변수의 조합을 통한 리스크 헷징

세상 모든 것은 모형화시킬 수 있지 않을까?

레이달리오의 원칙을 읽던 중 이런 문장이 나왔다.

"경제적 관점으로 볼 때 닭도 병아리와 사료로 구성된 단순 모형으로 만들 수 있다는 생각이 떠올랐다. 닭고기 생산업체가 가장 걱정하는 변동성 비용은 사료 가격이었다. 나는 옥수수와 대두선물을 혼합해 비용을 고정시킬 수 있는 방법을 보여주었고, 맥도날드에 고정된 가격으로 닭고기를 공급할 수 있도록 했다. 그렇게 맥너겟이 출시되었다." + "레인 프로세싱(레이달리오가 맡았던 회사)은 닭을 기르고 판매하는 일보다 곡물과 대두시장에 대한 투자로 훨씬 더 많은 돈을 벌었다."

레이달리오는 항상 문제를 다음과 같이 풀었다.

"복잡한 시스템을 모형으로 시각화하고, 그 안에 있는 인과관계를 찾아내고, 인과관계에 대응하는 원칙들을 입력하고, 컴퓨터가 나 대신 결정을 내리도록 하는 것이 표준적인 절차가 되었다."

위의 사례를 보면 가축은 곡물(주로 옥수수)와 대두 가루를 먹고, 옥수수와 콩은 재배 면적이 경쟁력이기 때문에 두 시장은 밀접하게 연결되어 있다. 즉 주요 곡물 지대에서 재배 면적과 생산량이 얼마나 되는지, 그 기간 동안의 강수량을 고려해 곡물의 산출량을 추정해 가축의 가격을 측정하는 셈이다. 이게 유일 변수는 아니겠지만 가장 큰 변수임은 맞다.

그러니까 닭 값도 곡물의 변동 가격을 고정시킬 수 있다면 고정된 가격으로 공급할 수 있다는 것인데, 이 곡물을 옥수수와 대두 선물을 조합해 일정 가격으로 고정할 수 있도록 했다는 것이 문제 해결의 방법이었던 것이다.

문제를 정의하고, 해당 문제에 대한 해결책이 구성된 요소들의 인과 관계를 고려해 리스크를 조합하는 식으로 해결한 것이 인상적이었다. 헷징이 결국 인과 관계에서 발생할 수 있는 리스크와 리턴을 평평하게 조합해 일정 값으로 맞추는 기술인 것 같다는 생각을 했다.

우리가 일을 하면서 겪는 여러 복잡한 상황들도 이런 경우들이 많다. 그러니까 외부 변수가 너무 커서 일을 진행하지 못하는 상황들이 그렇다. 이것들을 모형화시켜보면 문제가 해결될 수 있을 것 같다는 생각을 했다.

예를 들면, 사람들이 여행을 가지 않는 변수가 일어났을 때 우리는 이걸 어떻게 대응하지? 땅을 치고 후회할 수는 없는 일이니까 이런 헷징 전략들을 사고하고 있어야 하지 않을까?

헷징이라는게 선물 투자에서는 엄청 일반화된 개념인 것 같지만 처음 접했던 입장에서는 신기했다. 세상의 것들을 단순화시켜서 시스템화 시키고, 각 인과관계에 대한 것들을 원칙으로 대응해 결정을 내려서 문제를 해결하는 것.

여기서 가장 중요한 힘은 어떤 현상의 인과관계를 추적해서 시스템화시키는 과정이다.

여러 현상들을 단순한 결과로만 보지말고 어떠한 인과가 있는지를 추적하는 사람이 되어야지.