주식시장의 새로운 패러다임!

집중된 시장 대응과 새로운 기술의 활용

Executive Summary

주식 시장 집중과 기술 혁신은 오늘날 액티브 주식 투자자들에게 가장 뜨거운 두 가지 주제입니다. 본 논문은 이 두 가지 주제를 모두 탐구합니다. 첫째, 집중된 시장에 투자하는 데 따르는 어려움을 다루고 이러한 환경이 액티브 매니지먼트의 다양한 접근 방식에 미치는 영향을 논의합니다. 둘째, 대규모 언어 모델(large language model) 및 머신러닝과 같은 새로운 기술과 대체 데이터 소스의 역할을 탐구합니다. 우리는 체계적인 접근 방식(systematic approach)이 이러한 변화를 활용하는 데 독보적인 위치에 있다고 주장합니다.

Introduction

주식 시장 집중도에 대한 우려는 크게 두 가지 범주로 나눌 수 있습니다. 하나는 미국 초대형주(mega-cap stock)가 주도하는 시가총액 가중 지수(market cap-weighted index)에서 나타나는 명백한 위험 집중(이를 베타(beta) 과제라고 부를 수 있습니다)이고, 다른 하나는 액티브 매니지먼트의 효용성이 눈에 띄게 감소하는 것(알파(alpha) 과제)입니다. 우리는 처음 두 섹션에서 이러한 과제를 다루며, 집중된 시장이 반드시 더 위험한 시장과 동일한 것은 아니며, 시장 집중은 액티브 매니저에게 과제를 제기하지만 이는 재량적 주식 선택가(discretionary stock picker)보다 체계적 매니저(systematic manager)에게 더 크다는 것을 주장합니다. 우리는 체계적인 투자 접근 방식이 시장 집중에 더 탄력적으로 대응할 수 있도록 하는 요소를 탐구합니다.

액티브 매니지먼트 환경의 두 번째 중요한 변화는 "machine의 부상"입니다. 우리에게 이 문구는 2003년 컬트 클래식 영화에서보다 훨씬 덜 불길합니다. artificial intelligence, machine learning 또는 딥 러닝(deep learning)이라고 불리든, 머신 러닝 책임자인 브라이언 켈리(Bryan Kelly)가 말하듯이 "그것은 단지 통계일 뿐입니다!" 본 논문에서는 머신 러닝 도구가 정교한 퀀트 매니저(quant manager)가 주식 선택 모델을 개선하는 데 어떻게 도움이 되었는지 논의합니다. 이 논의는 일부 퀀트 매니저가 "스마트 베타(smart beta)" 투자 접근 방식을 훨씬 뛰어넘어 혁신적인 학습 영역으로 어떻게 발전했는지 강조할 것입니다.

더 높은 Market Concentration이 더 높은 위험을 의미하는가?

Market concentration은 다양한 방식으로 측정될 수 있지만, 가장 주목받는 지표는 시가총액 기준 지수에서 상위 10개 종목이 차지하는 비중입니다. Exhibit 1은 세 개의 주요 지역 지수에 대한 이러한 측정치를 보여줍니다. S&P 500 지수에서 상위 10개 종목의 비중이 10년 전 약 18%에서 현재 35% 이상으로 증가한 것은 분명 주목할 만한 변화입니다.

국가 및 섹터 집중도를 살펴보면 추가적인 우려가 제기됩니다. MSCI World Index에서 미국 주식의 비중은 10년 전 56%에서 2024년 말 기준 70% 이상으로 증가했으며, S&P 500 Index에서 IT 섹터의 비중은 19%에서 30%로 상승했습니다.

현재의 concentration 수준이 전례 없는 것은 아니지만, 오랜 시간 동안 이런 수준을 보지 못했다는 점을 주목할 필요가 있습니다. 1960년대 초 미국 시장에서 상위 10개 종목의 비중은 40%에 근접했었습니다.

투자자들이 상승하는 concentration에 대해 경계심을 갖는 것은 당연합니다. 많은 이들이 이를 높은 시장 위험과 연관 짓기 때문입니다. 하지만 concentration이 시장 위험의 동인인지 평가하고자 한다면, 우리는 이를 직접적으로 측정할 수 있고, 또 그래야 합니다.

