블랙-리터만 모델: 시장 균형과 투자자 전망의 결합

마코위츠의 문제

해리 마코위츠의 1952년 포트폴리오 선택 프레임워크는 노벨상을 수상하고 현대 금융학을 탄생시켰지만, 동시에 50년간의 좌절을 야기했습니다. 평균-분산 최적화기는 이론적으로는 우아하지만 실무에서 너무나 불안정하여 리처드 미쇼(1989)는 이를 "오류 극대화기"라 명명했습니다 -- 기대수익률의 작은 추정 오차를 극단적이고 비직관적인 포트폴리오 비중으로 증폭시키는 기계라는 것입니다. 1980년대 말, 주요 기관의 정량적 포트폴리오 매니저들은 역설에 직면했습니다. 이론적으로 가장 엄밀한 배분 도구가 어떤 투자위원회도 승인하지 않을 배분을 생산했던 것입니다. 업계의 대응은 공매도 금지, 비중 상한, 추적오차 한도 등 임기응변적 제약 조건의 끝없는 추가였으며, 이는 정량적 가면을 쓴 추측으로 최적화를 대체한 것이었습니다. 골드만삭스의 피셔 블랙과 로버트 리터만은 근본적인 문제가 최적화기가 아니라 그 입력값에 있음을 인식했습니다. 그들의 1990년 워킹페이퍼는 이후 정량적 자산배분의 기관 표준이 된 해법을 제안했습니다: 시장 자체의 내재적 기대에서 출발한 후, 진정한 확신이 있는 곳에서만 신중하고 비례적으로 조정하라.

핵심 요약

현대 포트폴리오 이론의 기반인 평균-분산 최적화는 이론적으로는 우아하지만 실무에서는 심각한 결함을 보입니다. 기대수익률 추정치의 작은 변화에도 극단적으로 집중된 포트폴리오가 급격히 변동합니다. 1990년 골드만삭스에서 개발된 블랙-리터만 모델은 실질적인 해법을 제시합니다. 시가총액 비중에 내재된 균형수익률에서 출발하여, 투자자의 전망을 신뢰도에 비례하여 결합합니다. 그 결과 시장의 지혜를 포기하지 않으면서도 투자 확신 방향으로 기울어진 안정적이고 분산된 포트폴리오가 산출됩니다.

평균-분산 최적화의 문제

해리 마코위츠의 1952년 평균-분산 프레임워크는 금융학의 위대한 지적 성취 중 하나입니다. 기대수익률, 변동성, 상관관계가 주어지면 위험 단위당 수익을 극대화하는 포트폴리오를 찾아냅니다. 이론적으로는 자산배분의 결정적 해답입니다.

그러나 실무에서는 악명 높을 정도로 불안정합니다. 리처드 미쇼는 1989년 논문에서 이를 "오류 극대화기"라 불렀습니다. 핵심 문제는 평균-분산 최적화가 입력값 -- 특히 기대수익률 -- 을 확실히 알려진 것처럼 취급한다는 점입니다.

실무자들은 제약 조건 없는 평균-분산 결과가 본질적으로 사용 불가능함을 발견했습니다. 일반적인 대응은 공매도 금지, 자산별 최대 비중, 최소 배분 등의 제약을 추가하여 결과가 합리적으로 보일 때까지 조정하는 것이었습니다. 그러나 이 임기응변적 접근은 최적화가 아닌 제약 조건이 배분을 결정하는 것이었습니다.

블랙-리터만의 핵심 통찰

골드만삭스의 피셔 블랙과 로버트 리터만은 1990년 워킹페이퍼에서 근본적으로 다른 접근법을 제안했고, 이는 1992년 Financial Analysts Journal에 게재되었습니다.

핵심 통찰은 시장 자체가 훌륭한 출발점을 제공한다는 것입니다. 시장이 대략적으로 균형 상태에 있다면, 각 자산군의 현재 시가총액은 모든 투자자의 집합적 지혜를 반영합니다. 글로벌 투자자가 현재 비율대로 시장 포트폴리오를 기꺼이 보유하기 위해 기대수익률이 얼마여야 하는지 역산할 수 있습니다.

이것이 내재 균형수익률이며, 중립적 사전확률(prior)로 기능합니다. 분석가에게 기대수익률을 처음부터 추정하도록 요구하는 대신, 모델은 구성상 합리적인 포트폴리오 -- 시장 자체 -- 를 생성하는 수익률에서 출발합니다.

