핀테크 기반 주식투자 최적화 모델 구축 사례 연구 : 기관투자자 대상 A Case Study on the Establishment of an Equity Investment Optimization Model based on FinTech: For Institutional Investors원문보기
The finance-investment industry is currently focusing on research related to artificial intelligence and big data, moving beyond conventional theories of financial engineering. However, the case of equity optimization portfolio by using an artificial intelligence, big data, and its performance is ra...
The finance-investment industry is currently focusing on research related to artificial intelligence and big data, moving beyond conventional theories of financial engineering. However, the case of equity optimization portfolio by using an artificial intelligence, big data, and its performance is rarely realized in practice. Thus, the purpose of this study is to propose process improvements in equity selection, information analysis, and portfolio composition, and lastly an improvement in portfolio returns, with the case of an equity optimization model based on quantitative research by an artificial intelligence. This paper is an empirical study of the portfolio based on an artificial intelligence technology of "D" asset management, which is the largest domestic active-quant-fiduciary management in accordance with the purpose of this paper. This study will apply artificial intelligence to finance, analyzing financial and demand-supply information and automating factor-selection and weight of equity through machine learning based on the artificial neural network. Also, the learning the process for the composition of portfolio optimization and its performance by applying genetic algorithms to models will be documented. This study posits a model that the asset management industry can achieve, with continuous and stable excess performance, low costs and high efficiency in the process of investment.
The finance-investment industry is currently focusing on research related to artificial intelligence and big data, moving beyond conventional theories of financial engineering. However, the case of equity optimization portfolio by using an artificial intelligence, big data, and its performance is rarely realized in practice. Thus, the purpose of this study is to propose process improvements in equity selection, information analysis, and portfolio composition, and lastly an improvement in portfolio returns, with the case of an equity optimization model based on quantitative research by an artificial intelligence. This paper is an empirical study of the portfolio based on an artificial intelligence technology of "D" asset management, which is the largest domestic active-quant-fiduciary management in accordance with the purpose of this paper. This study will apply artificial intelligence to finance, analyzing financial and demand-supply information and automating factor-selection and weight of equity through machine learning based on the artificial neural network. Also, the learning the process for the composition of portfolio optimization and its performance by applying genetic algorithms to models will be documented. This study posits a model that the asset management industry can achieve, with continuous and stable excess performance, low costs and high efficiency in the process of investment.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
현상에 대한 고찰과 인공지능 기반 주식투자 최적화 모델 운영에 대한 아이디어를 얻기 위한 목적에 적합한 방법론인 사례연구를 활용하여 연구를 진행하고자 한다(Baxter and Jack 2008). 구체적으로, 국내 자산운용사 중에서 기관투자자의 주식투자 유형 중 퀀트 모델을 활용한 액티브퀀트 주식형에서 가장 큰 큐모의 자금을 위탁 운용하면서, 다양한 기관 투자자를 고객으로 보유한 운용사 중 하나인 D 자산운용사의 인공지능 기반 주식투자 최적화 모델 구축 사례를 분석하고 평가하여 시사점을 도출하고자 한다. 기관 투자자의 주식자금 위탁 운용 시 투자목표는 일반적으로 성과비교 지수인 벤치마크 지수 대비 초과 수익률을 달성하고, 비교대상인 Peer Group 대비 상위권 순위를 달성하는 것이다.
인공지능 기반 주식투자 최적화 모델을 구축한 D자산운용사의 단일 사례를 분석한 본 연구에서는 사내 모델 구축 관련자들과 사외 데이터 공급자, 분석자, 기관의 자급집행자, 운용성과 평가자 들의 인터뷰 및 구축 과정에서의 회의자료 등 문서와 성과 보고서 등을 대상으로 검토하였다. 다중 사례 연구가 단일 사례 연구보다 신뢰성 면에서 인정받기는 좋지만, 단일사례 연구는 기존 이론을 검증하거나 전형적인 사례, 희귀하고 독특한 사례, 과학적 관찰이 불가능했던 현상에 새로 접근하는 사례, 시간의 흐름에 따라 일정 기간 동안 조사하는 종단적 연구 방법에 이용 되기에 본 연구는 인공지능을 주식투자 모델에 활용한 독특한 사례의 의미를 바탕으로 최적화 모델 구축 단계별로 구체적인 시사점을 도출하고자 한다(Creswell 2007; Yin 2003).
따라서 본 연구의 목적은 실제 사례 분석을 기반으로 인공지능 기반 주식투자 최적화 모델을 평가하여 시사점을 도출하는데 있다. 현상에 대한 고찰과 인공지능 기반 주식투자 최적화 모델 운영에 대한 아이디어를 얻기 위한 목적에 적합한 방법론인 사례연구를 활용하여 연구를 진행하고자 한다(Baxter and Jack 2008).