Exhibit 2는 시가총액 가중 미국 주식 지수의 변동성을 동일 가중 지수와 비교하여 보여줍니다. 만약 더 높은 concentration이 증가된 주식 시장 위험으로 이어졌다면, 2015년부터 2024년까지 상대적 위험이 증가하는 것을 볼 수 있었을 것입니다. 하지만 이는 나타나지 않았습니다. 1990년대 후반 tech bubble 당시에는 concentration과 함께 시장 변동성이 증가했지만, 2020년대에는 아직 이러한 현상이 나타나지 않고 있습니다.

대형 기업들이 자체적으로 매우 다각화되어 있다면, 이들의 비중이 증가한다고 해서 반드시 더 집중된 위험을 의미하지는 않습니다. 따라서 시장이 최근 역사에 비해 더 집중된 것처럼 보이지만, 이것이 증가된 위험으로 이어지지는 않은 것으로 보입니다. 적어도 아직까지는 말이죠.

하지만 최대 기업들이 규제 감시나 시장 심리와 같은 공통된 risk factor에 노출될 가능성은 여전히 존재하며, 이는 시장 위험을 높일 수 있습니다. 투자자들은 이를 계속 모니터링해야 합니다.

다음 섹션에서는 alpha challenge와 market concentration이 active management에 미칠 수 있는 잠재적 영향에 대해 다루도록 하겠습니다.

"집중된 시장에서 Alpha 찾기"

지난 10년은 active equity manager들에게 전반적으로 힘든 시기였습니다. 특히 더욱 집중도가 높은 미국 대형주 시장에서 두드러졌습니다. Exhibit 3에서 보여주듯이, 수수료를 제외하면 상위 25% manager들만이 benchmark를 초과 달성했습니다.

미국 대형주 시장이 active manager들에게 더 어려웠던 데에는 여러 이유가 있을 수 있습니다. 더 큰 경쟁과 시장 효율성으로 인해 small cap이나 emerging market에 비해 기회가 더 적었을 수 있으며, 가장 성과가 좋은 benchmark를 이기는 것이 종종 가장 어렵기 때문입니다.

Market concentration 역시 중요한 역할을 했을 것입니다. long-only manager는 index 내 해당 종목의 비중만큼만 underweight할 수 있습니다. 대부분의 종목들이 index에서 매우 작은 비중을 차지하기 때문에, 증가된 concentration은 (shorting 없이는) 부정적인 견해를 표현하기 더 어렵게 만듭니다.

또한, 주식 시장이 소수의 대형 conglomerate들에 의해 지배될 때, 이는 경쟁 감소와 종목 선택의 기회가 줄어드는 것을 의미합니다. 예를 들어, Amazon 내의 한 sub-business에 대해 긍정적인 견해를, 다른 사업에 대해 부정적인 견해를 가지고 있더라도, 이들이 conglomerate의 일부인 한 이러한 견해를 개별 사업에 대해 표현할 수 없습니다.

셋째로, 대형 기업들이 강력한 성과를 주도하는 시기에는, 더 균등한 가중치를 가진 active manager는 뒤처질 가능성이 높습니다.

이러한 market concentration의 도전 과제들이 모든 active manager들에게 동일하게 영향을 미칠까요? 두 가지 큰 카테고리를 고려해보겠습니다:

1. 개별 기업이 아닌 특성에 대한 exposure를 추구하도록 설계된 분산된 포트폴리오를 가진 systematic manager들

2. 높은 신념을 가진 종목들로 구성된 더 집중된 포트폴리오를 가진 discretionary stock picker들

Exhibit 4는 systematic manager와 discretionary U.S. large cap manager들의 최근 성과 분포를 보여줍니다. discretionary manager들의 수익률 분산이 평균적으로 약간 더 넓은 경향이 있지만, 최근 몇 년간 이는 특히 극단적이었습니다. 이 기간 동안 평균적인 discretionary U.S. large cap manager는 benchmark를 하회했지만, 평균적인 systematic manager는 소폭 상회했습니다.

무엇이 이러한 수익률 분산을 주도하고 있을까요? 우리는 최근 미국 mega-cap 주식들의 우세가 systematic manager들보다 discretionary manager들의 성과 분산을 더 크게 증가시켰을 것이라고 추정합니다. 이에 대해 더 자세히 살펴보겠습니다.

[용어를 설명하자면:

- Systematic manager: 계량적이고 체계적인 투자 전략을 사용하는 운용사

- Discretionary manager: 재량권을 가지고 주관적 판단에 따라 투자하는 운용사

- Return dispersion: 수익률의 퍼짐 정도]

Exhibit 5는 2023년(상단 패널)과 2024년(하단 패널) 미국 주식 시장 성과의 전말을 보여줍니다.

2023년에는 IT 섹터가 지수 상승의 절반 이상을 책임졌습니다. 개별 종목 관점에서 보면, 이른바 'Magnificent Seven(매그니피센트 세븐)'이 더 큰 비중을 차지했습니다.

2024년에도 비슷한 패턴의 소수 주도 성과가 나타났는데, Nvidia 단일 기업이 시장 수익률의 거의 절반을 차지했습니다.

이 시기의 투자 성공은 'haves(가진 자)'와 'have-nots(가지지 못한 자)'의 이야기였습니다. 여기서 'haves'는 Mag-7(매그니피센트 세븐)을 충분히 보유한 투자자들을 의미합니다.

우리의 가설을 뒷받침하는 이론은 discretionary manager와 systematic manager가 위험을 취하는 방식의 차이에 기반합니다.

Discretionary manager들은 일반적인 systematic manager들보다 훨씬 적은 수의 종목으로 구성된 집중된 포트폴리오를 보유합니다. 일부는 Mag-7 기업들 중 일부에 전혀 exposure가 없었을 수 있고, 다른 일부는 이들에 대한 큰 포지션을 가졌을 것입니다. 이러한 집중된 접근 방식은 소수의 종목이 시장 성과를 주도할 때 이분법적인 have/have-not 결과에 노출되게 합니다.

Systematic manager들은 이러한 위험에 같은 방식으로 노출되지 않습니다. 그 이유는:

- 일반적으로 active risk를 많은 소규모 베팅으로 분산시키기 때문입니다

- 종종 섹터와 산업 위험을 명시적으로 통제하기 때문입니다

전형적인 systematic manager는 모든 Mag-7 주식을 보유하되, 일부는 약간 overweight하고 일부는 약간 underweight할 것입니다. 마찬가지로 특정 섹터나 산업에 대해서도 약간의 over- 또는 underweight만 가질 것입니다.

Exhibit 6의 Panel A는 systematic manager와 discretionary manager들의 Mag-7 factor에 대한 active exposure 분포를 보여줍니다.

Discretionary manager들은 Mag-7에 대한 active exposure가 넓게 분포되어 있어, Mag-7의 성과가 이들의 active return의 중요한 동인이 될 것임을 의미합니다. 반면 systematic manager들의 경우 이 분포가 더 좁게 나타납니다.

Panel B는 동일한 회귀분석에 대한 연간 중간 alpha를 보여주는데, 이는 Mag-7 exposure로 설명되지 않는 평균 active return과 동일합니다. 분석 결과:

- Discretionary manager들은 Mag-7을 통제한 후 평균적으로 negative alpha를 기록했습니다. 이는 Mag-7 이외의 active view가 성과를 저해했음을 시사합니다.

- 반면 systematic manager들은 positive alpha를 보였습니다.

다음 섹션에서는 왜 quantitative approach가 이렇게 다른 결과를 보이는지 더 자세히 설명하도록 하겠습니다.

"Quant가 다른 이유"

quantitative active management를 뒷받침하는 두 가지 근본적인 원칙이 있습니다:

1. 의도한 베팅에 걸쳐 분산화하기

2. 원치 않는 exposure 제거하기

Quant들은 산업, 섹터, 국가, 시가총액 세그먼트에 걸쳐 많은 수의 증권을 보유하면서, 개별 종목에 대해서는 적절한 수준의 active bet만을 취합니다. 이는 종목 특정 위험이 아닌, 더 높은 수익률과 연관된 특성들에 대한 exposure를 제공하기 위함입니다. 이러한 접근 방식은 위험 조정 수익률과 시간에 따른 일관성을 개선할 수 있는 잠재력을 가지고 있습니다.

