연금 로보어드바이저 프레임워크: 고객 프로파일링과 동적자산배분 전략의 통합적 접근
요약
- 로보어드바이저가 연금을 제대로 다루지 못하는 이유는 두 가지다. 고객 진단이 복잡한 설문에 의존하고, 자산배분이 시장 변화에 반응하지 않는다.
- 이 논문은 목표 달성 확률을 두 문제를 잇는 다리로 사용한다. 목표 달성 확률이 낮으면 더 높은 위험을, 높으면 더 낮은 위험을 배정하는 방식으로 진단 결과가 곧 자산배분의 입력이 된다.
- 연금은 은퇴 시점이 정해져 있기 때문에, 나이와 소득만으로도 투자 기간과 목표 금액을 추정할 수 있다. 긴 설문이 필요 없다.
무엇을 다룬 연구인가요?#
연금 자산을 관리하는 로보어드바이저를 어떻게 설계해야 하는지를 다룬 학위논문입니다. 두 편의 논문으로 구성되어 있고, 각각은 이미 학술지에 게재된 연구를 재구성한 것입니다.
제1논문은 진단을 다룹니다. 개인의 나이, 은퇴 시점, 소득 수준과 국민연금·퇴직연금·개인연금 정보를 종합해 소득대체율을 산출하고, 연금 목표를 달성할 수 있는지 판단합니다.
제2논문은 운용을 다룹니다. 블랙-리터만 모델에 듀얼 모멘텀 전략을 결합한 동적 자산배분 알고리즘을 제안합니다.
학위논문이 별도로 기여하는 지점은 이 둘을 하나의 체계로 묶은 데 있습니다. 개별 방법론은 각각 독립적으로도 작동하지만, 로보어드바이저라는 하나의 제품 안에서는 서로를 필요로 합니다.
왜 두 알고리즘을 결합해야 하나요?#
로보어드바이저가 연금 자산을 제대로 다루지 못하는 이유는 두 곳에 있습니다. 그리고 이 두 결함은 서로 다른 성격이라 하나만 고쳐서는 소용이 없습니다.
첫 번째는 입구입니다. 대부분의 로보어드바이저는 고객의 위험 성향을 파악하려고 길고 번거로운 설문을 요구합니다. 사용자 경험을 해칠 뿐 아니라, 설문 응답이 실제 감내 능력을 얼마나 반영하는지도 의심스럽습니다. 손실을 견딜 수 있느냐는 질문에 대한 답은 시장이 실제로 하락하기 전까지 검증되지 않습니다.
두 번째는 운용입니다. 자산배분이 정적이면 시장이 변해도 포트폴리오는 그대로입니다. 30년짜리 투자에서 처음 정한 비중을 끝까지 유지한다는 것은, 그 30년 동안 아무 일도 일어나지 않는다고 가정하는 것과 같습니다.
진단만 고치면 정확히 진단한 뒤에 아무것도 못 합니다. 배분만 고치면 무엇을 목표로 배분해야 할지 모릅니다. 두 문제를 함께 풀어야 하는 이유가 여기 있습니다.
두 알고리즘은 어떻게 연결되나요?#
연결 고리는 목표 달성 확률입니다.
기존 방식은 설문으로 위험 성향을 먼저 정하고, 그 성향에 맞는 포트폴리오를 배정합니다. 이 논문은 순서를 뒤집습니다. 목표 금액과 현재 적립 자산으로 목표 달성 확률을 먼저 계산하고, 그 확률로부터 필요한 위험 수준을 역으로 추정합니다.
달성 확률이 낮으면 더 높은 위험을 감수해야 목표에 닿습니다. 확률이 충분히 높으면 굳이 위험을 질 이유가 없으므로 안정적으로 운용합니다. 위험 성향을 묻는 대신, 목표가 요구하는 위험 수준을 계산하는 것입니다.
이 구조에서 제1논문의 출력이 제2논문의 입력이 됩니다. 진단이 "얼마만큼의 위험이 필요한가"를 정하고, 동적 자산배분이 "그 위험 수준을 시장 상황에 맞춰 어떻게 구현할 것인가"를 담당합니다.
그리고 이 연결은 한 번으로 끝나지 않습니다. 시간이 지나면 적립 자산이 달라지고, 그러면 목표 달성 확률도 달라지고, 필요한 위험 수준도 다시 계산됩니다. 진단과 배분이 한 번씩 주고받는 관계가 아니라 계속 순환하는 구조입니다.
