변동성 타겟팅: 위험 조절로 더 나은 수익을

동적 위험의 논거

대부분의 투자자는 투자 문제의 분자 -- 수익률 예측 -- 에 집착하면서, 훨씬 다루기 쉬운 분모인 위험 관리를 무시합니다. Moreira와 Muir(2017)는 이 비대칭을 Journal of Finance에서 형식적 결과로 전환하여, 예측 능력이 전혀 필요 없는 전략이 미국 주식 시장의 샤프 비율을 20~40% 개선할 수 있음을 보여주었습니다. 메커니즘은 놀랍도록 단순합니다: 최근 변동성에 반비례하여 익스포저를 조절하는 것입니다. 이 전략은 금융에서 가장 견고한 두 가지 경험적 규칙성을 활용합니다 -- 변동성이 군집한다는 것(오늘의 변동성이 내일의 변동성을 예측)과 고변동성 상태에서 조건부 샤프 비율이 낮다는 것. 이러한 사실은 수십 년간 개별적으로 알려져 있었지만, Moreira와 Muir가 그 결합이 위험 조정 관점에서 무비용 기회를 창출하는 방식을 최초로 형식화했습니다. Cederburg, O'Doherty, Wang, Yan(2020)의 표본 외 견고성에 대한 반론을 포함한 결과적 논쟁은 동적 위험 조절이 언제 그리고 왜 가치를 더하는지에 대한 이해를 날카롭게 만들었습니다.

핵심 요약

변동성 타겟팅은 투자자가 사용할 수 있는 가장 단순하면서도 효과적인 위험 관리 기법 중 하나입니다. 아이디어는 직관적입니다: 실현 변동성이 상승하면 포트폴리오 익스포저를 줄이고, 하락하면 늘립니다. Moreira와 Muir(2017)는 이 접근법이 수익률 예측 능력 없이도 미국 시장 포트폴리오의 샤프 비율을 약 20~40% 개선함을 증명했습니다. 이 전략이 효과적인 이유는 변동성이 매우 예측 가능하기 때문입니다 -- 오늘의 변동성은 내일의 변동성에 대한 강력한 예측 변수입니다 -- 반면 변동성과 미래 수익률 간의 관계는 놀랍도록 약합니다.

핵심 통찰: 변동성은 예측 가능하나, 수익률은 그렇지 않다

모든 투자자는 주식 수익률 예측이 극히 어렵다는 것을 알고 있습니다. 수십 년의 연구가 대부분의 수익률 예측 시그널이 약하고 노이즈가 많다는 것을 보여줬습니다. 그러나 투자자들은 보완적인 사실을 종종 간과합니다: 수익률은 예측하기 어렵지만, 수익률의 위험(변동성)은 비교적 쉽게 예측할 수 있습니다.

실현 변동성은 강한 지속성을 보입니다. 지난주 시장이 변동적이었다면, 이번 주도 변동적일 가능성이 매우 높습니다. 이 지속성은 일간 수익률의 분산이 클러스터링된다는 단순한 관찰로 포착됩니다 -- 큰 움직임은 큰 움직임을 따르고, 작은 움직임은 작은 움직임을 따릅니다.

변동성 타겟팅의 핵심 통찰은 위험의 예측 가능성과 위험-기대수익률 간의 약한 관계가 결합되어 무료 기회를 만든다는 것입니다. 고변동성 기간이 비례적으로 높은 수익률로 보상하지 않는다면, 그 기간에 일정한 익스포저를 유지하는 것은 추가 보상 없이 더 많은 위험을 감수하는 것입니다.

변동성 타겟팅 작동 방식

기본 공식

변동성 관리 포트폴리오는 목표 변동성 수준에 따라 위험 자산에 대한 익스포저를 조절합니다:

비중 = 목표 변동성 / 실현 변동성

예를 들어, 목표 변동성이 연환산 15%이고 최근 실현 변동성이 30%라면, 위험 자산 비중은 0.5(50% 배분)로 떨어집니다. 실현 변동성이 10%로 하락하면 비중은 1.5(150%, 레버리지 필요)로 증가합니다.

실현 변동성 측정

가장 일반적인 방법은 짧은 회고 기간의 실현 분산을 사용합니다. Moreira와 Muir는 이전 한 달의 일간 수익률로 실현 분산을 추정합니다. 다른 구현에서는 지수가중이동평균(EWMA)이나 GARCH 계열 모델을 사용합니다.

추정기의 선택은 예상보다 덜 중요합니다. 단순한 21일 실현 분산도 상당한 개선을 제공하는데, 핵심 통계적 특성인 변동성 클러스터링이 모든 합리적 추정기에 의해 포착되기 때문입니다.

자산군별 증거

Moreira와 Muir의 연구는 변동성 타겟팅이 종합 주식시장뿐만 아니라 광범위한 자산과 전략에서 위험 조정 수익률을 개선함을 보여줍니다.

개선은 일관적이지만 자산별로 균일하지는 않습니다. 변동성이 가장 가변적인 자산 -- 주식과 모멘텀 -- 에서 가장 크고, 국채처럼 변동성 프로파일이 안정적인 자산에서는 작습니다.

왜 효과가 있는가?

변동성 타겟팅의 성공은 두 가지 잘 확립된 경험적 사실에 의존합니다.

사실 1: 변동성은 클러스터링된다

금융 수익률의 변동성은 강한 자기상관을 보입니다. 21일 실현 분산 추정치는 주식시장에서 약 0.7~0.8의 1차 자기상관을 가집니다. 이는 오늘의 변동성을 알면 근미래 변동성에 대한 상당한 정보를 얻는다는 것을 의미합니다.

사실 2: 위험-수익률 트레이드오프는 약하다

고전적 금융 이론은 더 높은 변동성이 더 높은 기대수익률을 동반해야 한다고 제안합니다. 실증적으로 이 관계는 기껏해야 약하고 때로는 음(-)입니다.

Moreira와 Muir는 자산의 샤프 비율이 변동성에 반비례하여 시간에 따라 변한다면, 변동성 관리 포트폴리오가 정적 포트폴리오보다 높은 무조건 샤프 비율을 가질 것임을 공식적으로 보여줍니다. 매우 높은 변동성 기간 -- 위기 에피소드, 시장 패닉 -- 은 더 높은 것이 아니라 더 낮은 실현 샤프 비율을 보이는 경향이 있습니다.

이 비대칭이 변동성 타겟팅의 엔진입니다. 위험 단위당 보상이 가장 낮을 때 익스포저를 줄이고, 가장 높을 때 늘립니다.

실전 구현

단계별 프로세스

1. 실현 변동성 추정. 후행 21거래일의 일간 수익률의 연환산 표준편차를 계산합니다.

2. 포트폴리오 비중 계산. 목표 변동성을 실현 변동성 추정치로 나눕니다. 극단적 레버리지를 방지하기 위해 최대값(예: 1.5 또는 2.0)으로 상한을 설정합니다.

3. 배분. 계산된 비중을 위험 자산에 투자하고 나머지(1 - 비중)는 현금 또는 단기 채권에 배분합니다.

4. 리밸런싱. 일간 또는 주간으로 반복합니다. 빈번한 리밸런싱은 변동성 변화를 더 빠르게 포착하지만 거래 비용이 증가합니다.

구현 시 고려사항

레버리지 한도. 실현 변동성이 목표 이하로 크게 떨어지면 공식이 1.0 이상의 비중을 처방하여 레버리지가 필요합니다. 많은 투자자가 무레버리지 구현을 위해 최대 비중을 1.0으로 제한하는데, 이것으로도 대부분의 효과를 포착합니다.

거래 비용. 변동성 타겟팅은 정기적 리밸런싱이 필요합니다. 실무에서는 목표 비중 주위에 밴드를 사용하여 -- 편차가 임계치를 초과할 때만 리밸런싱 -- 회전율을 크게 줄이면서 대부분의 샤프 비율 개선을 유지합니다.

체제 전환. 변동성 타겟팅은 변동성 변화에 반응하지, 예상하지 않습니다. 갑작스러운 변동성 급등(시장 폭락 초기 등) 시 전략은 여전히 완전 노출 상태입니다. 실현 변동성이 상승한 후에야 익스포저를 줄이며, 보통 1~3주의 지연이 있습니다.