분산투자가 당연해 보일 수 있지만, 이는 중요한 의미를 갖습니다. 잘 분산된 포트폴리오에서는, 초과성과(또는 저조한 성과)가 일반적으로 소수 종목의 큰 이익(또는 손실)이 아닌, 많은 종목에 걸친 작은 이익(또는 손실)에서 비롯됩니다.

Exhibit 7은 주어진 1년 기간 동안 quantitative process의 일반적인 수익률 분포를 보여줍니다. 개별 승자와 패자의 평균 기여도는 일반적으로 절대적인 측면에서 작습니다. 극단값이 아닌 분포의 주요 부분이 초과 수익을 주도합니다.

충분한 분산투자가 이루어진다면, 개별 증권에 대한 성공률이 50%를 약간 상회하는 수준에서도 매력적인 성과를 달성할 수 있습니다. 다시 말해, quant manager는 "모든 계란을 한 바구니에 담는" 집중 전략에 의존하기보다 많은 고유한 베팅에 걸쳐 작은 이점을 분산시키는 것으로 확신을 얻습니다.

두 번째 중요한 원칙은 원치 않는 exposure를 제거하는 것입니다. 이는 의도하지 않은 산업 베팅을 피하고, 주로 산업 내에서의 상대적 포지션을 취하는 것을 의미합니다.

이러한 접근 방식은 여러 이점을 제공합니다:

첫째, 동일 산업 내의 주식들은 다양한 지표에서 더 명확하게 비교가 가능하여, 상대적 관점에서 더 높은 확신을 가질 수 있습니다.

또한, market concentration이 높은 시기에, industry-neutral 접근 방식을 가진 manager들은 Information Technology와 같은 특정 산업이나 시장 세그먼트에 대한 net overweight 또는 underweight 여부에 덜 영향을 받는 초과 수익률 프로필을 제공할 수 있습니다.

industry neutrality를 유지함으로써, manager들은:

- 시간이 지남에 따라 더 일관된 수익률을 제공할 수 있습니다

- 시장 변동을 더 잘 견딜 수 있습니다

정교한 quant manager들은 여기서 중요한 한 걸음을 더 나아갈 수 있습니다. 단순히 익숙한 섹터와 산업 분류만을 고려하는 것이 아니라, 경제적 연관성이 있는 기업들과 같은 다른 관련 기업 그룹도 정의합니다. 이러한 개선은 표준 산업 분류로는 잘 표현되지 않는 기업 간의 관계를 포착합니다. 예를 들어, 동일한 고객이나 공급업체를 공유하는 기업들 간의 관계를 파악할 수 있습니다.

또한, 주식을 비교하는 또 다른 차원을 추가함으로써 stock selection 전략에 추가적인 breadth를 제공합니다. fundamental law of active management에 따르면, information ratio는 breadth의 제곱근에 비례한다는 것을 우리는 알고 있습니다.

분산투자와 industry-neutrality가 오랫동안 quantitative active equity management의 핵심 요소였지만, 최근 몇 년간 quant manager들의 접근 방식은 크게 진화했습니다. 다음 섹션에서는 점점 더 경쟁이 치열해지는 시장에서 앞서 나가기 위해 새로운 기술을 활용하는 것의 중요성을 강조하도록 하겠습니다.

Quant Active Management의 진화: Smart Beta를 넘어서

Quantitative active management는 주식 수익률을 설명하는 가치나 모멘텀과 같은 특성을 식별하는데 중점을 둔 factor investing에 뿌리를 두고 있습니다. 원래의 투자 철학 중 일부가 오늘날에도 여전히 적용되고 있는데, 특히 경제적 근거가 있고 수익률 지속성에 대한 명확한 근거를 가진 시그널을 발견하고자 하는 욕구가 그러하나, quant investing은 크게 진화했습니다. 이는 전통적인 factor 기반 또는 smart beta 유형의 접근 방식을 훨씬 넘어서, 기술과 데이터 사이언스의 발전을 활용하고 있습니다.

최근 몇 년간, 일부 quant manager들은 대체 데이터 소스, 머신 러닝, 자연어 처리가 주도하는 것들을 포함한 더 정교한 모델들을 받아들였습니다. 이러한 발전은 향상된 컴퓨팅 능력과 결합되어 시장 비효율성과 투자자 행동에 대한 더 깊은 통찰을 가능하게 하며, 전략이 변화하는 시장 상황에 역동적으로 적응할 수 있게 합니다. quantitative investing의 이러한 르네상스는 점점 더 복잡해지는 시장에서 지속적인 초과 성과를 달성하려는 의도로, 탄탄한 이론적 기반과 최첨단 기술 응용을 결합한 더 미묘한 multi-factor 접근 방식으로의 전환을 반영합니다.

Alpha Signal Innovation

이러한 발전으로부터 혜택을 받은 주요 영역 중 하나는 alpha 시그널 혁신입니다. 주요 예시는 Momentum investing인데, 이는 투자자들이 새로운 정보에 과소반응하는 경향을 활용하는 것을 목표로 합니다. 전통적으로 Momentum은 또래 대비 최근 성과가 강한 주식들을 선호하고 상대적 성과가 저조한 주식들에 대해서는 반대 포지션을 취하는 방식으로 구현되어 왔습니다.

지난 10년 동안, Momentum을 활용하는 방법은 상당히 진화했습니다. 이러한 방법들은 가격 기반 모멘텀 지표에서 펀더멘털 지표(수익 모멘텀과 애널리스트 예측 변화와 같은), 경제적으로 연결된 기업들 간의 파급 효과를 포착하는 간접 모멘텀 지표, 비정형 데이터의 패턴을 분석하는 자연어 처리(NLP), 그리고 factor momentum 등으로 확장되었습니다.

Momentum의 정의가 다양해지면서, 모멘텀 관련 시그널들 간의 이질성이 증가했습니다(Exhibit 8). Momentum 관련 시그널들의 평균 쌍별 상관관계가 너무 많이 떨어져서 이들을 모두 동일한 "Momentum" 라벨로 묶는 것이 더 이상 의미가 없을 수도 있습니다. 우리는 시그널 가중치 부여 접근법의 진화를 논의할 때 이 문제에 대해 더 자세히 설명할 것입니다.

기술의 발전은 이를 활용할 의지와 능력이 있는 quant manager들에게 새로운 문을 열어주었고, 이전에는 "숫자로 나타낼 수 없다"고 여겨졌던 유형의 정보들로 꾸준히 확장되고 있습니다. 대표적인 예시는 텍스트 해석인데, NLP 분야는 대규모 언어 모델의 발전과 함께 상당한 진전을 이루었습니다. 이러한 모델들은 방대한 양의 텍스트 데이터에서 가치 있는 통찰을 추출할 수 있게 해주었고, 시장 역학에 대한 더 미묘한 이해를 제공하며 alpha 시그널 혁신 분야를 더욱 발전시켰습니다.

NLP의 혁신은 일반적으로 세 가지 주요 차원을 따라 발전해 왔습니다: 데이터, 방법론(텍스트 표현, 추론 유형, 또는 감독 라벨과 같은), 그리고 인프라(효율적인 데이터 저장과 GPU 클라우드 컴퓨팅을 포함한).

또 다른 예시는 "alternative data"입니다. quant manager들은 점점 더 거래 데이터와 같은 대체 데이터 소스에 주목하고 있는데, 이는 현재 업계 전반에 걸쳐 alpha 시그널을 구성하고 전통적인 데이터가 제공하는 것을 넘어선 실행 가능한 통찰을 얻기 위해 널리 사용되고 있습니다.

데이터가 진화함에 따라, 이를 분석하는 도구와 방법도 함께 진화했습니다. 머신 러닝 기술은 점점 더 quantitative active management에 통합되어, 이전에 알려지지 않은 복잡한 관계를 발견하기 위해 전통적인 데이터와 대체 데이터를 모두 분석하는 혁신적인 접근 방식을 제공하고 있습니다. 이러한 혁신을 받아들인 quant들의 경우, stock selection 모델은 불과 몇 년 전과 비교해 크게 진화했습니다.