이론적 근거는 Das 등(2018)이 제안한 목표기반 자산관리(goals-based wealth management) 모형입니다. 계산이 빠르고 피드백이 즉각적이라, 상태가 바뀔 때마다 다시 진단하는 방식에 적합합니다.
왜 나이와 소득만으로 충분한가요?#
일반적인 투자에서는 나이와 소득만으로 투자 성향을 추정하기 어렵습니다. 목적도 기간도 사람마다 다르기 때문입니다.
연금은 다릅니다. 은퇴 시점이 사실상 정해져 있습니다. 은퇴 나이에서 현재 나이를 빼면 투자 기간이 나옵니다. 목표 금액도 마찬가지입니다. 현재 소득에 목표 소득대체율을 곱하면 은퇴 후 필요한 연간 생활비가 나오고, 기대 수명까지 곱하면 총 필요 금액이 나옵니다.
즉 연금이라는 조건 자체가 설문이 하던 일의 상당 부분을 대신합니다. 목적이 정해져 있고 기한이 정해져 있으면, 남은 변수는 얼마나 모았고 얼마나 더 넣을 수 있느냐뿐입니다.
이것이 이 논문이 긴 설문 없이 프로파일링이 가능하다고 보는 이유입니다.
무엇을 발견했나요?#
가장 중요한 발견은 개념적인 것입니다. 연금 투자에서 위험은 '투자수익률의 변동성'이 아니라 '목표 달성에 실패할 확률'로 정의되어야 합니다. 30년 뒤 생활비를 준비하는 사람에게 중간 과정의 등락은 그 자체로 위험이 아닙니다. 위험은 결국 목표에 도달하지 못하는 것입니다. 이렇게 정의를 바꾸면 투자 의사결정의 기준 자체가 달라집니다.
진단 쪽 사례 분석에서는 시간의 힘이 확인되었습니다. 사회초년생이 첫 직장 이후 약 35~40년 동안 세액공제 한도 내에서 개인연금을 꾸준히 납입하면, 국민연금과 퇴직연금을 합쳐 노후 생활비를 마련하는 데 큰 어려움이 없었습니다.
반면 37세에 10년간 직장 생활을 해온 사람은 같은 금액을 납입해도 목표 소득대체율에 도달하기 어려웠습니다. 납입 기간을 얼마나 확보하느냐가 장기 투자의 성패를 가르는 핵심 요인이라는 뜻입니다.
다만 늦었다고 방법이 없는 것은 아닙니다. 재직 기간의 퇴직연금을 확정급여형(DB)에서 확정기여형(DC)으로 전환해 적극적으로 운용하고, 은퇴 이후에도 자산을 계속 관리하면, 적정 생활비를 인출하면서도 안정적인 생활 수준을 유지할 수 있었습니다.
운용 쪽에서는 두 단계로 검증했습니다. 먼저 시장 전망을 만드는 방식을 바꿨을 때, 그다음 자산을 고르는 방식까지 바꿨을 때입니다.
| 모형 | 연환산 수익률 | 누적 수익률 | 최대낙폭 | 변동성 | 샤프비율 | 칼마비율 |
|---|---|---|---|---|---|---|
| BLV (모멘텀 전망) | 4.0% | 72.5% | −5.9% | 3.6% | 1.12 | 0.68 |
| BL (전망 없음) | 3.7% | 66.0% | −5.0% | 3.0% | 1.25 | 0.75 |
| MVO (평균분산) | 3.5% | 62.1% | −5.3% | 3.4% | 1.04 | 0.67 |
모멘텀으로 전망을 만든 BLV는 수익률에서 앞섰습니다. 평균분산 모형보다 연환산 0.5%p, 전망 없는 블랙-리터만 모형보다 0.3%p 높았고, 누적 수익률은 각각 10.4%p, 6.5%p 높았습니다.
그런데 위험조정 수익률은 이야기가 다릅니다. 샤프비율은 BL이 1.25로 BLV의 1.12보다 오히려 높았습니다. BLV의 최대낙폭이 −5.9%로 셋 중 가장 컸기 때문입니다. 논문도 이 점을 명시합니다. 시장 전망을 개선하는 것만으로는 리스크 조정 수익률의 개선 폭이 제한적이라는 것입니다.