셋째, Fintech 측면에서 구축 과정상 이슈 및 문제점 등을 찾아 성공적인 모델 구축을 위한 전략을 제안하는 데 있다. 본 연구는 국내 기관투자자의 주식 위탁자금을 기존의 경영, 경제의 투자 이론 외에 인공지능 모델을 도입해 운용한 성공 사례에 초점을 두고 교훈 및 전략을 도출한 첫 번째 연구로서 학술적 시사점을 지닌다. 또한, 본 연구가 제안하는 성공적인 인공지능 기반 주식투자 최적화 모델 구축 전략은 향후 투자 모델 구축에 어려움을 겪거나, 성과의 효과에 의구심을 갖는 투자자와 담당자들에게 유용한 구축 방법론을 제시하고, 기술과 금융이 결합한 핀테크 측면에서 통찰력을 제공해 자산운용업계에 기여할 수 있다는 점에서 실무적 시사점을 갖는다.
본 연구는 인공지능 기반 주식투자 최적화 모델 구축 사례를 살펴보고, 자산 운용업계에 주식투자의 새로운 방법론에 대한 시사점을 제시하기 위한 탐색적 연구로 질적 연구방법의 한 분야인 사례연구 방법을 활용하고자 한다. 사례연구(case study)는 하나의 사례나 여러 사례를 집중적으로 연구하는 방법으로 단일한 사례 연구는 장기간에 걸쳐 면밀한 탐색이 가능하며, 복잡한 문제에 대해 심도 있는 연구 수행의 초기 준비 단계에서 활용되기도 한다.
본 연구는 재무정보의 팩터를 분석하고 퀀트 모델을 연구하는 증권사의 퀀트 애널리스트와 액티브퀀트 주식형 펀드를 운용하는 펀드매니저들의 데이터 분석 활용 사례와 인공지능 모델을 기반으로 주식투자 최적화 모델을 구축하기 위해 최근 5년간 실행된 D운용사의 주식투자 최적화 모델 구축과정 사례를 바탕으로 하였다. D사의 경우도 2010년 내외의 모델 구축 초기 단계에서는 재무이론을 바탕으로 퀀트 팩터 분석과 투자를 시작했으나, 시간의 흐름에 따라 인공신경망 및 유전자 알고리즘 포트폴리오 최적화 방법을 도입하면서 모델의 성과와 신뢰도를 한층 성숙 시킨 사례이다.
또한, 사례연구 대상자의 익명성을 보장하기 위해 회사의 영문 약자와 면담자의 직급으로 표시했다(Yin 2003). 본 연구에서는 모델 구축 단계별로 정보가 풍부할 것으로 보이는 사례를 선정하여, 관련자들과의 인터뷰를 통해 분석 하고자 하였다. 사례 연구를 위한 인터뷰 정보 요약은 다음의 [표 1]과 같다.
본 연구에서는 재무정보 외에 주식투자 최적화 모델 구축에 수급 정보를 입력 팩터로 선정하기 위해서 수급상 주식시장에 영향력이 큰 외국인투자자와 기관투자자의 투자행태를 분석하였다. 투자 주체별 주식투자 성과 선행연구 문헌을 살펴보면, 일본 주식시장의 투자자 별 행태를 연구한 결과 외국인 투자자들은 기업규모가 크고 재무적 성과가 좋은 주식을 선호하는 것으로 나타났다(Kang and Stulz 1997).
본 사례 연구에서는 첫째, 인공지능 기반 정량적 리서치 중심의 주식투자 최적화 모델 구축 배경과 과정을 살펴보기로 하고, 둘째, 구축 모델의 구현 내용과 실제 기관투자자의 주식투자 목표에 맞춰 운용했을 때 성과 개선 및 프로세스 개선 등 구현 결과를 탐색해 보기로 한다. 셋째, Fintech 측면에서 구축 과정상 이슈 및 문제점 등을 찾아 성공적인 모델 구축을 위한 전략을 제안하는 데 있다. 본 연구는 국내 기관투자자의 주식 위탁자금을 기존의 경영, 경제의 투자 이론 외에 인공지능 모델을 도입해 운용한 성공 사례에 초점을 두고 교훈 및 전략을 도출한 첫 번째 연구로서 학술적 시사점을 지닌다.
사례연구를 통해 다양한 정보원으로부터 획득한 심화 자료를 수집함으로써 시간의 경과에 따라 하나의 사례 혹은 여러 사례를 탐색하는 것이 고, 다양한 정보원은 관찰, 면접, 광고물과 같은 시청각 형태의 자료, 문서와 보고서 등을 의미한다(Creswell 2007; Padgett 2008). 인공지능 기반 주식투자 최적화 모델을 구축한 D자산운용사의 단일 사례를 분석한 본 연구에서는 사내 모델 구축 관련자들과 사외 데이터 공급자, 분석자, 기관의 자급집행자, 운용성과 평가자 들의 인터뷰 및 구축 과정에서의 회의자료 등 문서와 성과 보고서 등을 대상으로 검토하였다. 다중 사례 연구가 단일 사례 연구보다 신뢰성 면에서 인정받기는 좋지만, 단일사례 연구는 기존 이론을 검증하거나 전형적인 사례, 희귀하고 독특한 사례, 과학적 관찰이 불가능했던 현상에 새로 접근하는 사례, 시간의 흐름에 따라 일정 기간 동안 조사하는 종단적 연구 방법에 이용 되기에 본 연구는 인공지능을 주식투자 모델에 활용한 독특한 사례의 의미를 바탕으로 최적화 모델 구축 단계별로 구체적인 시사점을 도출하고자 한다(Creswell 2007; Yin 2003).
