분산투자의 과학: 마코위츠에서 현대 포트폴리오까지

핵심 요약

"좋은 포트폴리오는 좋은 주식과 채권의 긴 목록 이상입니다. 그것은 광범위한 상황에 대비하여 투자자에게 보호와 기회를 제공하는 균형 잡힌 전체입니다." -- 해리 마코위츠, 포트폴리오 선택 (1952)

분산투자 -- 포트폴리오 위험을 줄이기 위해 여러 자산에 투자를 분배하는 관행 -- 은 종종 금융에서 유일한 무료 점심으로 묘사됩니다. 해리 마코위츠는 1952년 Journal of Finance에 발표한 논문 "포트폴리오 선택"에서 이 직관을 공식화하여 평균-분산 최적화를 도입하고, 불완전하게 상관된 자산을 결합함으로써 기대수익률을 희생하지 않고 포트폴리오 위험을 줄일 수 있음을 수학적으로 증명했습니다. 이 연구로 마코위츠는 1990년 노벨 경제학상을 수상했으며 현대 포트폴리오 이론(MPT)의 기초를 확립했습니다. 그러나 평균-분산 최적화의 실제 적용은 우아한 이론이 시사하는 것보다 훨씬 더 어려운 것으로 입증되었습니다. 기대수익률, 변동성, 상관관계의 추정 오차는 표본 외에서 부진한 포트폴리오를 만들 수 있습니다. DeMiguel, Garlappi, Uppal(2009)은 단순 균등가중(1/N) 포트폴리오가 추정 오차를 고려한 후 최적화된 포트폴리오를 종종 능가함을 보여주었습니다. 또한 Longin과 Solnik(2001)은 시장 위기 시 자산군 간 상관관계가 증가하여 분산투자 혜택이 가장 필요한 시점에 정확히 감소한다는 것을 기록했습니다. 분산투자의 힘과 한계 모두를 이해하는 것이 견고한 포트폴리오 구축에 필수적입니다.

분산투자가 중요한 이유

분산투자의 기본 원리는 수익률이 완벽하게 연동되지 않는 자산을 결합하면 포트폴리오의 전반적 변동성이 감소한다는 것입니다. 각각 기대 연간 수익률 10%, 변동성 20%인 두 자산을 생각해 보겠습니다. 수익률이 완벽하게 상관(상관계수 +1.0)되면 어떤 비율로 결합해도 변동성이 20%인 포트폴리오가 만들어집니다 -- 분산투자의 혜택이 없습니다. 그러나 상관계수가 0.5면 균등가중 포트폴리오의 변동성은 약 17.3%로 떨어집니다. 상관계수가 0이면 포트폴리오 변동성은 약 14.1%로 하락합니다. 그리고 상관계수가 -1.0(완벽한 음의 상관관계)이면, 이론적으로 양의 기대수익률을 유지하면서 변동성이 0인 무위험 포트폴리오를 구성하는 것이 가능합니다.

이 수학적 통찰은 분산투자가 왜 그토록 강력한지를 보여줍니다: 자산이 완벽하게 상관되지 않는 한, 기대수익률을 포기하지 않고도 위험을 줄일 수 있습니다. 실제로 대부분의 금융 자산은 양이지만 불완전한 상관관계를 가지므로, 분산투자는 포트폴리오 위험을 개별 자산 위험의 가중 평균 아래로 일관되게 줄입니다.

분산투자의 혜택은 단순한 위험 감소를 넘어섭니다. 포트폴리오 변동성을 줄임으로써 분산투자는 시간 경과에 따른 부의 복리 성장률을 개선합니다. 이는 산술 수익률과 기하(복리) 수익률 사이의 수학적 관계 때문입니다: 기하 수익률은 대략 산술 수익률에서 수익률 분산의 절반을 뺀 것과 같습니다. 분산이 낮은 포트폴리오는 동일한 기대 산술 수익률에 대해 더 효율적으로 복리가 되어 더 높은 최종 부를 생산합니다.