수익은 늘었지만 그만큼 흔들림도 커졌다는 뜻입니다. 이 약점을 자산 선택 단계에서 해결합니다.
| 전략 | 연환산 수익률 | 누적 수익률 | 최대낙폭 | 변동성 | 샤프비율 | 칼마비율 |
|---|---|---|---|---|---|---|
| BLV_RA (듀얼 모멘텀) | 6.3% | 132.7% | −4.8% | 3.7% | 1.68 | 1.30 |
| BLV_A (절대 모멘텀만) | 5.5% | 109.4% | −4.6% | 3.5% | 1.54 | 1.18 |
| BLV_R (상대 모멘텀만) | 5.5% | 109.3% | −5.4% | 3.9% | 1.40 | 1.01 |
| BLV (모멘텀 자산선택 없음) | 4.0% | 72.5% | −5.9% | 3.6% | 1.12 | 0.68 |
| BLV_BM_EW (동일비중) | 3.6% | 63.5% | −6.7% | 3.7% | 0.97 | 0.54 |
두 모멘텀의 역할 분담이 표에 그대로 드러납니다.
절대 모멘텀만 적용한 BLV_A는 최대낙폭을 −4.6%까지 줄였습니다. 하락 위험이 큰 자산을 배제한 결과입니다. 상대 모멘텀만 적용한 BLV_R은 같은 수익률(5.5%)을 냈지만 최대낙폭(−5.4%)과 변동성(3.9%)이 더 컸습니다. 강세 자산을 골라 초과 수익을 좇는 대신 변동성 노출이 늘어난 것입니다.
하나는 방어, 하나는 공격입니다. 둘을 결합한 BLV_RA는 연환산 수익률 6.3%로 모든 전략 중 가장 높았고, 샤프비율 1.68과 칼마비율 1.30에서도 가장 우수했습니다. 최대낙폭(−4.8%)이 상대 모멘텀 전략보다 낮다는 점에서, 절대 모멘텀의 하락 방어가 실제로 작동했음을 확인할 수 있습니다.
앞 단계에서 BLV가 BL에게 뒤졌던 샤프비율도 여기서 1.68까지 올라갑니다. 시장 전망만 바꿔서는 부족했고, 자산 선택까지 바꿔야 수익과 위험이 함께 개선되었습니다.
이 모형의 설계와 검증 과정은 「블랙리터만과 모멘텀을 결합한 적극적 자산배분 전략 연구」에서 더 자세히 다룹니다. 해당 논문은 관찰 기간과 지표 정의가 달라 수치도 다릅니다.
실무에 어떤 의미가 있나요?#
금융 지식이 부족한 일반 투자자도 자동화된 도구를 통해 은퇴 전후의 변화에 대응할 수 있게 됩니다. 진단과 운용이 한 체계 안에 있으므로, 상황이 바뀌면 전략도 함께 조정됩니다.
금융기관과 핀테크 기업 입장에서는 연금 자산관리 서비스를 대규모로 제공할 수 있는 기반이 됩니다. 사람이 일일이 상담하지 않아도 개인별 목표에 맞는 전략을 제시할 수 있기 때문입니다.
한계와 남은 과제#
진단 모형에는 두 가지 가정이 들어가 있습니다.
첫째, 은퇴 전까지 근로와 소득이 끊기지 않는다고 가정했습니다. 실제로는 육아휴직이나 실직으로 근로 기간이 짧아질 수 있고, 그럴 경우 결과는 달라집니다.
둘째, 임금 상승률과 금리를 모두 2%로 설정했습니다. 단순화를 위한 선택이지만 현실과 괴리가 생길 수 있습니다. 금리 변동성과 임금 상승률 편차를 세분화하면 모형의 예측 정확도와 적용 범위를 넓힐 수 있습니다.
운용 모형에도 두 가지 한계가 있습니다.
첫째, 리밸런싱 과정의 거래비용을 반영하지 않았습니다. 다만 연금계좌는 비대면으로 개설하면 매매 수수료와 계좌 운용 수수료가 대부분 면제되고, 실제 매매는 익일 장중에 체결되어 양방향으로 오차가 생기므로, 거래비용을 넣는다고 수익률이 반드시 낮아진다고 단정하기는 어렵습니다.
둘째, 실증 분석 기간이 약 17년(2008~2024년)입니다. 이 기간에는 장기적인 시장 침체 국면이 충분히 포함되어 있지 않아, 그런 상황에서의 전략 유효성은 검증되지 않았습니다. 더 긴 데이터로 다양한 시장 국면을 확인하는 것이 남은 과제입니다.