하지만 금융 시장은 낮은 신호 대 잡음 비율, 지속적으로 진화하는 특성, 제한된 데이터 가용성으로 인해 머신 러닝에 독특한 과제를 제시합니다. 이미지 인식과 같이 예측 가능성이 높은 분야와 달리, 금융 시장은 신호 대 잡음 비율이 낮고 역동적이어서 머신 러닝 모델이 시간이 지나도 정확성을 유지하기 어렵습니다. 새로운 시그널이 발견되고 활용됨에 따라, 이는 빠르게 시장 가격에 흡수되어 그 효과가 감소합니다. 또한, 금융 연구는 종종 작은 데이터셋을 다룹니다.

이러한 과제들은 새로운 정보와 변화하는 시장 상황에 적응할 수 있는 머신 러닝 도구를 필요로 하며, 이는 금융 산업에서 특화된 접근 방식의 필요성을 강조합니다. 머신 러닝은 분리되거나 "덧붙여진" 것이 아닌, 일반적인 R&D 프로세스의 일부로 통합되어야 합니다. 이는 quantitative 방법이 경제적 사전 지식에 중점을 두는 것을 보장하는 데 도움이 될 수 있습니다.

위에서 설명한 금융 데이터의 독특한 과제를 고려할 때, 다른 비금융 머신 러닝 분야에서 사용되는 heavily parameterized 모델 대신 이 도메인에 맞춤화된 방법을 개발하는 것이 중요합니다. 정교한 manager들은 한동안 그들의 프로세스에 머신 러닝 개념을 통합해 왔으며, 우리는 이러한 역량이 계속 발전함에 따라 그 중요성이 커질 것이라고 믿습니다.

Signal Weighting Innovation(시그널 가중치 혁신)

또 다른 중요한 개선 영역은 시그널 가중치입니다. 전통적으로 시그널들은 테마나 factor 그룹 내에서 그룹화되었습니다. 하지만 이러한 그룹 내의 증가된 이질성과 늘어나는 시그널의 수는 자연스럽게 이러한 접근 방식에 대한 근거를 약화시켰습니다. 한 가지 효과적인 해결책은 bottom-up 시그널 가중치 접근 방식을 채택하는 것이었는데, 이는 시그널을 어떻게 그룹화하고 그 그룹들의 가중치를 어떻게 설정할지와 같은 top-down 접근 방식에서 요구되는 임의적인 결정을 피할 수 있습니다.

다양한 시그널들에 걸쳐 위험을 어떻게 배분할지 결정하는 두 가지 다른 접근 방식이나 철학을 고려해봅시다:

- "fundamentalist" 접근 방식은 판단과 경제적 직관에 기반한 anchor 가중치를 사용합니다

- "statistician" 접근 방식은 시그널의 효과를 추정하고 가중치를 결정하기 위해 오직 데이터에만 의존합니다

이러한 접근 방식들은 Bayesian learning 모델과 같은 방법을 사용하여 조화되어야 합니다. Bayesian learning은 더 많은 out-of-sample 데이터가 수집됨에 따라 예측을 지속적으로 개선하는 통계적 추론 방법으로, 시간이 지남에 따라 모델을 더 정확하게 만듭니다.

예를 들어, 우리가 동전을 가지고 있고 이것이 공정한지(즉, 앞면이 나올 확률이 50%인지) 판단하고자 한다고 상상해봅시다. 처음에는 데이터 없이 공정하다고 가정할 수 있습니다(fundamentalist 접근 방식). 동전을 던지고 결과를 관찰하면서, 우리는 결과를 바탕으로 우리의 믿음을 업데이트합니다. 동전을 10번 던져서 7번의 앞면이 나온다면, 우리는 동전이 앞면으로 편향되어 있다고 생각하기 시작할 것입니다. Bayesian learning은 이러한 업데이트된 믿음을 정량화할 수 있게 해주며, 동전을 계속 던짐에 따라 우리는 초기 가정에 덜 의존하고 관찰된 데이터에 더 의존하게 되어, 점차 statistician 접근 방식에 더 가까워집니다.

Exhibit 9 Panel A는 다양한 시그널에 걸쳐 최적의 가중치를 결정하기 위해 경제적 사전 지식과 데이터 기반 방법 사이의 중간 지점을 찾는 그러한 프레임워크 중 하나를 보여줍니다. Panel B는 새로운 시그널들이 주기적으로 모델에 도입됨에 따라 어떻게 가중치가 일련의 시그널들에 걸쳐 분배될 수 있는지에 대한 단순화된 예시를 보여줍니다.

