블랙리터만과 모멘텀을 결합한 적극적 자산배분 전략 연구
요약
- 블랙-리터만 모델은 평균분산 모형의 코너해 문제를 해결하지만, 시장 전망에 투자자의 주관이 들어가 전문가의 지식과 경험에 의존한다는 약점이 있다.
- 이 연구는 최근 시계열 데이터로 계산한 계량적 모멘텀 점수를 시장 전망 대신 사용해, 사람의 판단 없이도 시장 변화에 대응할 수 있게 한다.
- 상대 모멘텀으로 성과가 우수한 자산을 선택하고 절대 모멘텀으로 하락 손실을 제한하면, 고정비중 배분이나 평균분산 모형보다 수익률과 위험 지표가 함께 개선된다.
무엇을 다룬 연구인가요?#
자산을 어떤 비율로 나눠 담을지 결정하는 방법에 관한 연구입니다. 마코위츠의 평균분산 이론을 개선한 블랙-리터만 모형에 모멘텀 전략을 결합한 새로운 적극적 자산배분 모델을 제안합니다.
브린슨 등의 연구에 따르면 장기적으로 포트폴리오 수익률을 결정하는 가장 큰 요인은 종목 선택이나 시장 타이밍이 아니라 자산배분 정책입니다. 무엇을 언제 사느냐보다 무엇에 얼마를 나눠 담느냐가 결과를 좌우한다는 뜻입니다.
왜 이 문제가 중요한가요?#
평균분산 모형은 이론적으로 우아하지만 실무에서 쓰기 어렵습니다. 모수 추정에 민감해서, 기대수익률을 조금만 다르게 잡아도 특정 자산에 극단적으로 몰리는 코너해가 나옵니다.
블랙-리터만 모형은 이 문제를 체계적으로 해결했습니다. 시장균형 포트폴리오에 내재된 기대수익률을 출발점으로 삼고 거기에 투자자의 시장 전망을 반영하는 방식이라, 결과가 훨씬 안정적입니다. 그래서 실무에서 널리 쓰입니다.
그런데 새로운 문제가 생깁니다. 시장 전망을 누가 어떻게 만드느냐입니다. 전망에는 투자자의 주관이 반영되므로 전문가의 지식과 경험에 크게 의존하게 됩니다. 사람이 개입하지 않는 자동화 솔루션에서는 이 부분이 그대로 빈칸이 됩니다.
어떻게 접근했나요?#
시장 전망을 사람이 아니라 데이터로 만들었습니다. 최근 시계열 데이터를 이용해 계량적인 모멘텀 점수를 산출하고, 이를 블랙-리터만 모형의 전망 자리에 넣습니다.
포트폴리오에 담을 자산을 고르는 기준으로는 두 가지 모멘텀을 함께 씁니다. 상대 모멘텀은 여러 자산군의 과거 수익률을 비교해 성과가 우수한 자산을 선택합니다. 절대 모멘텀은 상승 추세가 확인된 자산에만 자금을 배분해 하락 위험을 통제합니다.
실증 분석에는 ETF로 구성한 자산 유니버스를 사용했습니다. 주식·채권·대체투자 자산군에서 서로 상관관계가 낮은 대표 자산을 골라, 2008년 1월부터 2023년 9월까지의 일별 수정주가 데이터로 검증했습니다.
무엇을 발견했나요?#
먼저 시장 전망을 만드는 방식을 비교했습니다. 모멘텀으로 전망을 생성한 모형(BLV)은 평균분산 모형(MVO)보다 연환산 수익률이 1.82%p, 전망을 넣지 않은 블랙-리터만 모형(BL)보다 2.38%p 높았습니다.
| 지표 | BLV | BL | MVO |
|---|---|---|---|
| 총수익률 | 284.99% | 179.40% | 197.44% |
| 연환산 수익률 | 10.33% | 7.95% | 8.51% |
| 연환산 변동성 | 9.22% | 9.02% | 10.14% |
| 최대낙폭 | −24.52% | −25.07% | −24.81% |
| 샤프비율 | 1.12 | 0.88 | 0.84 |
| 소티노비율 | 2.12 | 1.59 | 1.62 |
| 승률 | 67.87% | 64.24% | 63.03% |
총수익률은 BLV가 284.99%로 가장 높았습니다. 다만 최대낙폭은 세 모형 모두 −24%에서 −25% 사이로 큰 차이가 없었습니다. 시장 전망을 개선하는 것만으로는 하락 방어가 되지 않는다는 뜻입니다.
이 약점을 자산 선택 단계에서 보완했습니다. 상대 모멘텀과 절대 모멘텀을 함께 적용하자 결과가 달라졌습니다.
| 지표 | BLV_RA 듀얼 모멘텀 | BLV_R 상대만 | BLV_A 절대만 | BLV_BM_14 동일비중 | SPY S&P500 |
|---|---|---|---|---|---|
| 총수익률 | 527.90% | 459.08% | 303.11% | 173.51% | 415.67% |
| 연환산 수익률 | 13.79% | 13.03% | 10.47% | 7.75% | 13.14% |
| 연환산 변동성 | 7.50% | 8.66% | 6.76% | 8.58% | 14.71% |
| 최대낙폭 | −9.31% | −19.66% | −9.60% | −21.58% | −23.93% |
| 샤프비율 | 1.84 | 1.5 | 1.55 | 0.9 | 0.89 |
| 소티노비율 | 4.33 | 3.03 | 3.3 | 1.59 | 1.59 |
두 모멘텀의 역할이 표에서 그대로 드러납니다. 상대 모멘텀만 쓴 BLV_R은 수익률이 크게 올랐지만 최대낙폭은 −19.66%로 여전히 컸습니다. 절대 모멘텀만 쓴 BLV_A는 최대낙폭을 −9.60%까지 줄였지만 수익률은 낮았습니다. 하나는 공격, 하나는 방어를 담당합니다.