향후 과제로는 세 가지를 보고 있습니다. 퇴직연금 시장의 비대면 일임 서비스 허용 같은 제도 변화를 반영해 이 모형을 실제 로보어드바이저에 적용하는 것, 극단적 시장 변동과 장수 리스크 같은 복합적 불확실성을 추가로 반영하는 것, 그리고 데이터로 시장 전망을 자동 생성하는 구조를 인공지능·기계학습 기반 자산배분 시스템과 통합하는 것입니다.
이 논문을 구성하는 두 편의 연구#
이 학위논문은 학술지에 게재된 두 편의 논문을 재구성한 것입니다. 각 방법론의 상세한 설계와 검증은 아래 논문에서 다룹니다.
| 학위논문 | 대응 논문 | 다루는 것 |
|---|---|---|
| 제1논문 「소득대체율을 활용한 사적 연금 목표 달성 투자 방법」 | 소득대체율을 고려한 사적연금 목표기반 동적자산배분 연구 · 경영과학 41(4), 2024 | 진단 — 목표 설정과 달성 확률 |
| 제2논문 「블랙리터만과 듀얼 모멘텀을 결합한 동적자산 배분 전략」 | 블랙리터만과 모멘텀을 결합한 적극적 자산배분 전략 연구 · 금융공학연구 23(1), 2024 | 운용 — 시장 대응과 자산 선택 |
학위논문은 이 둘을 하나의 로보어드바이저 체계로 통합하고, 분석 기간을 2024년까지 확장해 다시 검증했습니다.
핵심 용어#
| 용어 | 뜻 |
|---|---|
| 소득대체율 | 은퇴 전 소득 대비 은퇴 후 예상 연금 소득의 비율 |
| 목표 달성 실패 확률 | 이 논문이 위험을 재정의한 방식. 수익률의 변동성이 아니라 목표에 도달하지 못할 확률로 위험을 측정한다 |
| 목표기반 자산관리 | Das 등(2018)이 제안한 접근. 목표 달성 확률을 기준으로 자산배분을 결정하며 계산이 빠르고 피드백이 즉각적이다 |
| BLV 모형 | 전문가의 주관적 전망 대신 모멘텀 신호로 시장 전망을 생성하는 확장형 블랙-리터만 모형 |
| 확정급여형(DB) | 회사가 운용하고 근로자는 정해진 퇴직급여를 받는 방식 |
| 확정기여형(DC) | 회사 부담금이 정해져 있고 가입자가 직접 운용하는 방식 |
| 개인형퇴직연금(IRP) | 개인이 직접 가입해 운용하는 퇴직연금 계좌 |
| 블랙-리터만 모델 | 시장균형 포트폴리오에 투자자 전망을 반영해 기대수익률을 추정하는 모형 |
| 듀얼 모멘텀 | 상대 모멘텀으로 자산을 고르고 절대 모멘텀으로 하락 위험을 통제하는 전략 |
이 논문을 인용하려면#
이창훈. (2025). 연금 로보어드바이저 프레임워크: 고객 프로파일링과 동적자산배분 전략의 통합적 접근 [박사학위논문, 고려대학교 대학원]. https://doi.org/10.23186/korea.000000304552.11009.0002335원문 보기#
이 페이지는 논문의 요약이며 전문이 아닙니다. 전문은 아래에서 확인하실 수 있습니다.
고려대학교 dCollection: https://dcollection.korea.ac.kr/srch/srchDetail/000000304552
Abstract (English)#
This doctoral dissertation asks how a pension robo-advisor should be designed when investment responsibility shifts from institutions to individuals.
It consists of two papers. The first concerns diagnosis: an algorithm that computes an individual's income replacement rate from age, retirement horizon, income level, and holdings across public, occupational, and personal pensions, then simulates how the probability of reaching a retirement income goal changes as contributions or investment horizons are adjusted. A single intuitive metric replaces lengthy risk-profiling questionnaires.
The second concerns allocation: a dynamic asset allocation algorithm combining the Black-Litterman model with a dual momentum strategy. Quantitative momentum scores replace the subjective market views that the Black-Litterman framework ordinarily requires. Relative momentum selects assets with superior performance; absolute momentum restricts allocation to assets in confirmed uptrends, limiting downside exposure.
The central contribution is the integration of the two. Diagnosis determines the risk level a goal requires; allocation adapts that level as markets move. Each algorithm is usable independently, but combined within a robo-advisor they improve both goal attainment and long-term returns.
Lee, C. (2025). Pension Robo-Advisor Framework: An Integrated Approach to Customer Profiling and Dynamic Asset Allocation Strategies [Doctoral dissertation, Korea University].
최종 수정: