금융에서의 주성분 분석: 수익률을 움직이는 요인은 무엇입니까?

핵심 요점

주성분 분석은 경제 이론을 사전 입력으로 요구하지 않고 자산 수익률을 구동하는 숨겨진 요인을 추출합니다. 채권 분야에서 Litterman과 Scheinkman(1991)은 수준, 기울기, 곡률로 해석되는 세 개의 주성분만으로 수익률 곡선 변동의 약 98%를 설명할 수 있음을 보여주었습니다. 주식에서 PCA는 수익률 공분산에 내재된 지배적인 스타일 팩터를 드러내며, Ledoit와 Wolf(2004)는 표본 공분산 행렬을 구조화된 타겟으로 축소 추정하면 표본 외 포트폴리오 성과가 극적으로 개선됨을 입증하였습니다. PCA는 블랙박스가 아닙니다. 데이터에 시장을 움직이는 것이 무엇인지 물어보는 가장 투명한 방법입니다.

금융의 차원 문제

금융시장은 수천 개의 상관된 수익률 시계열을 생성합니다. 500개 주식을 추적하는 포트폴리오 매니저는 500개의 개별 수익률 스트림을 관찰하지만, 독립적인 위험 원천의 실제 수는 이보다 훨씬 적습니다. 이 500개 주식 변동의 대부분은 소수의 공통 요인, 즉 전체 시장, 금리, 섹터 순환, 그리고 몇 가지 스타일 틸트로 설명할 수 있습니다.

핵심 과제는 이러한 요인이 무엇이어야 하는지에 대한 사전 가정을 부과하지 않고 식별하는 것입니다. Fama-French와 같은 전통적 팩터 모형은 경제적 가설(가치, 규모, 수익성)에서 출발하여 이것이 수익률을 설명하는지 검증합니다. PCA는 반대 방향으로 접근합니다. 수익률의 공분산 행렬에서 출발하여 최대 분산의 방향을 추출함으로써 데이터가 자체 구조를 스스로 드러내도록 합니다.

이 구분은 중요합니다. 진정한 팩터 구조가 알려져 있지 않거나, 포트폴리오 최적화를 위해 공분산 행렬에서 노이즈를 제거하는 것이 목적일 때, PCA가 올바른 출발점입니다.

PCA의 작동 원리: 메커니즘

PCA는 자산 수익률의 공분산 행렬을 고유값과 고유벡터로 분해합니다. 각 고유벡터는 포트폴리오(원래 자산의 선형 결합)를 정의하며, 대응하는 고유값은 해당 포트폴리오가 설명하는 수익률 분산의 크기를 측정합니다. 고유벡터는 직교하므로, 요인은 구성적으로 비상관입니다.

절차는 간단합니다. T x N 수익률 행렬(T개 시점, N개 자산)이 주어지면, N x N 표본 공분산 행렬을 계산합니다. 고유분해를 수행하여 N개의 고유값-고유벡터 쌍을 얻습니다. 고유값 내림차순으로 정렬합니다. 제1주성분(PC1)은 가장 큰 고유값에 연관된 고유벡터로, N개 자산 전체에서 가장 많은 분산을 포착하는 단일 포트폴리오입니다. PC2는 PC1에 직교하면서 남은 분산을 가장 많이 포착하며, 이하 같은 방식입니다.

총 분산 중 k번째 주성분이 설명하는 비율은 해당 고유값을 모든 고유값의 합으로 나눈 값입니다. 실무에서 소수의 PC가 대부분의 변동을 설명하며, 나머지 성분은 노이즈입니다.

Litterman과 Scheinkman(1991): 수익률 곡선을 지배하는 세 가지 요인

금융에서 PCA의 획기적 적용은 Litterman and Scheinkman (1991)입니다. 이들은 만기별 미국 국채 수익률 변화의 공분산 행렬에 PCA를 적용하여, 세 가지 요인이 사실상 모든 수익률 곡선 움직임을 설명한다는 것을 발견했습니다.

제1주성분(PC1)은 모든 만기에 대해 대략 동일한 가중치를 갖는 조합입니다. 이 요인이 움직이면 모든 수익률이 함께 상승하거나 하락합니다. 수준 요인으로 해석되며, 표본 기간에 따라 총 수익률 곡선 변동의 약 83%~90%를 설명합니다.

제2주성분(PC2)은 단기 만기에 양의 적재량, 장기 만기에 음의 적재량(또는 그 반대)을 가집니다. 이 요인이 움직이면 수익률 곡선이 가팔라지거나 평탄해집니다. 기울기 요인으로, 변동의 약 6%~10%를 설명합니다.

제3주성분(PC3)은 단기와 장기 만기에 양의 적재량, 중기 만기에 음의 적재량을 가져 "나비" 형태를 만듭니다. 곡률 요인으로, 변동의 약 1%~3%를 설명합니다.

이 세 가지 요인을 합치면 모든 수익률 곡선 움직임의 95%~98%를 설명하며, 나머지 성분에는 잔차 노이즈만 남습니다.

이 세 고유벡터의 적재 패턴은 수십 년에 걸쳐 그리고 전 세계 국채 수익률 곡선에서 놀라울 정도로 안정적이었습니다. Diebold and Li (2006)는 이후 이 세 요인이 수익률 곡선의 Nelson-Siegel 모수적 모형, 즉 수준, 기울기, 곡률이 시변 잠재 요인으로 모형화되는 구조와 밀접하게 대응함을 보여주었습니다.

고유벡터 적재량: 각 요인의 형태

고유벡터 적재량은 각 만기가 각 주성분에 어떻게 기여하는지를 보여줍니다. 아래 표는 미국 국채 데이터의 대표적 적재량입니다.

PC1 적재량은 거의 균일하여 수준 해석을 확인합니다. PC2 적재량은 단기 만기의 양수에서 장기 만기의 음수로 단조 감소하여 기울기를 포착합니다. PC3 적재량은 양 끝에서 양수이고 중간에서 음수인 U자 형태를 형성하여 곡률을 포착합니다. 이 패턴은 가정된 것이 아니라, 데이터의 고유분해에서 직접 도출된 것입니다.

주식에서의 PCA: 스타일 팩터 추출

주식시장에서 주식 수익률 공분산 행렬에 PCA를 적용하면 공동 움직임의 지배적 원천이 드러납니다. Connor and Korajczyk (1986)는 대규모 횡단면에서 통계적 팩터 모형을 추정하기 위한 점근적 주성분 접근법을 도입했습니다. 이들의 방법은 자산 수가 시점 수를 초과하는 경우를 처리하기 위해 N x N 공분산 행렬 대신 T x T 외적 행렬에서 팩터를 추출합니다.

주식 수익률의 제1주성분은 거의 항상 시장 팩터입니다. 모든 주식이 함께 움직이는 광범위한 경향을 포착합니다. 이후 성분들은 일반적으로 인식된 스타일 팩터, 즉 가치 대 성장, 규모, 모멘텀, 변동성과 정렬됩니다.

Menchero (2011)는 PCA에서 도출된 팩터를 상업적 주식 리스크 모형에서 경제적으로 해석 가능한 리스크 팩터에 매핑하는 방법을 시연했습니다. 핵심 통찰은 통계적 PCA 팩터와 펀더멘털 팩터 모형이 경쟁 프레임워크가 아니라 상호 보완적이라는 것입니다. PCA는 이름을 붙이지 않고 위험의 지배적 방향을 식별하고, 펀더멘털 모형은 경제적 라벨을 제공하여 포트폴리오 매니저가 특정 익스포저에 대한 견해를 취할 수 있게 합니다.

광범위한 주식 유니버스의 전형적 PCA 분해는 처음 5~10개 주성분이 총 수익률 분산의 50%~70%를 설명하며, 첫 번째 성분(시장)만으로 25%~40%를 설명합니다. 이는 세 가지 요인으로 95% 이상을 설명하는 수익률 곡선의 경우와 현저히 다릅니다. 이 차이는 주식의 더 풍부하고 이질적인 팩터 구조를 반영합니다.

공분산 행렬 정제: Ledoit-Wolf 축소 추정

표본 공분산 행렬은 자산 수가 시점 수에 비해 클 때 부실한 추정량입니다. 500개 주식을 250 거래일 동안 관측한 경우, 표본 공분산 행렬은 125,000개의 데이터 포인트에서 124,750개의 고유 항목을 추정합니다. 결과 행렬은 노이즈가 심하고 불안정하며, 추정 오류에 과적합되는 포트폴리오를 생성합니다.

Ledoit and Wolf (2004)는 PCA 사고에 기반한 해법을 제안했습니다. 표본 공분산 행렬을 구조화된 타겟으로 축소하는 것입니다. 이들의 접근법은 정보가 풍부하지만 노이즈가 많은 표본 공분산 행렬을 더 단순하고 편향되었지만 안정적인 타겟(단일 팩터 모형 공분산 행렬이나 상수 상관관계 행렬 등)과 혼합합니다. 최적 축소 강도는 기대 표본 외 손실을 최소화하도록 해석적으로 결정됩니다.