즉, 주가에 영향을 주는 입력 팩터의 선정 단계에서 기업 실적의 확정치, 잠정치, 추정치 등 재무정보와 국내 주식 시장 흐름에 큰 영향을 주는 투자 주체인 기관투자자와 외국인투자자의 투자행태(순매수, 대차잔고, 공매도)를 고려하였다. 재무정보와 투자행태를 고려한 팩터를 인공지능의 인공 신경망으로 분석하여 분류, 선정하고 가중치를 결정하는 과정과 유전자 알고리즘을 활용하여 재무정보와 수급정보가 결합된 최적화 포트폴리오를 구축한 D 자산운용사의 주식투자 모델 구축 사례연구를 실시하여 시사점을 도출하고, 성공적인 주식투자를 위한 전략을 제안하고자 한다. 이는 효과적인 퀀트 분석 및 모델링 방법을 모색하는데 어려움을 겪고 있는 수많은 기관투자 자와 퀀트 매니저들에게 매우 실질적인 도움이 될 수 있을 것으로 기대된다.
따라서 본 연구의 목적은 실제 사례 분석을 기반으로 인공지능 기반 주식투자 최적화 모델을 평가하여 시사점을 도출하는데 있다. 현상에 대한 고찰과 인공지능 기반 주식투자 최적화 모델 운영에 대한 아이디어를 얻기 위한 목적에 적합한 방법론인 사례연구를 활용하여 연구를 진행하고자 한다(Baxter and Jack 2008). 구체적으로, 국내 자산운용사 중에서 기관투자자의 주식투자 유형 중 퀀트 모델을 활용한 액티브퀀트 주식형에서 가장 큰 큐모의 자금을 위탁 운용하면서, 다양한 기관 투자자를 고객으로 보유한 운용사 중 하나인 D 자산운용사의 인공지능 기반 주식투자 최적화 모델 구축 사례를 분석하고 평가하여 시사점을 도출하고자 한다.
제안 방법
우리가 흔히 알고 있는 인공신경망 중 가장 기본 모델은 1957년 코넬 항공연구소의 프랑크 로젠 블라크에 의해 고안된 퍼셉트론으로, 가장 간단한 형태의 피드 포워드 네트워크 및 선형 분류기로 나타낼수 있다. 그러나, 인공신경망이 주식투자 최적화 모델에 활용된 사례는 많지 않으며, 본 연구에서는 인공신경망 으로 분석 데이터를 학습해 목표하는 근사 함수를 만들 수 있는 특성을 활용해 주가에 영향을 주는 팩터의 분류와 선정 및 가중치 결정 등에 활용되었다.
따라서, D사는 주식투자의 근원적 질문인 어떤 팩터가 어떠한 시장상황에서 어떻게 주가에 영향을 줄 수 있는지와 주식투자 이후 초과성과를 달성할 수 있는 좋은 팩터와 초과성과를 달성할 수 없는 나쁜 팩터로 분류를 하는 부분에 집중하였다. 또한, 선정된 팩터가 주식 포트폴리오를 구성하는데 어느 수준으로 가중치가 반영되어야 하고, 투자할 주식 종목선정과 기관투자자의 투자 목표를 반영해 주식투자 유형별로 포트폴리오 내 종목별 비중 결정이 최적화 되면서 자동으로 결정되는 모델을 구현 대상으로 삼았다.
또한 단순히 재무정보나 수급정보의 변화율을 팩터로 생성하는 것이 아니라, 통계적 가설을 data mining 단계에 적용해, 새로운 팩터를 생성하고 기본적인 팩터의 채택 여부를 결정하였다<참고:부록-1>. 그리고, 아무리 성과가 양호해 우상향하는 팩터를 생성하더라도 유사한 성과를 보이는 팩터 중에 어떤 팩터를 선정해야 하는지는 모든 투자자의 고민일 것이다.
이에 D사는 인공신경망 모델을 도입해 디시전 트리 모델로 팩터의 분류와 선정을 도식화 하고, 인공신경망의 다층 퍼셉트론을 활용해 트레이닝 세트, 테스트 세트, 밸리데이션 세트 등으로 학습 시켜 최종 포트폴리오 구축에 들어갈 때 활용될 팩터의 선정과 가중치 결정을 운용역의 주관이 배제된 상황에서 hit ratio가 높은 팩터 들로 선정되도록 구현하였다<참고:부록-3>. 또한, 누적된 팩터의 데이터 베이스를 3개월 단위마다 슬라이딩 윈도우 방식으로 팩터의 가중치가 시장의 변화에 따라 자동 조정되도록 구현하여 가중치 결정의 문제를 해결하였다. 또한, 기관투자자의 투자목표를 달성하기 위한 주식투자 유형, 추적오차 한도, 위험과 초과성과 목표한도, 거래량과 거래대금, 매매 금지 종목 제외 등 가이드라인을 반영하면 모델에서 투자대상 가능 종목으로만 유니버스가 구성되게 구현하였다.
