최소 분산 포트폴리오: 위험은 줄이고 수익은 그대로

마코위츠에서 효율적 프론티어의 최좌측 점까지

해리 마코위츠가 1952년 포트폴리오 선택 이론을 발표했을 때, 그는 투자자들에게 위험과 수익의 지도를 제공했습니다. 효율적 프론티어는 각 위험 수준에서 가장 높은 기대수익을 제공하는 포트폴리오의 집합을 추적했습니다. 수십 년간 금융업계는 수익이 가장 높은 곡선의 우상단 부분에 관심을 집중했습니다. 거의 아무도 반대편 끝, 즉 포트폴리오 분산이 절대 최솟값에 도달하는 최좌측 점을 주목하지 않았습니다. 프론티어의 이 무시되었던 지점이 자산 가격 결정에서 가장 지속적인 이상 현상 중 하나를 담고 있는 것으로 밝혀졌습니다.

2006년, 로저 클라크(Roger Clarke), 하린드라 드 실바(Harindra de Silva), 스티븐 솔리(Steven Thorley)는 포트폴리오 경영 저널(The Journal of Portfolio Management)에 "Minimum-Variance Portfolios in the U.S. Equity Market"을 발표했습니다. 그들의 발견은 놀라웠습니다: 수익 극대화를 시도하지 않고 오직 변동성 최소화만을 목적으로 구축된 포트폴리오가 거의 40년에 걸쳐 시가총액 가중 시장 지수와 거의 구분할 수 없는 성과를 달성했으며, 위험은 약 25% 낮았습니다. 이 결과는 현대 금융의 근본적 가정, 즉 투자자가 위험을 줄이려면 수익을 희생해야 한다는 전제에 도전했습니다.

구축 문제

최소 분산 포트폴리오를 구축하려면 제약 최적화 문제를 풀어야 합니다: 자산 수익률의 공분산 구조가 주어졌을 때, 가능한 가장 낮은 분산을 산출하는 포트폴리오 가중치 집합을 찾는 것입니다. 목적 함수는 전적으로 공분산 행렬에 의존합니다; 표준 평균-분산 최적화와 달리 기대수익 추정치가 필요하지 않습니다.

이것이 이 접근법의 최대 강점이자 실무적 과제의 원천입니다. 기대수익은 정밀하게 추정하기가 악명 높게 어렵습니다. 미쇼(Michaud, 1989)는 기대수익의 작은 추정 오차가 극단적으로 다른 포트폴리오 가중치를 산출하기 때문에 평균-분산 최적화를 "오차 극대화기"라고 유명하게 묘사했습니다. 기대수익을 완전히 배제함으로써, 최소 분산 포트폴리오는 최적화 과정에서 가장 신뢰할 수 없는 입력값을 회피합니다.

그러나 공분산 행렬은 그 자체의 추정 난이도를 지닙니다. 1,000개 주식의 유니버스에서 공분산 행렬은 약 500,000개의 고유 항목을 포함합니다. 과거 수익률 데이터에서 각각을 추정하면 상당한 표본 오차가 발생하며, 특히 비대각 공분산 항에서 두드러집니다. 클라크, 드 실바, 솔리는 추정해야 할 모수의 수를 줄이는 팩터 기반 모델을 포함한 구조적 공분산 추정량을 적용하여 이 문제를 해결했습니다.

클라크, 드 실바, 솔리의 발견

저자들은 미국 최대 1,000개 주식으로 최소 분산 포트폴리오를 구축하고 1968년부터 2005년까지 월간 리밸런싱을 수행했습니다. 그들의 핵심 결과는 실무자들이 포트폴리오 구축에 대해 생각하는 방식을 재편했습니다.

수익률 및 위험 특성

최소 분산 포트폴리오는 시장 대비 30 베이시스 포인트 이내의 수익률을 달성하면서 약 4분의 1 낮은 변동성을 유지했습니다. 샤프 비율 개선은 상당했습니다: 시가총액 가중 벤치마크보다 약 46% 높았습니다.

포트폴리오 구성

최소 분산 포트폴리오는 특정 주식 특성으로 일관되게 기울었습니다. 보유 종목은 대형주, 저베타, 저잔여변동성 종목에 집중되었습니다. 섹터 노출은 시장 포트폴리오에서 의미 있게 벗어났습니다: 기술주와 금융주를 과소 비중하고 유틸리티와 필수소비재를 과대 비중했습니다.

이러한 집중은 우연이 아닙니다. 이는 최적화 목적의 직접적 결과입니다. 개별 분산이 낮고 다른 보유 종목과의 공분산이 낮은 주식이 가장 큰 가중치를 받습니다. 실무적으로 이는 시장과 상당히 다른 포트폴리오를 산출하며, 일반적으로 70%를 초과하는 액티브 셰어를 보입니다.

제약 조건의 역설

논문에서 가장 반직관적인 발견 중 하나는 포트폴리오 제약 조건에 관한 것이었습니다. 저자들이 개별 포지션 가중치에 상한을 부과했을 때 (단일 주식이 포트폴리오의 2-3%를 초과하지 못하도록), 표본 외 성과가 무제약 솔루션 대비 실제로 개선되었습니다.

자간나단과 마(Jagannathan and Ma, 2003)가 이론적 설명을 제공했습니다: 최소 분산 최적화에 가중치 제약을 부과하는 것은 공분산 행렬에 일종의 축소(shrinkage)를 적용하는 것과 수학적으로 동등합니다. 공분산이 과소 추정된 주식은 무제약 포트폴리오에서 과도하게 큰 가중치를 받는 경향이 있으며, 이러한 가중치에 상한을 두면 추정 오차가 암묵적으로 교정됩니다. 이 결과는 심오한 실무적 시사점을 지닙니다. 통계 이론과 무관한 이유로 부과된 "잘못된" 제약 조건이 추정 잡음을 상쇄하여 우연히 포트폴리오 성과를 개선할 수 있음을 시사합니다.

이 이상 현상은 왜 존재하는가?

최소 분산 포트폴리오의 위험조정 초과 성과는 저변동성 이상 현상의 직접적 발현입니다. 주식 시장 내에서 주식의 베타(또는 변동성)와 후속 수익률 간의 실증적 관계는 자본자산가격결정모형(CAPM)이 예측하는 것보다 훨씬 평탄합니다. 많은 표본 기간에서 이 관계는 사실상 0이거나 약간 음의 값입니다.

이 지속적인 가격 괴리에 대해 여러 설명이 제시되었습니다.

벤치마킹과 경력 위험

베이커, 브래들리, 워글러(Baker, Bradley, and Wurgler, 2011)는 기관투자자가 저변동성 이상 현상을 완전히 활용하는 것을 방해하는 제약에 직면한다고 주장했습니다. 대부분의 전문 자산운용자는 시가총액 가중 벤치마크를 기준으로 평가받습니다. 위험조정수익이 낮더라도 고베타 주식을 과소 비중하면 추적 오차와 경력 위험이 발생합니다. 그 결과 고베타 주식은 위험조정 펀더멘털이 정당화하는 것보다 더 많은 수요를 받아 가격이 상승하고 미래 수익률이 하락합니다. 반대로 저베타 주식은 체계적으로 무시되어 저평가 상태로 남게 됩니다.

레버리지 제약과 복권 선호

프라치니와 페데르센(Frazzini and Pedersen, 2014)은 많은 투자자가 레버리지 제약에 직면한다고 제안했습니다. 저위험 자산의 수익을 차입으로 증폭할 수 없기 때문에, 그들은 레버리지의 대용으로 고베타 주식에 기웁니다. 이러한 변동성 높은 주식에 대한 초과 수요가 증권시장선을 이론이 예측하는 것보다 평탄하게 만듭니다. 별도로, 행동재무 연구는 개인투자자가 복권 선호를 보이며, 양의 비대칭 수익률 분포를 가진 증권(일반적으로 고변동성 주식)에 과대 가중치를 부여한다는 것을 기록했습니다.

애널리스트 커버리지의 역할

세 번째 경로는 정보 비대칭을 통해 작동합니다. 변동성이 크고 고성장하는 주식은 더 많은 애널리스트 커버리지, 미디어 관심, 투자자 흥분을 끌어들입니다. 지루하고 저변동성인 주식은 관심을 덜 받아, 헤드라인에 거의 등장하지 않는 종목을 보유할 의향이 있는 인내심 있는 투자자에게 기회를 만듭니다.

공분산 추정: 실무의 최전선

이론적 최소 분산 포트폴리오는 완벽하게 추정된 공분산 행렬을 필요로 하지만, 그런 것은 존재하지 않습니다. 모든 실무적 구현은 참(관찰 불가능한) 공분산 구조와 그 표본 추정치 사이의 격차에 직면해야 합니다.

표본 공분산과 그 한계

가장 단순한 추정량인 과거 수익률에서 계산된 표본 공분산 행렬은 자산 수가 시계열 관측치 수에 비해 커질수록 신뢰성이 떨어집니다. 500개 주식으로 구성된 유니버스에서 60개월의 수익률 데이터를 사용하면, 표본 공분산 행렬은 양정치(positive definite)조차 되지 않으며, 이는 수정 없이 최적화에 사용할 수 없음을 의미합니다.

팩터 기반 공분산 모델

클라크, 드 실바, 솔리는 팩터 모델 기반 공분산 추정량을 사용했습니다. 수익률을 공통 팩터 노출과 고유 잔차로 분해함으로써, 이러한 모델은 추정해야 할 모수의 수를 극적으로 줄입니다. 예를 들어, 파마-프렌치 3팩터 모델은 500개 주식의 공분산 행렬을 약 125,000개의 고유 모수에서 약 1,500개로 줄입니다. 다만 팩터 모델은 실무에서 정확히 성립하지 않을 수 있는 구조를 공분산 행렬에 부과한다는 트레이드오프가 있습니다.

축소 추정량

르두아와 울프(Ledoit and Wolf, 2004)는 표본 공분산 행렬을 구조적 목표(단일 팩터 모델 공분산이나 단위 행렬 등)와 혼합하는 널리 채택된 축소(shrinkage) 접근법을 도입했습니다. 최적 축소 강도는 데이터에서 추정할 수 있어, 표본 추정량의 유연성과 구조적 모델의 안정성 사이의 원칙적 균형을 제공합니다. 축소 공분산 행렬로 구축된 최소 분산 포트폴리오는 원시 표본 공분산을 사용한 것보다 더 안정적인 표본 외 성과를 보여주었습니다.

시뮬레이션 성과: 원래 연구를 넘어서

S&P 500 구성종목으로 구축되고, 1990년 1월부터 2025년 12월까지 분기별로 리밸런싱된 가상의 최소 분산 포트폴리오를 고려합니다. 이 포트폴리오는 252일 룩백 윈도우를 사용한 르두아-울프 축소 공분산 추정량으로 총 분산 최소화를 목표로 합니다. 개별 포지션 가중치는 3%로 상한이 설정되고, 섹터 가중치는 벤치마크 대비 10%포인트를 초과하여 이탈할 수 없습니다.

추정 모수: 분기별 리밸런싱, 리밸런싱당 왕복 거래비용 15 베이시스 포인트, 레버리지 없는 완전 투자, 롱온리 제약.

가상의 최소 분산 포트폴리오는 모든 하위 기간에 걸쳐 현저히 낮은 실현 위험으로 S&P 500과 비교 가능한 누적 수익률을 달성했습니다. 가장 극적인 차이는 2000-2009년 기간에 나타났는데, 시가총액 가중 지수가 음의 연환산 수익률을 기록한 반면 최소 분산 포트폴리오는 양의 수익률을 달성했습니다. 이 10년에는 두 번의 심각한 하락장(2000-2002년과 2007-2009년)이 포함되었으며, 최소 분산 포트폴리오의 낮은 베타와 방어적 섹터 기울기가 상당한 하방 보호를 제공했습니다.

이 수치들은 재구성된 과거 데이터와 표준 추정 기법을 사용한 양식화된 시뮬레이션에서 도출되었습니다. 실제 펀드 성과를 나타내지 않습니다. 거래 비용, 매수-매도 스프레드, 리밸런싱 슬리피지, 구성종목 선정의 생존자 편향이 단순화되었거나 생략되었으며, 이는 표시된 수치 대비 실제 수익률을 감소시킬 것입니다.

리스크 패리티 및 팩터 투자와의 연결

최소 분산 포트폴리오는 대안적 가중 방식의 더 넓은 지형에서 특정 위치를 차지합니다. 인접 접근법과의 관계를 이해하면 각각이 가장 적절한 시기가 명확해집니다.

리스크 패리티는 각 자산(또는 자산군)이 전체 포트폴리오 위험에 균등하게 기여하도록 자본을 배분합니다. 반면 최소 분산 포트폴리오는 위험 기여의 균등성에 관계없이 전체 위험을 최소화하도록 자본을 배분합니다. 실무적으로 최소 분산은 가장 낮은 위험의 자산에 더 많이 집중하는 경향이 있는 반면, 리스크 패리티는 노출을 더 균등하게 분배합니다.

동일 가중 포트폴리오는 각 보유 종목에 동일한 자본을 배분하여 시가총액 가중의 편향을 회피합니다. 집중 위험을 줄이지만 위험 감소를 명시적으로 목표로 하지는 않습니다. 최대 분산 포트폴리오(Choueifaty and Coignard, 2008)는 가중 평균 개별 변동성 대 포트폴리오 변동성의 비율을 극대화하여, 분산투자 효과를 수확하는 또 다른 접근법을 나타냅니다.

이러한 대안적 접근법들은 모두 공통된 맥락을 공유합니다: 실증적 증권시장선의 평탄성을 활용한다는 것입니다. 과대평가된 고베타 자산에 대한 노출을 줄임으로써 시가총액 가중 대비 위험조정수익을 개선합니다. 최소 분산은 이러한 접근법 중 위험 감소를 추구하는 데 가장 적극적이며, 변동성 최소화가 주된 목적인 투자자에게 자연스러운 선택입니다.

비판과 한계

집중과 수용력

최소 분산 포트폴리오는 비교적 좁은 범위의 저변동성 주식에 보유를 집중시킵니다. 이는 수용력에 대한 우려를 제기합니다: 더 많은 자본이 최소 분산 전략에 유입될수록 동일한 주식이 증가하는 수요를 받습니다. 셰러(Scherer, 2011)는 공통 팩터 노출(규모, 가치, 모멘텀)을 조정한 후 최소 분산 포트폴리오의 알파가 상당히 감소한다는 것을 발견했으며, 이는 초과 성과의 상당 부분이 순수한 공짜 점심이 아니라 팩터 기울기에 대한 보상을 반영함을 시사합니다.

추정 민감도

기대수익 추정을 회피함에도 불구하고, 최소 분산 포트폴리오는 공분산 추정 방법론에 여전히 민감합니다. 서로 다른 공분산 추정량(표본, 팩터 기반, 축소, 또는 이들의 조합)은 의미 있게 다른 포트폴리오 구성을 산출할 수 있습니다. 이러한 모델 불확실성은 종종 과소평가되는 실무적 위험입니다.

섹터 집중

최소 분산 구축에 내재된 방어적 기울기는 유틸리티, 필수소비재, 헬스케어의 지속적 과대 비중과 기술 및 금융의 과소 비중으로 이어집니다. 이러한 과소 비중 섹터가 시장 수익을 주도하는 기간(예: 2012-2021년의 기술주 주도 강세장)에는 최소 분산 포트폴리오가 위험조정 기준으로는 초과 성과를 보이더라도 절대 수익률 기준으로 시가총액 가중 지수를 크게 하회하게 됩니다.

단순 분산투자의 도전

드미구엘, 가르라피, 우팔(DeMiguel, Garlappi, and Uppal, 2009)은 단순한 동일 가중(1/N) 포트폴리오가 최소 분산을 포함한 더 정교한 최적화 접근법의 표본 외 성과를 종종 일치시키거나 초과한다는 것을 입증했으며, 특히 더 작은 자산 유니버스와 더 짧은 추정 기간에서 그러했습니다. 이 발견은 최소 분산 최적화의 이점이 보장되지 않으며, 충분한 데이터와 합리적으로 안정적인 공분산 구조가 있어야 함을 강조합니다.

증거가 시사하는 바

수십 년과 국제 시장에 걸친 증거의 무게는 여러 결론을 뒷받침합니다. 최소 분산 포트폴리오는 시가총액 가중 벤치마크보다 신뢰성 있게 낮은 변동성을 전달하며, 일반적으로 20-30% 감소합니다. 이러한 위험 감소에 대한 수익 희생은 표준 이론이 예측하는 것보다 작으며, 많은 표본 기간에서 대략 0에 가깝습니다. 샤프 비율로 측정된 위험조정 개선은 견고하며 경제적으로 유의미합니다.

이 명백한 이상 현상에 대한 설명은 신비롭지 않습니다. 이는 잘 기록된 실증적 증권시장선의 평탄성에서 직접 따릅니다: 저베타 자산은 CAPM이 예측하는 것보다 높은 수익을 올리고, 고베타 자산은 낮은 수익을 올립니다. 최소 분산 포트폴리오는 이러한 가격 괴리를 수확하는 체계적인 방법일 뿐입니다.

실무자에게 핵심 구현 결정 사항은 공분산 추정 방법론, 리밸런싱 빈도, 포트폴리오 제약 조건의 정도입니다. 증거는 적절한 제약 조건(포지션 상한, 섹터 한도)이 추정 오차에 대한 암묵적 축소로 작용하여 표본 외 성과를 개선하는 경향이 있음을 시사합니다. 이 접근법은 강한 위험 회피 성향을 가진 투자자, 낙폭 위험 감소를 추구하는 투자자, 또는 분산된 포트폴리오 프레임워크 내에서 다른 팩터 기반 전략에 대한 보완으로 가장 설득력이 있습니다.