트렌드 팔로잉 및 리스크 패리티와의 관계

변동성 타겟팅은 수익률 예측이 아닌 포트폴리오 위험 관리라는 공통 철학을 공유하는 동적 위험 관리 기법 계열에 속합니다.

리스크 패리티는 자산군 간 동일 위험 기여를 달성하기 위해 변동성 추정치를 사용하여 비중을 설정합니다. 변동성 타겟팅은 리스크 패리티 배분 위에 적용하여 전체 포트폴리오 위험을 동적으로 관리할 수 있습니다.

트렌드 팔로잉은 자산 가격이 하락할 때 익스포저를 줄이고 상승할 때 늘립니다. 실무에서 트렌드 팔로잉은 하락하는 가격이 보통 상승하는 변동성과 동시에 발생하므로 일부 변동성 타겟팅을 암묵적으로 수행합니다.

세 가지 접근법은 상호 보완적입니다. 배분에 리스크 패리티를, 방향 시그널에 트렌드 팔로잉을, 위험 관리에 변동성 타겟팅을 사용하는 포트폴리오는 서로 다른 정보 원천을 활용합니다.

비판과 논쟁

변동성 타겟팅에 비판이 없는 것은 아닙니다.

거래 비용. 빈번한 리밸런싱이 수익을 잠식할 수 있습니다. 하지만 저비용 실행의 기관 구현에서는 비용 차감 후에도 개선이 입증되었습니다.

레버리지 요건. 완전 구현된 변동성 타겟팅 전략은 침착한 시기에 레버리지가 필요합니다. 모든 투자자가 레버리지를 사용할 수 있거나 사용해야 하는 것은 아닙니다.

변동성 체제 전환 시 성과. 2020년 3월과 같이 변동성이 갑자기 급등하면 전략의 반응이 느립니다. 초기 폭락 동안 여전히 완전 노출을 유지하고, 수일간의 고변동성 이후에야 익스포저를 줄입니다.

Cederburg 등(2020)과의 논쟁. Cederburg, O'Doherty, Wang, Yan은 Moreira와 Muir의 발견에 도전하여, 표본 외 개선이 표본 내 결과보다 작고 표본 기간에 민감하다고 주장했습니다. 논쟁은 진행 중이지만, 변동성 타겟팅이 최소한 완만한 위험 조정 수익률 개선을 제공한다는 것이 대체적 합의입니다.

팩터 포트폴리오를 위한 변동성 타겟팅

변동성 타겟팅의 가장 실용적인 응용 중 하나는 팩터 전략 익스포저 관리입니다. 팩터 수익률 -- 특히 모멘텀, 가치, 캐리 -- 은 종합 시장 변동성보다 더 뚜렷한 시변 변동성을 보입니다.

예를 들어, 모멘텀 크래시는 모멘텀 포트폴리오 변동성의 급격한 증가가 선행합니다. 변동성 타겟팅된 모멘텀 전략은 크래시를 예측하기 때문이 아니라, 크래시에 선행하는 상승하는 변동성에 반응하기 때문에 자연스럽게 최악의 상황 전에 익스포저를 줄일 것입니다.

멀티팩터 전략에서 결합하기 전에 개별 팩터 포트폴리오에 변동성 타겟팅을 적용하면 전체 포트폴리오의 위험 조정 성과를 상당히 개선할 수 있습니다.

시뮬레이션 성과

2005년 1월부터 2025년 12월까지 미국 주식 시장 익스포저에 변동성 타겟팅 오버레이를 적용한 가상의 $100,000 포트폴리오를 고려합니다. 전략은 21일 후행 실현분산을 사용하여 연간 15% 변동성을 목표로 합니다. 실현 변동성이 목표를 초과하면 익스포저를 비례적으로 줄이고, 하회하면 최대 가중치 1.5(50% 레버리지 상한)까지 증가시킵니다.

가정: 일간 리밸런싱, 거래당 5bp 구현 비용, S&P 500을 위험 자산으로, 3개월 T-bill 금리를 무위험금리로 사용.

시뮬레이션은 Moreira와 Muir(2017)가 문서화한 샤프 비율 개선을 보여줍니다. 전체 기간 샤프 비율 0.62는 정적 벤치마크의 추정 0.45-0.48 대비 약 30% 개선을 나타내며, 수익률 예측 없이 달성되었습니다. 2008년 낙폭은 -37.0%에서 -21.4%로 축소되었고, 침착한 트렌딩 시장(2013-2016, 2017-2019)에서는 변동성이 낮을 때 익스포저를 1.0 이상으로 증가시키는 레버리지 채널을 통해 초과 수익을 달성합니다.

이 시뮬레이션은 과거 데이터를 사용하며 실제 거래 결과를 나타내지 않습니다.

증거가 무너질 때

2020년 3월의 V자형 폭락은 모든 반응적 위험 관리 전략의 근본적 한계를 노출했습니다. 2020년 2월 19일부터 3월 23일까지 S&P 500은 불과 23거래일 만에 34% 하락하여 역사상 가장 빠른 약세장을 기록했습니다. 변동성 타겟팅이 후행 실현분산을 사용하므로, 전략은 침착한 2월의 변동성으로 추정하여 완전 또는 거의 완전 익스포저 상태로 3월에 진입했습니다. 21일 후행 윈도우가 변동성 추정치를 목표 이상으로 올릴 만큼의 위기 기간 수익을 반영할 때쯤, 포트폴리오는 이미 대부분의 낙폭을 흡수한 뒤였습니다.

반대 실패 모드는 2017년의 저변동성 환경에서 나타났습니다. VIX가 대부분의 기간 동안 평균 12 이하였고, 변동성 타겟팅 전략은 1.0을 크게 초과하는 레버리지를 처방했을 것입니다. 2018년 2월 5일 "볼마겟돈" 이벤트가 발생했을 때 -- VIX가 장중 17에서 37로 급등하고 S&P 500이 4% 이상 하락 -- 레버리지된 변동성 타겟팅 포트폴리오는 선행하는 저변동성 기간이 최대 레버리지를 유발했기 때문에 증폭된 손실을 경험했습니다.

Cederburg, O'Doherty, Wang, Yan(2020)은 Moreira와 Muir의 발견에 대한 가장 엄밀한 학술적 도전을 제기했습니다. 부트스트랩 시뮬레이션과 확장된 국제 데이터를 사용하여, 표본 외 샤프 비율 개선이 표본 내 추정보다 상당히 작다는 것을 보여주었습니다 -- 20-40%가 아닌 약 10-15%.

샤프 비율 논쟁

학술 문헌은 몇 가지 지점에서 수렴하면서 다른 지점에서는 활발하게 논쟁 중입니다. 핵심 메커니즘은 이의가 없습니다: 변동성은 높은 지속성을 보이며(월간 빈도에서 자기상관 0.7-0.8, Andersen, Bollerslev, Diebold, Labys 2003), 조건부 샤프 비율은 고변동성 기간에 낮아지는 경향이 있습니다(Moreira와 Muir 2017, Barroso와 Santa-Clara 2015). 이 두 사실이 결합되면 동적 위험 조절이 무조건적 위험 조정 성과를 개선해야 함을 시사합니다.

의견 불일치가 지속되는 곳은 크기와 견고성입니다. Moreira와 Muir(2017)는 20-40%의 샤프 비율 개선을 보고했고, Cederburg 등(2020)은 이 추정이 표본 내 최적화에 의해 상향 편의되었다고 주장했습니다. Barroso와 Santa-Clara(2015)는 모멘텀 전략에서 특히 강한 개선을 발견했으며, Daniel과 Moskowitz(2016)가 식별한 모멘텀 크래시를 효과적으로 완화했습니다.

학술 연구와 기관 구현 모두에서 도출된 실무적 합의는, 변동성 타겟팅이 분산 포트폴리오에서 10-20%의 샤프 비율 개선이라는 신뢰할 수 있지만 완만한 개선을 제공한다는 것입니다. 개선은 변동성이 매우 가변적인 전략(모멘텀, 개별 팩터)에서 더 크고 광범위한 시장 지수에서는 더 작습니다. 이 전략은 수익 강화 신호가 아닌 위험 관리 기법으로 이해되어야 하며, 단독보다는 트렌드 팔로잉 및 리스크 패리티와 같은 다른 동적 배분 접근법과 결합할 때 가장 가치가 있습니다.