또한, 기관투자자의 투자목표를 달성하기 위한 주식투자 유형, 추적오차 한도, 위험과 초과성과 목표한도, 거래량과 거래대금, 매매 금지 종목 제외 등 가이드라인을 반영하면 모델에서 투자대상 가능 종목으로만 유니버스가 구성되게 구현하였다. 모델 구축의 궁극적 목표인 최적 포트폴리오 구성은 인공지능의 유전자 알고리즘을 기반으로 앞서 선정된 최적의 팩터와 최적의 가중 치가 Information Ratio와 Information Coefficient 등과 결합되어 리스크 대비 성과가 극대화되는 최적화된 포트폴리오가 자동 구성되도록 모델이 구축되었다 <참고:부록-4>. 이는 인공신경망을 통해 주가에 영향을 줄 입력변수인 팩터와 가중치를 찾아서 유전자 알고리즘으로 매월 1년 단위의 슬라이딩 윈도우 방식으로 학습 후 다음 달 매번 적용하는 방식으로 포트폴리오가 구성된다.
본 사례 연구에서는 첫째, 인공지능 기반 정량적 리서치 중심의 주식투자 최적화 모델 구축 배경과 과정을 살펴보기로 하고, 둘째, 구축 모델의 구현 내용과 실제 기관투자자의 주식투자 목표에 맞춰 운용했을 때 성과 개선 및 프로세스 개선 등 구현 결과를 탐색해 보기로 한다. 셋째, Fintech 측면에서 구축 과정상 이슈 및 문제점 등을 찾아 성공적인 모델 구축을 위한 전략을 제안하는 데 있다.
본 사례연구 대상인 D사의 인공지능 기반 주식투자 최적화 모델의 구축 전후 성과 평가를 위해서 기존 기업들이 모델이나 시스템 도입 시 성과 평가를 위해 사용하였던 지표들을 검토하여 분석하였다. 본 연구에서는 모델 구축의 성과 측정에 있어 ERP 시스템 구축 등의 유사 선행연구를 감안하고(강다연 등 2009), D사의 기업 특성과 산업 특징을 감안해 정량적, 정성적 평가를 종합적으로 하였다.
본 연구에서는 국내 액티브퀀트 주식형 운용을 선도하는 D사의 인공지능 기반 주식투자 최적화 모델 구축 사례를 통해 현재 국내 대부분 운용사가 사용하는 퀀트 모델을 한 단계 넘어서는 사례를 탐색하였고, 모델 구축 전후 성과를 정량적 측면과 정성적 측면으로 나누어 분석하였다. 평가 결과 D사는 모델 구축을 통해 수탁고 지표, 수익성 지표, 성과 지표 전반에 걸쳐 국내 주식형 시장에서 단기간에 압도적인 우수한 성과를 달성하였지만, 투자 모델 구축 도입 시 발생할 수 있는 장애 요인도 발견할 수 있었고 구축 과정상 이슈와 교훈은 [표 6]과 같다.
유전자 알고리즘은 생물의 진화를 모방한 진화 연산 기법으로 인간의 유전자가 선택 (selection), 교차(cross over), 돌연변이(mutation)의 과정을 지나면서, 적합도 함수(fitness function) 를 이용해 최적화를 달성할 때까지 반복 수행되는 알고리즘을 의미한다. 본 연구에서는 기관투자자의 투자목표를 달성하는 포트폴리오 최적화를 수행하는데 유전자 알고리즘을 연간, 반기, 분기별 슬라이딩 윈도우 방식으로 학습 결합해 모델을 구축 하는데 활용하였다. 유전자 알고리즘은 부도예측 모형 구축에 활용되기도 하고(홍 승현 등 1999), 주식 포트폴리오 최적화 투자 전략에도 활용된다(정동헌·오경주 2013).
본 사례연구 대상인 D사의 인공지능 기반 주식투자 최적화 모델의 구축 전후 성과 평가를 위해서 기존 기업들이 모델이나 시스템 도입 시 성과 평가를 위해 사용하였던 지표들을 검토하여 분석하였다. 본 연구에서는 모델 구축의 성과 측정에 있어 ERP 시스템 구축 등의 유사 선행연구를 감안하고(강다연 등 2009), D사의 기업 특성과 산업 특징을 감안해 정량적, 정성적 평가를 종합적으로 하였다. 성과의 비교는 2014년 팩터의 분석이 완료된 시점과 2015년 이후 유전자 알고리즘으로 포트폴리오 최적화 모델을 구축한 최근 3년간을 비교해 보면 D사의 수탁고와 회사의 손익 성과 등 모든 면에서 확연한 성장세를 보인다.
자금 집행자, E.성과 평가자로 구분하여 실제 모델 구축과 기관투자자의 자금을 위탁받아 운용하고 실제 운용성과 평가를 받는 과정별로 정리하였다.
우선 정량적 성과 평가를 위하여 2014년 대비 최근 3년간 주식 운용규모 변동과 회사의 대차대조표를 통한 재무지표상 수익비용 측면을 분석하였다. 모델이 최종 구축 전이었던 2014년과 그 이후 최근 3년간 사람의 주관에 크게 의존하던 정성적 주식형 대신 인공지능 모델 기반 정량적 주식형 운용방식이 도입되면서 D사의 수탁고 및 수익 규모는 국내 펀드시장의 지속적 침체에도 불구하고 매년 2자릿수의 상승세를 보이고 있음을 [표 3], [표 4]를 통해 확인할 수 있다.
이는 [표 2]처럼 정보의 내용에 따라 크세 3가지 팩터 그룹으로 나누었는데, 재무정보 확정치와 잠정치, 재무정보 추정치, 그리고 투자 주체별 매매행태와 관련된 수급관련 팩터로 분류했고, 이는 세부적으로 3개에서 4개의 서브 팩터 스타일로 분석되어 팩터의 성과를 측정해 데이터 베이스를 구축했다.
팩터 그룹과 세부 팩터 스타일 분석시 거의 유사한 성과를 발생하는 경우 모두 사용한다면 과적합의 문제가 발생하고, 주관적 판단으로 선정한다면 선정시마다 팩터가 변경하는 문제가 발생한다<참고:부록-2>. 이에 D사는 인공신경망 모델을 도입해 디시전 트리 모델로 팩터의 분류와 선정을 도식화 하고, 인공신경망의 다층 퍼셉트론을 활용해 트레이닝 세트, 테스트 세트, 밸리데이션 세트 등으로 학습 시켜 최종 포트폴리오 구축에 들어갈 때 활용될 팩터의 선정과 가중치 결정을 운용역의 주관이 배제된 상황에서 hit ratio가 높은 팩터 들로 선정되도록 구현하였다<참고:부록-3>. 또한, 누적된 팩터의 데이터 베이스를 3개월 단위마다 슬라이딩 윈도우 방식으로 팩터의 가중치가 시장의 변화에 따라 자동 조정되도록 구현하여 가중치 결정의 문제를 해결하였다.
팩터의 성과는 [그림 6]과 같이 개별 팩터 분석을 통해 발생한 표준화 된 가치를 상위 분위 그룹을 매수(Long)하고 하위 분위 그룹을 매도(short)하는 Long/ Short valuation 방식으로 가치를 측정하였고, 팩터의 성과는 양호한 성과를 발생시키는 Positive 팩터와 부정적 성과를 발생시키는데 기여하는 Negative 팩터 순으로 우하향하는 방식으로 팩터 분석 대상 그룹별, 세부 팩터 스타일별로 성과의 Information Ratio, Information Coefficient, volatility, sharpe ratio, sortino ratio, winning ratio 외 수많은 분석 결과를 데이터 베이스화 구축하였다.
대상 데이터
따라서, D사는 주식투자의 근원적 질문인 어떤 팩터가 어떠한 시장상황에서 어떻게 주가에 영향을 줄 수 있는지와 주식투자 이후 초과성과를 달성할 수 있는 좋은 팩터와 초과성과를 달성할 수 없는 나쁜 팩터로 분류를 하는 부분에 집중하였다. 또한, 선정된 팩터가 주식 포트폴리오를 구성하는데 어느 수준으로 가중치가 반영되어야 하고, 투자할 주식 종목선정과 기관투자자의 투자 목표를 반영해 주식투자 유형별로 포트폴리오 내 종목별 비중 결정이 최적화 되면서 자동으로 결정되는 모델을 구현 대상으로 삼았다. [그림 5]의 모델 구현 내용을 살펴보면 주식투자의 전 프로세스가 인공 지능을 기반으로 주식투자 모델에 포함되어 있음을 알 수 있다.
기관 투자자의 주식자금 위탁 운용 시 투자목표는 일반적으로 성과비교 지수인 벤치마크 지수 대비 초과 수익률을 달성하고, 비교대상인 Peer Group 대비 상위권 순위를 달성하는 것이다. 본 연구에서는 이러한 기관투자자의 투자목표를 D자산운용사의 인공지능 기반 주식투자 모델 구축으로 달성하는 과정에 관련된 데이터 공급자, 데이터 분석자, 데이터 활용자와 모델 구축 운용자, 자금 집행자, 성과 평가자 등의 인터뷰와 문헌 등 자료들을 대상으로 사례연구를 진행한다.
자금 집행자, E.성과 평가자 등 구축 추진과정과 운용 프로세스상 다섯 개를 선정하였다. 또한, 구축 추진 과정 관련자 인터뷰 대상을 각 2개씩 선정한 것은 연구의 타당성 측면에서 적절한 것으로 생각한다.
인터뷰 대상은 D사의 모델 구축 사례 연구를 진행 하는데 있어 단계별로 필요한 A.데이터 공급자, B.
성능/효과
A. 데이터 공급자인 재무정보와 수급정보 등 데이터를 공급하는 Q사의 전무와 F사의 모델 구축 담당 차장의 인터뷰를 정리해 보면 주가를 예측하는데 활용할 수 있는 빅데이터를 공급회사는 보유하고 제공하지만, 정보를 활용하는 운용사의 모델 구축자가 raw data를 어떻게 데이터 마이닝 하느냐에 따라 결과는 큰 차이가 발생할 수 있다고 한다. 그 이유는 데이터를 분석하고 모델에 활용하는 운용사의 담당자들 대부분이 이공계 출신이거나, 국내외 금융공학 석사 과정을 졸업한 경력 10년 미만의 운용역으로 팩터의 분석 및 생성 단계부터 심도 있게 분석하지 못하고 주식시장의 경험적인 가치를 반영한 data mining과 전략을 모델에 반영하지 못하기 때문이라고 해석했다.