분산투자는 또한 극단적 포트폴리오 손실의 확률과 심각성을 줄입니다. 큰 하락은 회복에 불균형적으로 큰 이익이 필요하기 때문에 장기 부에 특히 해롭습니다. 50% 손실은 손익분기를 위해 100% 이익이 필요하지만, 25% 손실은 33%만 필요합니다. 하락을 완화함으로써 분산투자는 재정 목표 달성 능력을 영구적으로 손상시킬 수 있는 최악의 결과로부터 투자자를 보호합니다.

이러한 분명한 혜택에도 불구하고 투자자들은 자주 분산투자가 부족합니다. 행동 연구는 적절한 분산투자를 방해하는 여러 편향을 기록했는데, 자국 편향(국내 주식 과대평가), 친숙함 편향(개인적으로 아는 기업 과대평가), 통제 환상(익숙한 주식의 집중 포지션이 실제보다 덜 위험하다고 믿는 것) 등이 포함됩니다.

마코위츠와 현대 포트폴리오 이론

해리 마코위츠의 1952년 논문은 금융 역사에서 가장 중요한 지적 공헌 중 하나를 대표합니다. 마코위츠 이전에 투자 분석은 거의 전적으로 개별 증권에 초점을 맞추었습니다 -- 특정 주식이 저평가인지 고평가인지를 평가하는 것이었습니다. 마코위츠는 초점을 개별 증권에서 포트폴리오 전체로 전환하여, 중요한 것은 각 투자의 개별적 위험과 수익이 아니라 이들이 어떻게 결합하여 전체 포트폴리오의 위험과 수익을 결정하는가라고 주장했습니다.

마코위츠는 포트폴리오 선택 문제를 최적화로 공식화했습니다: 주어진 기대수익률 수준에서 포트폴리오 분산을 최소화하는 포트폴리오 가중치를 찾거나, 동등하게 주어진 분산 수준에서 기대수익률을 최대화합니다. 이 문제를 해결하는 포트폴리오 집합 -- 각각 주어진 위험 수준에서 최고의 수익을 제공하는 -- 이 효율적 프론티어를 정의하며, 이는 투자자에게 이용 가능한 최선의 트레이드오프를 나타내는 위험-수익 공간의 곡선입니다.

평균-분산 최적화에 필요한 입력값은: 각 자산의 기대수익률, 각 자산의 수익률 분산(또는 표준편차), 모든 자산 쌍 사이의 공분산(또는 상관관계)입니다. N개 자산 유니버스의 경우, N개의 기대수익률 추정치, N개의 분산 추정치, N(N-1)/2개의 공분산 추정치가 필요합니다. 100개 자산의 적당한 유니버스에 대해 이는 100개 기대수익률, 100개 분산, 4,950개 공분산 -- 총 5,150개 매개변수를 의미합니다.

윌리엄 샤프는 1964년 자본자산가격결정모형(CAPM)을 도입하여 마코위츠의 연구를 확장했습니다. CAPM은 프레임워크에 무위험 자산을 추가하고, 균형 상태에서 모든 투자자가 무위험 자산과 시장 포트폴리오의 조합을 보유해야 함을 보여주었습니다. 무위험 이자율에서 효율적 프론티어의 시장 포트폴리오까지 연결하는 자본시장선은 무위험 이자율로 차입과 대출이 가능할 때 이용 가능한 최적 위험-수익 트레이드오프를 나타냅니다.

제임스 토빈의 분리정리(1958)는 또 다른 핵심 통찰을 제공했습니다: 최적 위험 포트폴리오는 위험 선호도와 관계없이 모든 투자자에게 동일합니다. 투자자들은 최적 위험 포트폴리오와 무위험 자산 사이에 어떻게 배분하는지에서만 차이가 납니다. 더 위험 회피적인 투자자는 무위험 자산을 더 많이 보유하고, 더 위험 수용적인 투자자는 위험 포트폴리오를 더 많이 보유합니다(또는 무위험 이자율로 차입하여 레버리지를 적용합니다).

상관관계의 수학

상관관계는 분산투자의 핵심입니다. 상관관계가 어떻게 작동하고 어떻게 오작동하는지를 이해하는 것이 포트폴리오 구성에 필수적입니다.

상관계수는 -1에서 +1까지 범위입니다. +1의 상관관계는 두 자산이 완벽하게 연동됨을 의미하고, -1은 완벽하게 반대 방향으로 움직임을 의미하며, 0은 움직임이 무관함을 의미합니다. 분산투자가 효과적이려면 상관관계가 +1 미만이어야 합니다; 상관관계가 낮을수록(또는 더 음의 값일수록) 분산화 혜택이 커집니다.

실제로 대부분의 주식시장은 서로 양의 상관관계를 보이며, 국가 쌍과 기간에 따라 통상 0.4에서 0.8 사이입니다. 미국-유럽 주식의 상관관계는 통상 0.6-0.7이며, 미국-신흥시장 주식의 상관관계는 다소 낮은 0.4-0.6입니다. 채권과 주식은 역사적으로 낮거나 음의 상관관계를 보여 주식 중심 포트폴리오의 자연스러운 분산화 수단이 됩니다.

대체 자산군 -- 부동산, 상품, 헤지펀드, 사모펀드 등 -- 은 종종 전통적 주식, 채권과의 낮은 상관관계를 근거로 분산화 수단으로 홍보됩니다. 그러나 이러한 자산의 진정한 분산화 혜택은 종종 광고보다 적습니다. 첫째, 많은 대체 자산은 비유동적이며, 그들의 겉보기 낮은 변동성과 낮은 상관관계는 진정으로 매끄러운 수익이 아니라 부분적으로 오래된 가격을 반영할 수 있습니다. 둘째, 전통 자산과의 상관관계는 스트레스 기간에 증가하는 경향이 있으며, 이는 분산투자가 가장 가치 있을 때입니다.

상관관계 체제의 개념은 포트폴리오 구성에 중요합니다. 상관관계는 정적이지 않으며 시간에 따라 변하고 시장 하락기에 증가하는 경향이 있습니다. Erb, Harvey, Viskanta(1994)는 약세장에서 국제 주식 상관관계가 상승하여 투자자가 보호를 가장 필요로 할 때 정확히 글로벌 주식 배분의 분산화 혜택이 감소함을 기록했습니다.

최적화의 수수께끼

이론적 우아함에도 불구하고, 평균-분산 최적화는 실제 투자 문제에 적용할 때 실망스러운 결과를 보여온 잘 문서화된 역사를 가지고 있습니다. 주된 원인은 추정 오차입니다: 최적화에 대한 입력값 -- 기대수익률, 분산, 상관관계 -- 은 역사적 데이터나 예측 모형에서 추정되어야 하며, 이러한 추정치는 본질적으로 불확실합니다.

기대수익률에 대한 문제가 특히 심각하며, 정확하게 추정하기가 악명 높게 어렵습니다. Merton(1980)은 기대수익률을 합리적 정밀도로 추정하려면 극히 긴 데이터 이력이 필요함을 보여주었습니다 -- 통상 이용 가능한 것보다 훨씬 긴 기간입니다. 기대수익률 추정치의 작은 오차가 극적으로 다른 포트폴리오 가중치를 만들어낼 수 있으며, 종종 극단적이고 직관에 반하는 배분을 초래합니다.

Michaud(1989)는 유명하게 평균-분산 최적화를 "오차 극대화" 장치로 묘사했으며, 최적화기가 과대추정된 기대수익률의 자산을 과대평가하고 과소추정된 자산을 과소평가함으로써 추정 오차를 공격적으로 이용한다고 주장했습니다. 결과 포트폴리오는 진정한 위험-수익 트레이드오프가 아닌 추정 오차에 대해 최적화되어 열악한 표본 외 성과로 이어집니다.

추정 오차 문제를 해결하기 위해 여러 접근법이 개발되었습니다. Black-Litterman 모형(1992)은 시장 균형 포트폴리오를 출발점으로 사용하여 투자자가 시장 가중치에서 포트폴리오를 기울이는 주관적 견해를 표현할 수 있게 합니다. 균형 수익률에 고정함으로써 Black-Litterman 접근법은 제약 없는 평균-분산 최적화보다 더 안정적이고 직관적인 포트폴리오를 생산합니다.

Ledoit와 Wolf(2004)가 포트폴리오 최적화에 도입한 축소 추정량은 표본 공분산 행렬을 구조화된 목표 행렬(단일 팩터 모형 공분산 행렬 등)과 결합하여 더 안정적인 추정치를 생산합니다. 결과적인 "축소된" 공분산 행렬은 극단적 표본 추정치의 영향을 줄이고 통상 더 잘 분산된 포트폴리오를 생산합니다.

Michaud(1998)가 제안한 리샘플링 효율성은 몬테카를로 시뮬레이션을 사용하여 불확실한 입력값에서 여러 효율적 프론티어를 생성하고 시뮬레이션 전체의 포트폴리오 가중치를 평균합니다. 이 접근법은 입력값의 불확실성을 인정하고 단일점 최적화보다 더 매끄럽고 잘 분산된 포트폴리오를 생산합니다.

나이브 분산투자

DeMiguel, Garlappi, Uppal(2009)은 Review of Financial Studies에서 최적화 기반 포트폴리오 구성의 실질적 가치에 도전하는 도발적 논문을 발표했습니다. 그들은 14개 최적화 포트폴리오 전략의 표본 외 성과를 단순 1/N(균등가중) 포트폴리오와 비교하여, 어떤 최적화 전략도 균등가중 벤치마크를 일관되게 능가하지 못했음을 발견했습니다.

저자들은 평균-분산 최적화, 최소분산 포트폴리오, 베이지안 추정 접근법, Black-Litterman 모형, 기타 다양한 정교한 기법을 포함한 전략을 평가했습니다. 다른 자산군과 기간에 걸친 7개 실증 데이터셋을 사용하여, 1/N 포트폴리오가 샤프비율, 확실성 등가 수익, 회전율 등의 측정치에서 놀라울 정도로 경쟁력 있음을 발견했습니다.

이 직관에 반하는 결과의 설명은 통계적 학습 이론의 편향-분산 트레이드오프에 있습니다. 최적화 포트폴리오는 낮은 편향 -- 더 많은 정보를 사용하여 진정한 최적 포트폴리오를 목표로 함 -- 이지만 높은 분산을 가지며, 이는 추정에 사용된 특정 역사적 기간에 더 민감함을 의미합니다. 1/N 포트폴리오는 높은 편향 -- 기대수익률, 분산, 상관관계에 대한 모든 정보를 무시 -- 이지만 낮은 분산을 가지며, 추정이 전혀 필요 없기 때문입니다. 추정 오차가 자산 기대수익률의 진정한 차이에 비해 클 때, 1/N의 분산 우위가 편향 불리를 압도합니다.

DeMiguel, Garlappi, Uppal 논문은 분산투자가 중요하지 않다는 것을 의미하지 않습니다. 오히려, 분산투자의 방식 -- 포트폴리오 가중치가 어떻게 결정되는가 -- 보다 분산투자의 폭 -- 자산이 얼마나 많고 다양한가 -- 가 더 중요하다는 것을 시사합니다. 다른 섹터와 지역에 걸쳐 20개 주식의 균등가중 포트폴리오를 보유하는 투자자는 포트폴리오 가중치가 단순하다 해도 잘 분산되어 있을 가능성이 높습니다.

실질적 함의는 투자자가 먼저 자산군, 섹터, 지역에 걸친 광범위한 분산투자를 확보하는 데 집중하고, 그 후에야 포트폴리오 가중치를 미세 조정하기 위한 최적화 기반 접근법을 고려해야 한다는 것입니다. 정교한 최적화의 가치는 입력값이 상당한 불확실성으로 추정될 때 제한됩니다.

위기 시 상관관계 불안정성

분산투자의 가장 중요한 실질적 도전 중 하나는 시장 위기 시 자산군 간 상관관계가 증가하여, 분산투자가 제공해야 할 보호가 가장 필요한 시점에 정확히 감소한다는 것입니다.

Longin과 Solnik(2001)은 Journal of Finance에서 약세장에서 국제 주식 상관관계가 크게 증가함을 보여주는 획기적 연구를 발표했습니다. 극한값 이론을 사용하여, 큰 음의 수익률 간 상관관계가 정상 시장 조건에서의 상관관계보다 상당히 높음을 보여주었습니다. 이 비대칭적 상관관계 패턴은 분산투자 혜택이 평온한 시장에서 측정될 때 과대평가되고 격동 기간에 과소평가됨을 의미합니다.

이 현상은 여러 위기에 걸쳐 기록되었습니다. 2008년 글로벌 금융위기 동안 주요 주식시장 간 상관관계는 0.90 이상으로 급등하여 국제 주식 배분의 분산화 혜택을 사실상 제거했습니다. 전통적으로 음의 상관관계를 보이던 주식과 국채 사이의 관계도 일부 시장에서 안전 자산으로의 도피가 일시적으로 무너지면서 압력을 받았습니다.

위기 시 상관관계 붕괴에 대한 여러 설명이 제안되었습니다. 공통 팩터 노출 -- 스트레스 기간에 모든 위험 자산이 동일한 기초 경제 요인의 영향을 받는 경향 -- 이 아마도 가장 직관적입니다. 심각한 경기침체 동안 사실상 모든 기업이 매출 감소, 부도 증가, 자금 조달 감소에 직면하여, 근본적 차이에 관계없이 주가가 함께 하락합니다.

마진콜, 강제 청산, 군집 행동을 포함한 전염 메커니즘은 위기 시 상관관계 증가를 증폭시킬 수 있습니다. 주요 금융기관이 한 시장에서 손실에 직면하면, 마진 요구를 충족하기 위해 모든 시장의 자산을 매각해야 할 수 있으며, 이는 충격을 전달하고 달리 무관한 자산군 간 상관관계를 증가시킵니다.

유동성 철수는 중대한 역할을 합니다. 위기 시 시장 조성자는 매수-매도 스프레드를 넓히고 매도 압력을 흡수하려는 의지를 줄여, 모든 자산의 가격이 동시에 하락하게 만듭니다. 이 유동성 주도 상관관계 증가는 상관될 근본적 이유가 없는 자산에도 영향을 미치기 때문에 특히 문제적입니다.

포트폴리오 구성에 있어 상관관계 불안정성은 여러 중요한 함의를 가집니다. 첫째, 분산투자 전략은 평균 상관관계가 아닌 위기 기간 상관관계로 스트레스 테스트해야 합니다. 장기 평균 상관관계에 의존하면 정상 조건에서는 잘 분산된 것처럼 보이지만 보호가 가장 중요한 시기에 부적절한 보호를 제공하는 포트폴리오를 만들 수 있습니다.

둘째, 투자자는 자산군뿐만 아니라 위험 팩터 간 분산투자를 고려해야 합니다. 상관이 없어 보이는 두 자산이 실제로는 동일한 기초 위험 팩터(경제 성장, 금리, 유동성 등)에 노출되어 있어 스트레스 시 상관될 수 있습니다.

셋째, 명시적으로 낮은 상관관계를 목표로 하는 전략 -- 관리형 선물, 꼬리 위험 헤지, 롱 변동성 포지션 등 -- 이 전통적 자산군 분산투자보다 위기 시 더 신뢰할 수 있는 분산투자를 제공할 수 있습니다.

실증 분석: 분산투자가 가장 필요할 때 상관관계가 어떻게 변하는가

분산투자의 이론적 힘은 자산군 간 상관관계 구조에 달려 있습니다. 아래 표는 정상 시장과 위기 시기의 주요 자산군 간 추정 상관계수를 제시하며, Longin과 Solnik(2001)이 기록한 현상 -- 분산투자가 가장 필요한 시점에 상관관계가 1.0을 향해 수렴 -- 을 보여줍니다.

몇 가지 패턴이 주목할 만합니다. 첫째, 주식시장 간 상관관계는 위기 시 극적으로 급등합니다 -- 미국 주식과 선진국 주식의 상관관계는 정상 시장의 0.65에서 2008 GFC 기간 0.92로 치솟아 분산투자 혜택을 사실상 제거했습니다. 이는 Erb, Harvey, Viskanta(1994)와 Campbell, Koedijk, Kofman(2002)의 연구 결과를 확인시켜 줍니다.

둘째, 2022년 주식-채권 상관관계의 전환은 포트폴리오 구성에 심대한 함의를 가진 구조적 변화를 나타냅니다. 2000년부터 2021년까지 음의 주식-채권 상관관계는 60/40 포트폴리오 모형과 리스크 패리티 전략의 기초였습니다. 2022년 금리 충격 시 이 상관관계가 양으로 전환(+0.55)되면서 균형 포트폴리오는 수십 년 만에 최악의 하락을 경험했습니다.

셋째, 금과 추세추종 전략은 가장 신뢰할 수 있는 위기 분산투자 수단으로 부상합니다. 금은 네 차례의 위기 체제 전반에 걸쳐 주식과 거의 0 또는 음의 상관관계를 유지했습니다. Baur와 Lucey(2010)의 연구와 일치하는 이 발견은 금이 안전 피난처라기보다 헤지 수단으로 기능함을 시사합니다.

경쟁 프레임워크: 마코위츠 vs. 리스크 패리티 vs. 균등가중

분산투자를 어떻게 할 것인가라는 질문은 분산투자를 할 것인가라는 질문만큼 많은 연구를 낳았습니다. 세 가지 주요 프레임워크가 논의를 지배하며, 각각 고유한 이론적 기반과 실증적 실적을 가지고 있습니다.

평균-분산 최적화 (마코위츠). 원래의 프레임워크는 기대수익률, 분산, 공분산에 기반한 최적 포트폴리오 가중치를 구하여 주어진 위험 수준에서 기대수익률을 극대화합니다. Michaud(1989)가 입증했듯이 추정 오차에 대한 민감성이 이론적 우아함을 약화시킵니다. Black-Litterman 모형(1992)과 축소 추정량(Ledoit and Wolf, 2004)이 이 문제를 부분적으로 해결하지만 완전히 제거하지는 못합니다.

리스크 패리티. 자본이 아닌 각 자산의 총 포트폴리오 위험에 대한 기여를 균등화합니다. Qian(2005)이 공식화하고 Bridgewater의 All Weather 펀드로 대중화되었습니다. 역사적 성과는 강력했으며, Asness, Frazzini, Pedersen(2012)은 레버리지 리스크 패리티 포트폴리오의 1926-2010년 샤프비율이 0.5-0.6으로 주식만의 0.4에 비해 높음을 기록했습니다. 그러나 이 전략은 채권 리스크 프리미엄과 저금리 차입 능력에 결정적으로 의존합니다. 2022년 금리 충격은 이러한 가정에 도전했습니다.

균등가중 (1/N). DeMiguel, Garlappi, Uppal(2009)은 나이브한 균등가중이 7개 데이터셋에서 14개 최적화 전략을 능가함을 입증했습니다. 이는 편향-분산 트레이드오프로 설명됩니다: 추정 오차가 진정한 최적 가중치의 차이에 비해 클 때 더 단순한 접근이 승리합니다. Duchin과 Levy(2009)의 후속 연구는 자산 수가 많고, 기대수익률 추정이 어렵고, 투자 기간이 짧을 때 균등가중이 가장 잘 수행됨을 확인했습니다.

증거는 분산투자 프레임워크의 선택이 분산투자의 폭 자체보다 덜 중요함을 시사합니다. 연구 전반에서 포트폴리오 위험 감소의 가장 큰 결정 요인은 포함된 독립적 위험 원천의 수이지, 그것들을 가중하는 데 사용된 최적화 기법이 아닙니다.

분산투자의 역설: 증거 재평가

분산투자가 투자에서 가장 중요한 원칙 중 하나임은 부인할 수 없지만, 투자자가 이해해야 할 중요한 한계가 있습니다.

첫째, 분산투자는 위험을 줄이지만 제거하지는 않습니다. 완벽하게 분산된 포트폴리오도 체계적 위험 -- 경기침체, 금융위기, 기타 거시경제 충격에 의한 광범위한 시장 하락의 위험 -- 에 노출됩니다. 2008년 금융위기 동안 대부분의 분산된 포트폴리오는 사실상 모든 위험 자산군이 동시에 하락했기 때문에 상당한 손실을 입었습니다. 분산투자는 고유 위험(개별 증권에 특유한 위험)으로부터 보호하지만 체계적 위험으로부터는 보호하지 못합니다.

둘째, 과도한 분산투자는 위험을 의미 있게 줄이지 않으면서 수익을 감소시킬 수 있습니다. 일정 수의 보유 -- 연구에 따르면 주식 포트폴리오의 경우 약 30-40개 -- 를 넘으면 추가 포지션의 점진적 위험 감소가 미미해지는 반면, 복잡성과 거래 비용은 계속 증가합니다. 이 한계체감 분산투자 혜택의 원칙은 투자자가 최대가 아닌 적절한 분산투자를 추구해야 함을 시사합니다.

셋째, 분산투자의 혜택은 상관관계 추정치의 정확성에 크게 의존하며, 이는 그 자체가 불확실하고 불안정합니다. 위에서 논의한 바와 같이, 상관관계는 시장 스트레스 시 증가하는 경향이 있어 분산투자 혜택이 가장 필요한 시점에 정확히 감소합니다. 이 상관관계 불안정성은 위험 관리 도구로서 분산투자의 근본적 한계를 나타냅니다.

넷째, 자산군 간 분산투자는 포트폴리오의 일부가 항상 부진할 것을 수용해야 합니다. 이 심리적 도전 -- 포트폴리오의 한 부분이 하락하는 것을 다른 부분이 상승하는 동안 지켜보는 것 -- 은 많은 투자자가 분산투자 전략을 의심하고 최근 승자에 집중하게 만드는데, 이는 정확히 잘못된 반응입니다.

다섯째, 분산투자의 비용을 간과해서는 안 됩니다. 국제 분산투자는 환율 위험, 높은 거래 비용, 잠재적으로 불리한 세무 처리를 수반합니다. 대체 자산 분산투자는 비유동성, 높은 수수료, 제한된 투명성을 수반할 수 있습니다. 이러한 비용은 주의 깊게 관리되지 않으면 분산투자의 위험 감소 혜택을 부분적으로 또는 완전히 상쇄할 수 있습니다.

여섯째, 최적 분산투자의 이론적 프레임워크인 평균-분산 최적화는 입력값의 추정 오차에 매우 민감합니다. DeMiguel, Garlappi, Uppal이 보여주었듯이, 균등가중과 같은 단순 접근법이 종종 정교한 최적화 기법을 능가하는데, 후자가 추정 오차에 의해 약화되기 때문입니다. 이 발견은 투자자가 "최적" 포트폴리오를 식별하는 능력에 대해 겸손해야 하며, 대신 견고하고 단순한 방법론을 사용하여 광범위하게 분산된 포트폴리오를 구축하는 데 집중해야 함을 시사합니다.

마지막으로, 분산투자의 개념은 과거 상관관계 구조가 미래에도 지속될 것을 가정합니다. 글로벌 경제의 구조적 변화 -- 경제 통합 증가, 패시브 투자의 부상, 중앙은행 정책의 영향력 증대 포함 -- 가 상관관계 패턴을 근본적으로 바꾸고 있을 수 있습니다. 투자자는 역사적 관계가 무한정 지속될 것이라고 가정하기보다, 변화하는 시장 역학에 비추어 분산투자 전략을 정기적으로 재평가해야 합니다.

연구 현황

위험 관리 원칙으로서 분산투자에 대한 증거는 금융 전체에서 가장 강력한 것 중 하나이지만, 마코위츠의 기초 연구 이후 70년간의 연구에서 중요한 뉘앙스가 부각되었습니다.

증거의 강도: 원칙에 대해서는 매우 강력, 실행에 대해서는 논쟁 중. 불완전하게 상관된 자산을 결합하면 포트폴리오 분산이 감소한다는 수학적 사실은 분쟁의 여지가 없습니다 -- 이는 통계적 측도로서의 분산의 속성에서 직접 도출됩니다. 사실상 모든 역사적 기간과 시장 체제에서 분산투자가 실현된 포트폴리오 위험을 줄인다는 실증 증거 또한 견고합니다. 합당한 이견이 존재하는 영역은 실행 방법입니다: 입력값을 어떻게 추정하고, 얼마나 많은 자산이 필요하며, 최적화가 단순한 접근법에 비해 가치를 더하는지 여부입니다.

주요 복제 연구 결과. DeMiguel, Garlappi, Uppal(2009)은 균등가중이 최적화와 경쟁력이 있음을 확립했으며, 이 발견은 Duchin과 Levy(2009), Pflug, Pichler, Wozabal(2012) 등에 의해 복제되었습니다. Longin과 Solnik(2001)은 위기 시 상관관계 불안정성을 기록했으며, 2008 GFC, 2020 코로나 충격, 2022 금리 충격을 다룬 후속 연구로 확인되었습니다. Ledoit와 Wolf(2004, 2017)는 공분산 행렬의 축소 추정이 포트폴리오 성과를 크게 개선함을 입증했으며, 이 발견은 여러 데이터셋과 기간에 걸쳐 복제되었습니다.

도전과 정제. 2022년 주식-채권 상관관계 체제 변화는 Page와 Panariello(2018)가 가능성을 경고한 바 있는 60/40 포트폴리오와 리스크 패리티 전략의 기반에 도전했습니다. Bhansali(2011)와 Harvey, Liechty, Liechty, Mueller(2010)의 연구는 상관관계 추정이 변동성 추정보다 본질적으로 더 어렵고, 자산군 관계의 비정상성을 포착하기 위해 체제 전환 모형이 필요할 수 있음을 보여주었습니다.

2025년 현재 증거 현황. 분산투자는 이론적 필연성과 압도적 실증 증거 양쪽에서 지지되는 포트폴리오 위험 감소를 위한 가장 신뢰할 수 있는 도구로 남아 있습니다. 연구의 최전선은 분산투자를 할 것인가에서 체제 의존적 상관관계의 세계에서 어떻게 견고하게 분산투자할 것인가로 이동했으며, 전통적 자산군 분산투자를 팩터 기반 분산투자 접근법으로 보완하거나 대체해야 하는지를 검토하고 있습니다.