이 예시에서는 시뮬레이션된 데이터를 기반으로, 새로운 시그널들이 더 풍부하게 보상된다고 가정됩니다: 각 시그널은 낮은 가중치로 도입되지만 더 강한 성과를 검증할 충분한 데이터가 있으면 더 높은 가중치를 얻을 수 있습니다. 모델은 사용 가능한 시그널들에 걸쳐 잘 분산된 상태를 유지합니다.

이 예시는 단 5개의 시그널만을 포함하고 있지만, 유사한 프로세스를 수백 개의 예측 변수에도 적용할 수 있습니다. 이러한 적응형 접근 방식은 manager가 시간이 지나도 그들의 모델을 관련성 있게 유지할 수 있게 해주며, 그들의 투자 전략의 전반적인 견고성과 적응성을 향상시킬 수 있습니다.

"전술적 고려사항"

우리는 전략적 분산투자를 넘어선 가치를 더하기 위해 전술적 견해를 통합하는 것의 어려움을 자주 강조해왔습니다. 전술적 타이밍은 본질적으로 보이는 것보다 더 어렵고, 전술적 틸트는 강력한 분산투자의 이점 일부를 포기하는 경향이 있습니다.

전략적 시그널 가중치에 대한 방법이 진화함에 따라, 정교한 머신 러닝 모델을 사용하는 것과 같은 전술적 가중치에 대한 방법도 진화했습니다. 이러한 전술적 오버레이는 quant manager들이 환경에 기반하여 시그널 가중치를 역동적으로 조정할 수 있게 해줍니다. 전술적 오버레이를 통합함으로써, manager들은 단기 시장 움직임에 대응하고 새롭게 등장하는 기회를 활용하기 위해 그들의 전략을 미세 조정할 수 있습니다. 이러한 유연성은 오늘날의 빠른 속도와 끊임없이 변화하는 시장에서 매우 중요하며, 더 정교한 quant manager들이 경쟁 우위를 유지할 수 있게 해줍니다.

우리의 최근 Alternative Thinking 보고서인 "Can Machines Time Markets? The Virtue of Complexity in Return Prediction"(2024년 5월)과 "Can Machines Build Better Stock Portfolios?"(2024년 11월)는 머신 러닝이 시장 익스포저의 타이밍과 주식 포트폴리오의 equity factor 가중치 선택을 위한 전술적 견해를 통합하는 데 어떻게 사용될 수 있는지 보여주는 프레임워크를 제공합니다.

"결론적으로..."

주식 시장의 집중도와 기술 혁신은 active equity 투자자들의 가장 큰 관심사입니다. 미국 mega-cap 기술 기업들의 집중도는 역사적 기준으로 볼 때 높은 수준이지만, 우리는 이것이 반드시 더 높은 시장 위험을 의미하지는 않는다고 주장합니다.

지난 10년은 active management에게 어려운 시기였는데, 이는 부분적으로 집중도 상승이 제기한 과제들 때문일 수 있습니다. systematic 투자 접근 방식은 집중도 우려로부터 피난처를 제공할 수 있습니다. 이는 이러한 분산된, industry-neutral 투자 접근 방식이 소수의 대형 기업들의 상대적 성과 결과에 덜 노출되는 경향이 있기 때문입니다.

기술적 발전은 투자 운용 산업에 새로운 도구들을 도입했으며, quantitative 투자 운용사들은 이러한 혁신을 활용하기에 특별히 유리한 위치에 있었습니다. 이러한 빠른 진화는 불과 5년 전과 비교해도 방법론, 기술, 데이터 면에서 상당한 개선을 이끌었습니다. 데이터 소스, 머신 러닝, 자연어 처리, 인프라 전반에 걸친 혁신은 더 정교한 분석과 더 깊은 통찰을 가능하게 했습니다. 이러한 발전은 더 효과적인 투자 전략으로 이어질 수 있으며, 이는 시간이 지남에 따라 견고한 수익을 창출할 것으로 기대됩니다.

<출처:mebfaber.com>