B. 데이터 분석자인 S증권사 퀀트 애널리스트는 경력 15년이 이상이고, 주로 재무정보의 확정치를 이용해 주가에 영향을 주는 입력 팩터 연구와 포트폴리오 구성시 팩터 가중치를 결정한 최적화 모델을 만들고는 있지만, 세미나를 하면서 인터뷰해 본 결과 실제 운용사에서 활용할 수준은 아니었다. 즉, 단순 팩터 분석과 동일비중 포트폴리오 구성 수준으로는 기관투자자의 다양한 투자목표를 충족시키는 포트폴리오 구성이 어렵다는 점이다.
C. 데이터 활용자인 운용사 퀀트 매니저들은 국내에서 퀀트 모델을 구성해 운용에 활용하는 운용사 약 20여 곳에 재직중인데, N연금의 액티브퀀트 주식형을 큰 규모로 위탁 운용하는 K 운용사의 매니저와의 인터뷰를 정리해 보면, 퀀트 모델을 구축한 인력이 퇴사하고, 다른 인력이 모델의 업데이트를 담당하다 보니 최초 퀀트 모델 구축시 반영된 팩터나 가중치 등이 모델을 활용하는 운용역에 따라 지속적으로 변경되어 모델이 추구하는 성과가 안정적으로 시현되기 어려움을 토로했다. 또한, 사례 연구 대상으로 지정되지 않았지만, 본 연구자가 면담한 약 20여 국내 자산운용사의 퀀트 운용역은 대부분 이공계 출신의 프로그래밍이 가능한 경력 10년 내외의 주니어 운용역으로 주식시장의 다양한 움직임과 경제와 금융시장의 변화를 경험하지 못했다는 공통점을 느꼈다.
마지막 구현된 주식투자 최적화 모델 성과평가와 보완 단계에서는 2016년부터 인공지능 유전자 알고리즘을 활용해 선정된. D사 모델의 경우 주식에 대한 정보 재무정보와 수급정보의 양과 질이 보장되는 상황이라면 재무정보의 추정치가 적은 중소형주형을 제외하고는 시뮬레이션 결과와 실제 유형별 운용펀드에 적용 결과 투자자의 투자목표를 달성하며 운용되는데 무리가 없음도 확인하였다.
주식 운용에 있어 계량 모델 개발에 집중할 수 밖에 없었던 가장 큰 이유는 첫째, 국내 액티브 주식형의 성과는 우수 펀드 매니저의 정보 획득과 종목 베팅 등 개인의 역량에 의해 크게 좌우되었기에 중소형 운용사는 인력 확보가 매우 어려웠다는 점이다. 둘째, 과거에 우수한 Track Record를 보유한 액티브 주식형 펀드 매니저라도 개인의 투자스타일과 시장이 맞지 않는 경우 액티브 주식형의 초과성과는 3년 이상 지속되지 않는 경우가 빈번하다는 점이다. 셋째, 대형사처럼 정성적, 정량적 리서치 인력과 운용역 등 수십 명으로 리서치 본부, 주식운용 본부, 패시브(퀀트) 운용 본부 등 세분화된 조직을 구성할 여력이 없다는 점이었다.
2014년 말 매년 운용수익률이 개선되었고, 벤치마크 지수 대비 초과수익률도 증가하였다. 또한 동일 운용유형 Peer Group 대비 5년간 상대순위는 16%에서 2017년 9월말 기준으로 5% 수준으로 상승하였고, 성과의 리스크 대비 리턴 지표인 I.R. 지표도 2014년 말 1.26에서 2017년 9월말 기준 1.83으로 개선되면서 펀드의 변동성 대비 수익률도 안정적으로 달성하고 있다. 또한, 개별펀드의 수익률이 시장균형을 가정한 수익률 대비 초과 수익을 얼마나 발생시키는지 판단하는 알파 지표는 2014년 말 1.
76으로 개선되었는데 알파가 크다는 것은 종목선정, 자산 배분 효과, 매매 타이밍 등이 우수하다는 것을 의미한다. 또한 위험관리 지표를 통해 펀드 성과개선 사항을 살펴보면 위험 한 단위에 대한 초과수익의 정도를 의미하는 Shape 지표, 체계적 위험 1 단위에 대한 초과 수익의 정도를 의미하는 Treynor 지표, 베타 위험 하에서 기대수익률을 초과한 정도인 Jensen 지표, 최저 요구 수익률을 초과하는 포트폴리오의 투자수익률을 하방 표준편차로 나누어 위험조정 수익률을 평가하는 Sortino 지표 모두 모델 구축전인 2014년 말 대비 개선됨을 알 수 있다.
특히, 2014년에는 아시아, 태평양 지역 국가의 연기금, 공제회, 자산운용사, 펀드매니저 등의 동향과 업적을 평가하는 권위 있는 금융투자 전문 저널인 Asia Asset Management의 2014년 Best of Best Awards 시상식에서 Most Innovative product in Korea 부분 수상자로 선정되어 자산운용업계 내부와 기관투자자 들에게서 평판 증대 효과를 불러 일으켰다. 또한, 2017년 D사의 운용성과를 바탕으로 2018년도 Asia Asset Management사가 수여하는 Best of Best Awards 시상식의 Best Korean Equity Manager 수상자로 본 논문의 제 1저자가 한국을 대표하는 펀드매니저로 선정되어 인공지능 기반 주식투자 전문가로서 업적을 인정받고, 회사 차원의 경영 성과를 지속적으로 달성 할 수 있음을 확인하였다.
83으로 개선되면서 펀드의 변동성 대비 수익률도 안정적으로 달성하고 있다. 또한, 개별펀드의 수익률이 시장균형을 가정한 수익률 대비 초과 수익을 얼마나 발생시키는지 판단하는 알파 지표는 2014년 말 1.24에서 2017년 9월말 1.76으로 개선되었는데 알파가 크다는 것은 종목선정, 자산 배분 효과, 매매 타이밍 등이 우수하다는 것을 의미한다. 또한 위험관리 지표를 통해 펀드 성과개선 사항을 살펴보면 위험 한 단위에 대한 초과수익의 정도를 의미하는 Shape 지표, 체계적 위험 1 단위에 대한 초과 수익의 정도를 의미하는 Treynor 지표, 베타 위험 하에서 기대수익률을 초과한 정도인 Jensen 지표, 최저 요구 수익률을 초과하는 포트폴리오의 투자수익률을 하방 표준편차로 나누어 위험조정 수익률을 평가하는 Sortino 지표 모두 모델 구축전인 2014년 말 대비 개선됨을 알 수 있다.
데이터 활용자인 운용사 퀀트 매니저들은 국내에서 퀀트 모델을 구성해 운용에 활용하는 운용사 약 20여 곳에 재직중인데, N연금의 액티브퀀트 주식형을 큰 규모로 위탁 운용하는 K 운용사의 매니저와의 인터뷰를 정리해 보면, 퀀트 모델을 구축한 인력이 퇴사하고, 다른 인력이 모델의 업데이트를 담당하다 보니 최초 퀀트 모델 구축시 반영된 팩터나 가중치 등이 모델을 활용하는 운용역에 따라 지속적으로 변경되어 모델이 추구하는 성과가 안정적으로 시현되기 어려움을 토로했다. 또한, 사례 연구 대상으로 지정되지 않았지만, 본 연구자가 면담한 약 20여 국내 자산운용사의 퀀트 운용역은 대부분 이공계 출신의 프로그래밍이 가능한 경력 10년 내외의 주니어 운용역으로 주식시장의 다양한 움직임과 경제와 금융시장의 변화를 경험하지 못했다는 공통점을 느꼈다. 즉, D사와 같이 인공지능 모델을 활용한 주식투자 최적화 모델을 구축하지는 못하더라고, 약 20년 차 이상 경험 있는 운용역의 시장에 대한 전략과 아이디어가 내재된 모델을 구축하는데 한계가 있다는 점이었다.
즉, D사와 같이 인공지능 모델을 활용한 주식투자 최적화 모델을 구축하지는 못하더라고, 약 20년 차 이상 경험 있는 운용역의 시장에 대한 전략과 아이디어가 내재된 모델을 구축하는데 한계가 있다는 점이었다. 또한, 상경계 출신의 퀀트 운용역은 팩터의 선정과 활용을 너무 단순하게 활용하기에 본인이 선정한 팩터들이 시장과 잘 부합하는 장세를 만나야만 양호한 성과를 낸다는 사실도 쉽게 알 수 있었다. 이러한 사실은 펀드매니저의 개인적 특성인 연령, 학력, 전공, 석사학위 보유여부, 업계경력 등이 성과지 속성, 운용스타일, 위험 등 운용성과와 연관이 있다는 연구에서 알려진 바 있다(여환영 등 2017).
성과 평가자인 국내 최대의 펀드 성과 평가사 Z사와 F사의 팀장들과의 연간 상반기, 하반기의 정례 실사를 통한 면담 결과 D사의 모델 구축 내용과 실제 운용성과에 대해 정량적인 성과 평가에서 타운운용사의 액티브 퀀트 유형 보다 안정적이고 지속적인 초과 성과가 달성되고 있다는 점을 확인하였다. 또한, 정성적으로도 D사의 퀀트 주식형 분야에서의 네임 밸류와 시장에서의 입지는 더욱더 견고해 지고 있다는 내용을 확인하였다.
우선 정량적 성과 평가를 위하여 2014년 대비 최근 3년간 주식 운용규모 변동과 회사의 대차대조표를 통한 재무지표상 수익비용 측면을 분석하였다. 모델이 최종 구축 전이었던 2014년과 그 이후 최근 3년간 사람의 주관에 크게 의존하던 정성적 주식형 대신 인공지능 모델 기반 정량적 주식형 운용방식이 도입되면서 D사의 수탁고 및 수익 규모는 국내 펀드시장의 지속적 침체에도 불구하고 매년 2자릿수의 상승세를 보이고 있음을 [표 3], [표 4]를 통해 확인할 수 있다. 모델을 본격적으로 반영한 2015년부터 D사의 국내 액티브 퀀트 주식형 운용성과는 [표 5]를 통해 확인할 수 있다.