둘을 결합한 BLV_RA는 양쪽을 모두 가져갔습니다. 자산군 내 모든 자산을 동일비중으로 담은 벤치마크보다 총수익률이 3배 이상 높으면서, 변동성은 8.58%에서 7.50%로 낮아지고 최대낙폭은 −21.58%에서 −9.31%로 줄었습니다. 샤프비율과 소티노비율은 2배 이상입니다.
가장 눈에 띄는 비교는 S&P500(SPY)입니다. BLV_RA는 연환산 수익률이 13.79%로 SPY의 13.14%보다 높으면서, 변동성은 7.50%로 SPY의 절반 수준이었고 최대낙폭도 −9.31%로 SPY의 −23.93%보다 훨씬 작았습니다. 채권 같은 안전자산을 포함하고도 주식 지수를 수익률에서 앞선 것입니다.
실무에 어떤 의미가 있나요?#
이 모델은 시장을 예측하지 않습니다. 시장 변화에 대응할 뿐입니다. 앞으로 무엇이 오를지 맞히려 하지 않고, 이미 오르고 있는 것과 그렇지 않은 것을 구분해 대응합니다.
모형이 단순하고 직관적이라 이해하기 쉽다는 점도 중요합니다. 왜 이런 비중이 나왔는지 설명할 수 있어야 투자자가 전략을 신뢰하고 유지할 수 있습니다.
무엇보다 사람의 판단이 필요한 부분을 데이터로 대체했기 때문에, 로보어드바이저처럼 사람 개입 없이 돌아가는 자동화 솔루션에 그대로 활용할 수 있습니다.
한계와 남은 과제#
세 가지 한계가 있습니다.
첫째, 리밸런싱 과정에서 발생하는 거래비용을 고려하지 않았습니다.
둘째, 실제 투자 환경에서 유동성 때문에 생기는 슬리피지(slippage)가 반영되지 않았습니다. 주문한 가격과 실제 체결 가격의 차이인데, 백테스트에서는 흔히 빠지는 부분입니다.
셋째, 실증 분석 기간이 20년이 되지 않습니다. 장기간의 시장 침체 구간이 포함되지 않아 다양한 시장 국면에 대한 검증이 부족합니다.
한 가지 더 짚어둘 것이 있습니다. 분석 결과 모멘텀의 관찰 기간에 따라 포트폴리오 수익률이 크게 달라졌습니다. 모멘텀 기반 전략에서 이 파라미터는 결과를 좌우하는 요소입니다. 이 연구는 선행 연구들이 검증한 값을 근거로 252일(1년)을 최종 선택했지만, 관찰 기간을 어떻게 정할 것인가는 그 자체로 남은 과제입니다.
향후에는 실제 투자에서 발생하는 다양한 거래비용을 반영하고 분석 기간을 늘려 모형의 안정성을 보완할 계획입니다.
핵심 용어#
| 용어 | 뜻 |
|---|---|
| 블랙-리터만 모델 | 시장균형 포트폴리오의 내재 기대수익률에 투자자 전망을 결합해 기대수익률을 추정하는 모형 |
| 균형기대수익률 | 투자자의 전망이 개입되지 않은 중립적 시장 상태에서 도출되는 기대수익률 |
| 상대 모멘텀 | 여러 자산의 과거 수익률을 비교해 성과가 우수한 자산을 고르는 전략 |
| 절대 모멘텀 | 상승 추세가 확인된 자산에만 투자해 하락 위험을 제한하는 전략 |
| 최대낙폭(MDD) | 고점 대비 최대 하락 폭. 투자자가 실제로 견뎌야 하는 손실의 크기 |
| 전략적 자산배분 | 자산군의 기대수익률·변동성·상관관계를 바탕으로 목표에 맞는 자산군별 최적 비중을 정하는 것 |
이 논문을 인용하려면#
이창훈, 배원성. (2024). 블랙리터만과 모멘텀을 결합한 적극적 자산배분 전략 연구. 금융공학연구, 23(1), 149–182. https://doi.org/10.35527/KFEDOI.2024.23.1.007원문 보기#
이 페이지는 논문의 요약이며 전문이 아닙니다.
금융공학연구 23권 1호 (2024년 3월), pp.149–182. 한국금융공학회.
Abstract (English)#
The Black-Litterman model resolves the corner-solution problem that makes Mean-Variance Optimization difficult to apply in practice. It anchors on equilibrium expected returns implied by the market portfolio and adjusts them with investor views, producing far more stable allocations.
That solution introduces a new dependency. Views are subjective, and forming them requires expert knowledge and experience — a requirement that cannot be met in an automated system with no human in the loop.
This paper replaces subjective views with quantitative momentum scores computed from recent time-series data. Asset selection combines two momentum signals: relative momentum identifies assets with superior performance across asset classes, while absolute momentum restricts allocation to assets in confirmed uptrends, limiting downside losses.
Tested on an ETF universe spanning equities, bonds, and alternatives with low mutual correlation, using daily adjusted price data from January 2008 through September 2023, the combined model outperformed fixed-weight allocation, Mean-Variance Optimization, and a Black-Litterman model without views — on return as well as on volatility and maximum drawdown.
The model does not forecast markets; it responds to them. Its simplicity and interpretability, together with the removal of human judgment from the view-formation step, make it directly applicable to robo-advisors and other automated allocation systems.
Lee, C., & Bae, W. (2024). An Active Asset Allocation Strategy Combining Black-Litterman and Momentum. Korean Journal of Financial Engineering, 23(1), 149–182.
최종 수정: