통보, 경력 위험에 직접 연결되는 지표인 최대 낙폭은 모든 내부 한계를 돌파했습니다.

이 패턴은 시장 위기마다 반복됩니다. 변동성 기반 지표는 여정을 통계적 용어로 설명하고, 낙폭은 인간적 용어로 설명합니다. CFA Institute의 2019년 조사에 따르면, 기관 투자자들이 매니저 관계를 종료한 이유를 설명할 때 가장 자주 인용한 위험 지표는 최대 낙폭이었습니다. 샤프 비율이 아니라. 추적 오차가 아니라. 최대 낙폭이었습니다.

표준편차는 일반적인 등락을 측정하지만, 최대 낙폭(MDD)은 최악의 경험을 측정합니다. 대부분의 투자자에게 진정으로 중요한 질문은 "이 포트폴리오가 얼마나 변동성이 큰가?"가 아니라 "고점 대비 회복 전까지 얼마나 잃을 수 있는가?"입니다. MDD는 포트폴리오 가치의 고점에서 저점까지 최대 하락률을 포착합니다. 이는 공포 매도, 고객 환매, 포트폴리오 매니저의 경력 위험을 촉발할 가능성이 가장 높은 단일 수치입니다. 칼마 비율, 스털링 비율, 조건부 낙폭위험(CDaR) 같은 낙폭 기반 지표의 이해는 투자 전략의 현실적 평가에 필수적입니다.

MDD가 측정하는 것

최대 낙폭은 새로운 고점이 형성되기 전, 역사적 고점에서 후속 저점까지의 최대 백분율 하락으로 정의됩니다.

MDD = 모든 t에 대해 max [(고점_t - 저점_t) / 고점_t]

포트폴리오가 100에서 150으로 성장한 후 90으로 하락, 120으로 회복, 다시 80으로 하락한 뒤 160으로 상승하면, 최대 낙폭은 150에서 80까지의 하락 -- 46.7% 낙폭 -- 입니다. 포트폴리오가 사상 최고치로 마감했음에도 불구하고 말입니다.

주요 특성:

실현된 고점 대비 손실만 측정합니다. 시간이 지남에 따라 MDD는 커집니다. Magdon-Ismail과 Atiya(2004)는 드리프트가 있는 랜덤워크에서 기대 최대 낙폭이 관측 기간의 제곱근에 비례하여 증가함을 보였습니다. 20년간 관측된 전략은 5년간 관측된 동일 전략보다 거의 확실히 더 큰 MDD를 보여줍니다.

경로 의존적입니다. 동일한 연간 수익률과 변동성을 가진 두 전략도 손실 집중 시기에 따라 매우 다른 최대 낙폭을 보일 수 있습니다.

왜 변동성보다 낙폭이 중요한가

변동성(표준편차)은 학술 금융에서 지배적인 위험 척도입니다. 그러나 치명적 맹점이 있습니다: 상승과 하락을 대칭적으로 취급하며, 손실이 어떻게 누적되는지에 대해 아무것도 말하지 않습니다.

행동재무학 연구는 투자자가 동등한 이익의 즐거움보다 손실의 고통을 약 2배 강하게 느낀다는 것을 일관되게 보여줍니다 -- 카너먼과 트버스키가 기록한 손실 회피 현상입니다. 50% 낙폭을 겪은 포트폴리오는 이전 고점으로 회복하기 위해 100%의 수익이 필요합니다.

주요 지수 및 전략의 역사적 낙폭

이 수치들은 중요한 진실을 드러냅니다: 잘 분산된 전략도 고통스러운 낙폭을 경험합니다.

낙폭 기반 성과 비율

칼마 비율 (Calmar Ratio)

테리 영이 1991년에 도입한 칼마 비율은 연환산 수익률을 최대 낙폭으로 나눕니다:

칼마 비율 = 연환산 수익률 / 최대 낙폭

연 10% 수익에 20% 최대 낙폭인 전략은 칼마 비율 0.5입니다. 연 8% 수익에 10% 최대 낙폭인 전략은 칼마 비율 0.8로, 절대 수익은 낮지만 위험 대비 보상은 더 우수합니다.

스털링 비율

연환산 수익률을 연간 평균 최대 낙폭 + 10%로 나눕니다. 칼마 비율보다 단일 극단적 사건에 덜 민감합니다.

조건부 낙폭위험 (CDaR)

Chekhlov, Uryasev, Zabarankin(2005)이 개발한 CDaR은 최악의 (1-alpha)%의 낙폭 평균입니다. 예를 들어, 95% 수준의 CDaR은 최악 5%의 낙폭 관측치의 평균입니다. 단일 최악의 관측치가 아닌 분포를 고려하므로 MDD보다 포괄적인 꼬리 낙폭 위험을 제공합니다.

CDaR은 포트폴리오 최적화의 목적함수로도 사용할 수 있습니다: 수익 목표 하에서 CDaR을 최소화하여, 깊고 지속적인 손실을 명시적으로 회피하는 포트폴리오를 구성합니다.

전략 평가를 위한 낙폭 분석

낙폭 지속 기간의 중요성

동일한 최대 낙폭을 가진 두 전략도 하나가 3개월에 회복하고 다른 하나가 5년 걸리면 체감이 매우 다릅니다. 반드시 검토하세요:

낙폭 빈도

전략이 다양한 크기의 낙폭을 얼마나 자주 경험하는지 확인하세요.

전략 비교

두 전략을 비교할 때 단순히 최대 낙폭만 비교하지 마세요. 칼마 비율, CDaR 프로필, 낙폭 기간과 회복 시간, 낙폭 시점의 상관관계를 함께 비교하세요.

마지막 포인트는 포트폴리오 구성에서 매우 중요합니다. 둘 다 15%의 최대 낙폭을 가지지만 동시에 낙폭하지 않는 두 전략은, 같은 환경에서 손실을 내는 동일 MDD의 두 전략보다 훨씬 매력적입니다.

실증 분석: 전략별 역사적 낙폭과 회복

자산 클래스와 투자 전략에 걸친 낙폭 데이터를 검토하면, 변동성 기반 분석만으로는 포착할 수 없는 패턴이 드러납니다.

핵심 관찰: 회복 시간은 낙폭 깊이에 비례하지 않습니다. 2020년 COVID 낙폭(-33.9%)은 5개월 만에 회복되었지만, 더 작은 2022년 낙폭(-25.4%)은 약 2년이 걸렸습니다. V자 회복은 유동성 위기에 뒤따르고, 장기 회복은 밸류에이션 리셋과 펀더멘탈 악화에 뒤따릅니다.

경쟁 프레임워크: MDD 대 CVaR 대 VaR

MDD 대 VaR. VaR은 주어진 신뢰 수준에서 지정된 기간 동안의 최대 손실을 추정합니다. VaR과 달리 MDD는 순차적 손실의 누적 영향을 포착합니다. Danielsson(2002)은 VaR이 최악의 시나리오에서 손실의 심각성을 명시적으로 무시하기 때문에 잘못된 안전감을 제공한다고 주장했습니다.

MDD 대 CVaR. CVaR은 VaR 임계값을 초과할 때의 평균 손실을 측정하여 VaR의 맹점을 해결합니다. 그러나 CVaR은 단일 기간 프레임워크에서 작동하며 낙폭의 경로 의존적 특성을 고려하지 않습니다.

MDD 대 CDaR. CDaR은 조건부 평균화 개념을 수익률이 아닌 낙폭에 적용하여 MDD와 CVaR 사이의 격차를 메웁니다.

실무에서의 낙폭 위험 재평가

최대 낙폭에는 중요한 한계가 있습니다. 과거의 단일 관측치이며 미래 최악의 시나리오를 나타내지 않을 수 있습니다. 트랙레코드 길이에 편향됩니다 -- 긴 이력은 기계적으로 더 큰 MDD를 생성하여 다른 기간 간의 비교를 왜곡합니다. 느린 하락과 급격한 폭락을 구분하지 못합니다. 빈도나 확률에 대한 정보를 제공하지 않습니다. 30년간 30% 낙폭을 한 번 경험한 전략이 10년간 25% 낙폭을 세 번 경험한 전략보다 훨씬 안전할 수 있지만, MDD만으로는 후자가 유리해 보입니다. 마지막으로 백테스트 MDD는 체결 슬리피지, 유동성 제약, 모델 과적합으로 인해 실제 거래 낙폭을 거의 항상 과소평가합니다.

실증적 기반

최대 낙폭을 핵심 위험 지표로 지지하는 증거는 이론적 분석과 수십 년간의 시장 데이터에 걸친 광범위한 실증적 관찰에서 비롯됩니다.

증거 강도: 실용적 유용성에 대해 강함, 수학적으로 잘 규명됨. Magdon-Ismail과 Atiya(2004)는 드리프트가 있는 브라운 운동의 기대 최대 낙폭에 대한 폐쇄형 근사를 도출했습니다. Grossman과 Zhou(1993)는 낙폭 제약 하의 최적 포트폴리오 전략을 분석하여, 낙폭 제약 최적화가 분산 제약 최적화와 근본적으로 다른 배분을 생성함을 보여주었습니다.

행동적 검증. Barberis와 Huang(2008)은 손실 회피가 자산 가격에 측정 가능한 효과를 미침을 보여주었습니다. Frazzini (2006)는 뮤추얼 펀드 자금 흐름이 변동성 측정치보다 낙폭에 더 강하게 반응함을 문서화했습니다.

2025년 현재 증거의 위치. 최대 낙폭은 변동성 기반 위험 지표에 대한 필수적 보완으로 보편적으로 수용되고 있습니다. 2022년의 경험은 낙폭 중심 위험 관리의 필요성을 강화했습니다.