PCA와의 연결은 직접적입니다. 표본 공분산 행렬의 불안정성은 추정 노이즈에 의해 지배되는 가장 작은 고유값에서 비롯됩니다. PCA 기반 정제는 작은 고유값을 절단하거나 축소하면서 큰 고유값을 보존하는 것을 포함합니다. Ledoit-Wolf 축소 추정은 다른 메커니즘을 통해 유사한 효과를 달성합니다. 모든 고유값을 평균 쪽으로 끌어당겨, 노이즈가 심한 작은 고유값은 위로 압축하고 잠재적으로 과대 평가된 큰 고유값은 아래로 압축합니다.

표본 외 검증에서 Ledoit-Wolf 축소 추정은 원시 표본 공분산 행렬을 사용하는 경우 대비 포트폴리오 분산을 10%~30% 줄여줍니다. 개선 효과는 자산 대 시점 비율이 높을 때, 즉 "차원의 저주"가 가장 심각할 때 가장 큽니다.

랜덤 행렬 이론: 신호와 노이즈의 분리

Marcenko and Pastur (1967)는 PCA에서 실제 팩터와 노이즈를 구분하기 위한 이론적 기반을 제공했습니다. 자산 수익률이 공통 요인 없이 순수한 노이즈에 의해 구동된다면, 표본 공분산 행렬의 고유값은 알려진 경계를 가진 특정 분포를 따릅니다. 이 분포의 상한을 초과하는 고유값은 추정 노이즈가 아닌 실제 팩터를 반영할 가능성이 높습니다.

Marcenko-Pastur 분포는 두 가지 모수에 의존합니다. 자산 대 시점 비율(q = N/T)과 노이즈의 분산입니다. 500개 주식과 1,000개의 일별 관측치를 가진 전형적 주식 데이터셋의 경우, q = 0.5이며, 노이즈 고유값 분포의 상한은 노이즈 분산의 약 2.9배입니다. 이 임계값을 초과하는 고유값은 신호로 유지되고, 미만인 것들은 절단되거나 평균으로 대체됩니다.

이 공분산 정제 접근법은 퀀트 자산운용에서 표준이 되었습니다. 유지할 주성분 수를 결정하기 위한 원칙적이고 비자의적인 방법을 제공합니다.

실무 구현 시 고려사항

PCA는 결과에 영향을 미치는 여러 구현 선택을 요구합니다.

첫째, 입력 데이터는 표준화되어야 합니다. 수익률이 평균 제거 및 스케일링되지 않으면, PCA는 가장 체계적인 공동 움직임이 아닌 가장 높은 분산을 가진 자산에 의해 지배됩니다. 주식 적용에서는 원시 공분산 행렬 대신 상관관계 행렬(표준화된 공분산)을 사용하는 것이 표준 관행입니다.

둘째, 추정 윈도우가 중요합니다. 긴 윈도우는 더 안정적인 추정치를 제공하지만 레짐 변화를 놓칠 수 있습니다. 짧은 윈도우는 진화하는 팩터 구조를 포착하지만 더 많은 노이즈를 도입합니다. 60~252 거래일의 롤링 PCA가 일반적인 절충안입니다.

셋째, 고유벡터 부호는 임의적입니다. PCA는 부호가 아닌 방향을 정의합니다. PC1은 모든 자산에 양 또는 음의 적재량을 가질 수 있습니다. 실무자들은 일반적으로 관례에 따라 부호를 고정합니다(예: PC1이 전체 시장에 양의 적재량을 갖도록 요구).

넷째, PCA 팩터는 직접 거래 가능하지 않습니다. PCA 고유벡터를 거래 가능한 포트폴리오로 변환하려면 실제 증권에 투영하고 공매도, 거래비용, 리밸런싱의 실무적 제약을 관리해야 합니다.

한계

PCA는 선형 방법입니다. 자산 간의 비선형 의존성을 포착할 수 없습니다. 레짐 전환, 변동성 군집, 또는 비대칭 꼬리 의존성이 중요한 시장에서 PCA는 수익률 생성 과정의 핵심 특성을 놓칠 수 있습니다.

PCA 팩터에는 본질적인 경제적 해석이 없습니다. 고유벡터는 통계적 산물이며, PC1을 "시장"으로 또는 PC2를 "가치"로 명명하는 것은 다른 시기나 시장 레짐에서 유효하지 않을 수 있는 사후적 해석입니다.

PCA는 이상치에 민감합니다. 단 하루의 극단적 수익률이 공분산 행렬을 왜곡하고 주성분을 이동시킬 수 있습니다. 강건한 PCA 방법이 존재하지만 복잡성을 더합니다.

마지막으로, PCA는 정상성을 가정합니다. 팩터 구조와 팩터 적재량이 추정 윈도우 전체에서 일정하다고 가정합니다. 실무에서 팩터 구조는 진화하며, 작년 수익률을 설명한 적재량이 내년 수익률을 설명하지 못할 수 있습니다.