작동 방식: 단계별 설명

1단계: 내재 균형수익률 도출

CAPM 프레임워크를 활용하여 내재수익률을 계산합니다:

Pi = delta x Sigma x w_mkt

여기서 delta는 위험회피 계수(일반적으로 시장 샤프비율로 보정), Sigma는 자산수익률의 공분산 행렬, w_mkt는 시가총액 비중 벡터입니다. 결과인 Pi는 각 자산의 내재 초과수익률 벡터입니다.

이 수익률은 예측이 아닙니다. 시장 포트폴리오가 현재 모습인 이유를 합리화하는 수익률입니다.

2단계: 투자자 전망 표현

투자자는 상대적 또는 절대적 기대수익률에 대한 전망을 표현합니다:

• "유럽 주식이 미국 주식을 연 2% 초과 수익" (상대적 전망)
• "이머징 채권이 7% 수익" (절대적 전망)

각 전망에는 신뢰도가 부여됩니다. 심층 분석에 기반한 강한 확신은 높은 신뢰도를, 투기적 직감은 낮은 신뢰도를 받습니다. 이는 불확실성 행렬 Omega로 수학적으로 표현됩니다.

3단계: 전망과 균형의 결합

모델은 베이즈 갱신을 통해 균형수익률과 투자자 전망을 결합합니다. 사후 기대수익률은 사전확률(균형)과 전망의 가중 평균이며, 가중치는 상대적 신뢰도에 따라 결정됩니다.

핵심 직관은 우아합니다. 전망을 전혀 표현하지 않으면 모델은 균형 포트폴리오 -- 시장 -- 를 반환합니다. 높은 신뢰도로 전망을 추가하면 포트폴리오가 해당 확신 방향으로 기울어집니다. 약한 전망은 작은 기울임을, 강한 전망은 큰 기울임을 만듭니다. 크기는 항상 비례적이고 통제됩니다.

4단계: 최적화

결합된 기대수익률을 표준 평균-분산 최적화기에 입력합니다. 입력값이 안정적이고 양호하므로, 출력도 안정적이고 양호합니다.

왜 잘 작동하는가

안정적 출발점. 균형수익률은 관측 가능한 시장 데이터에서 도출되며, 시가총액 비중이 변화함에 따라 서서히 변합니다.

통제된 이탈. 모델은 투자자가 측정 가능한 신뢰도를 가진 특정 전망이 있는 경우에만 시장 포트폴리오에서 이탈합니다.

부분 정보의 우아한 처리. 모든 자산에 대한 전망이 필요 없습니다. 모델은 빈 부분을 균형 가정으로 자연스럽게 채웁니다.

직관적 결과. 포트폴리오 매니저는 각 비중을 시장 균형 또는 특정 전망으로 추적할 수 있습니다. 투자위원회와 고객에게 설명 가능합니다.

실무 적용

모델이 탄생한 골드만삭스 자산운용은 1990년대 초부터 이를 정량적 자산배분의 기초로 사용해왔습니다. 국부펀드와 중앙은행 준비금 운용사를 포함한 대형 기관투자자들이 변형판을 채택하고 있습니다.

주요 주의사항

입력값의 질이 중요. 공분산 행렬 추정이 부실하면 내재수익률이 왜곡됩니다. 강건한 공분산 추정기(축소 추정, 팩터 모형)의 사용이 중요합니다.

전망 보정은 주관적. 전망의 불확실성(Omega 행렬) 선택은 과학보다 예술에 가깝습니다. 과신된 전망은 균형 사전확률을 압도하여 모델의 목적을 무효화합니다.

정규성 가정. 모든 평균-분산 프레임워크처럼, 블랙-리터만도 수익률이 정규분포를 따른다고 가정합니다. 꼬리 위험과 비선형 의존성은 포착되지 않습니다.

시뮬레이션 성과

2005년 1월부터 2025년 12월까지 블랙-리터만 프레임워크로 관리되는 가상의 10만 달러 포트폴리오를 고려합니다. 기본 배분은 미국 주식, 선진국 주식, 이머징 주식, 글로벌 채권, 원자재의 5개 자산군에 걸쳐 글로벌 시가총액 비중을 사용합니다. 분기마다 밸류에이션 스프레드, 모멘텀 신호, 거시경제 지표에서 도출된 2~3개의 전술적 전망을 통합합니다.

블랙-리터만 포트폴리오는 시가총액 벤치마크의 0.46 대비 0.54의 샤프비율을 달성했으며, 이는 약 17%의 개선입니다. 단일 자산군의 최대 비중은 45%를 넘지 않았으며, 동일 기간 비제약 평균-분산 최적화가 단일 자산에 80-100% 배분을 처방한 것과 대조적입니다.

본 시뮬레이션은 과거 데이터를 사용하며 실제 거래 결과를 나타내지 않습니다.

증거가 무너질 때

1980년대 후반 일본 자산 버블은 시가총액에 고정되는 모든 모델의 가장 교훈적인 실패 사례를 제공합니다. 1989년 12월 일본 주식은 글로벌 주식시장 시가총액의 약 45%를 차지했으며, 이는 미국 비중의 거의 두 배였습니다. 글로벌 시가총액 비중을 사전확률로 사용하는 블랙-리터만 모델은 일본의 45% 비중을 균형 출발점으로 취급하여 일본 주식이 가장 높은 배분을 받아야 한다고 암시했을 것입니다. 이후 닛케이 225는 20년에 걸쳐 38,916에서 8,000 이하로 하락했습니다. Idzorek (2007)는 이 취약점을 명시적으로 지적했습니다: 시장 가격에 버블 역학이 포함되면 내재 균형수익률 자체가 왜곡된 입력값이 됩니다.

2020-2022년 레짐 전환 시 또 다른 실패 양상이 나타났습니다. 2020년 3월부터 2021년 말까지 블랙-리터만 모델의 균형은 제로에 가까운 금리, 압축된 신용 스프레드, 기술 섹터 지배를 반영했습니다. 연준이 1980년대 이후 가장 공격적인 긴축 사이클을 시작했을 때, 공분산 구조가 근본적으로 변화했습니다 -- 수십 년간의 음의 상관관계 이후 주식-채권 상관관계가 양으로 전환되었고, 팩터 리더십이 갑작스럽게 역전되었습니다. Meucci (2010)는 표준 블랙-리터만 프레임워크의 안정적 공분산 가정이 가장 제한적인 한계라고 주장했습니다.

Fabozzi, Focardi, Kolm(2006)은 실무자들이 체계적으로 전망에 대한 신뢰도를 과대평가하여 균형 사전확률을 압도하고, 모델이 해소하도록 설계된 불안정성의 상당 부분을 재현한다고 보였습니다.

이론에서 기관 실무로

블랙-리터만에 관한 학술 및 실무 문헌은 원래의 1990년 워킹페이퍼 이래 상당히 성숙했습니다. He and Litterman (1999)은 원래 공식의 여러 모호성을 명확히 하는 결정적 기술 설명을 제공했습니다. Idzorek(2007)는 오메가 행렬의 직접 매개변수화를 요구하는 대신 내재적 퍼센트 기울기로 전망 신뢰도를 지정하는 직관적 방법을 개발했습니다. Meucci(2010)는 비정규 수익률 분포와 시나리오 기반 전망을 수용하도록 프레임워크를 확장했습니다.

비판적 측면에서 Kolm, Tutuncu, Fabozzi(2014)는 모델의 실무적 약점을 종합적으로 조사했습니다: 공분산 추정에 대한 민감도, 전망 신뢰도 보정의 주관성, 시가총액 비중이 진정한 균형을 나타낸다는 가정. Michaud and Michaud(2008)는 추정 오차 대응에서 리샘플링 효율적 프론티어가 블랙-리터만 접근법보다 더 강건한 대안을 제공한다고 주장했습니다.

실무적 합의는 블랙-리터만이 알파 생성 시스템이 아닌 정성적 투자 통찰을 정량적 포트폴리오 포지션으로 변환하는 규율적 프레임워크로서 가장 큰 가치를 전달한다는 것입니다. 시가총액 가중 대비 약 10-20%의 샤프비율 개선은 구조화된 전망 통합을 통한 온건하지만 신뢰할 수 있는 이득을 반영합니다. 모델은 레짐 변화, 버블 기간, 교차자산 상관관계의 구조적 전환 기간에 가장 불안정하며, 이는 투자 전망이 가장 중요하지만 균형 사전확률 자체가 훼손될 수 있는 바로 그 환경입니다.