마지막으로 E.성과 평가자인 국내 최대의 펀드 성과 평가사 Z사와 F사의 팀장들과의 연간 상반기, 하반기의 정례 실사를 통한 면담 결과 D사의 모델 구축 내용과 실제 운용성과에 대해 정량적인 성과 평가에서 타운운용사의 액티브 퀀트 유형 보다 안정적이고 지속적인 초과 성과가 달성되고 있다는 점을 확인하였다. 또한, 정성적으로도 D사의 퀀트 주식형 분야에서의 네임 밸류와 시장에서의 입지는 더욱더 견고해 지고 있다는 내용을 확인하였다.
둘째, 과거에 우수한 Track Record를 보유한 액티브 주식형 펀드 매니저라도 개인의 투자스타일과 시장이 맞지 않는 경우 액티브 주식형의 초과성과는 3년 이상 지속되지 않는 경우가 빈번하다는 점이다. 셋째, 대형사처럼 정성적, 정량적 리서치 인력과 운용역 등 수십 명으로 리서치 본부, 주식운용 본부, 패시브(퀀트) 운용 본부 등 세분화된 조직을 구성할 여력이 없다는 점이었다.
정성적인 성과로는 기존의 전통적 주식운용 방식으로 주식투자를 하려면 기업 탐방과 외부 전문가의 설명회 및 세미나에 의존해 유가증권시장 기준 23개 업종, 코스닥 시장 포함 약 2,000여 종목을 분석해야 하기에 조사역, 운용역 등 방대한 조직과 인력이 필요하지만, D사의 경우 인공지능 기반 주식투자 최적화 모델을 통해 기관투자자의 대표적인 8개 주식투자 유형 중 7개를 시간과 비용 감축 및 소수의 인력으로도 안정적인 성과를 달성할 수 있게 되어 효율적 운용이 가능해 졌다.
D사의 경우 초기 팩터 분석 시 증권사 퀀트 애널리스트들의 보고서를 참조하는 수준에서 검토했으나, 모델 구축 과정에 반영하지는 않았다. 즉, D사의 자체 데이터마이닝과 분석 능력이 증권사 퀀트 애널리스트 보다 우수하다는 판단에서였다. H사 퀀트 애널리스트는 재무정보의 잠정치를 활용해 주가를 예측하는 연구를 많이 수행하였는데, 주로 종목을 추천하는 보고서 수준이라 실제 벤치마크 대비 초과성과를 달성해야 하는 기관투자자의 포트폴리오 구성 연구는 없기에 D사의 경우는 데이터분석을 직접 진행하여 인공지능 기반의 모델 개발을 진행했다.
본 연구에서는 국내 액티브퀀트 주식형 운용을 선도하는 D사의 인공지능 기반 주식투자 최적화 모델 구축 사례를 통해 현재 국내 대부분 운용사가 사용하는 퀀트 모델을 한 단계 넘어서는 사례를 탐색하였고, 모델 구축 전후 성과를 정량적 측면과 정성적 측면으로 나누어 분석하였다. 평가 결과 D사는 모델 구축을 통해 수탁고 지표, 수익성 지표, 성과 지표 전반에 걸쳐 국내 주식형 시장에서 단기간에 압도적인 우수한 성과를 달성하였지만, 투자 모델 구축 도입 시 발생할 수 있는 장애 요인도 발견할 수 있었고 구축 과정상 이슈와 교훈은 [표 6]과 같다.
후속연구
본 연구는 국내 기관투자자의 주식 위탁자금을 기존의 경영, 경제의 투자 이론 외에 인공지능 모델을 도입해 운용한 성공 사례에 초점을 두고 교훈 및 전략을 도출한 첫 번째 연구로서 학술적 시사점을 지닌다. 또한, 본 연구가 제안하는 성공적인 인공지능 기반 주식투자 최적화 모델 구축 전략은 향후 투자 모델 구축에 어려움을 겪거나, 성과의 효과에 의구심을 갖는 투자자와 담당자들에게 유용한 구축 방법론을 제시하고, 기술과 금융이 결합한 핀테크 측면에서 통찰력을 제공해 자산운용업계에 기여할 수 있다는 점에서 실무적 시사점을 갖는다.
기존의 주식투자 연구 들이 투자이론을 바탕으로 다양한 투자 팩터 선정과 포트폴리오 구성을 경영학과 통계학적 방법으로 연구 방법으로 분석해왔다는 점에서, 실제 사례 기반의본 연구는 선행연구와 이론을 실증적으로 검증했다는데 의의가 있다. 본 연구가 비즈니스 및 사회적 관점에서 향후 주식투자 모델 연구에 개념적 기반이 될 것으로 기대한다(Kim et al. 2015).
재무정보와 투자행태를 고려한 팩터를 인공지능의 인공 신경망으로 분석하여 분류, 선정하고 가중치를 결정하는 과정과 유전자 알고리즘을 활용하여 재무정보와 수급정보가 결합된 최적화 포트폴리오를 구축한 D 자산운용사의 주식투자 모델 구축 사례연구를 실시하여 시사점을 도출하고, 성공적인 주식투자를 위한 전략을 제안하고자 한다. 이는 효과적인 퀀트 분석 및 모델링 방법을 모색하는데 어려움을 겪고 있는 수많은 기관투자 자와 퀀트 매니저들에게 매우 실질적인 도움이 될 수 있을 것으로 기대된다.
또한, 기존 연구에서 수행하지 못했던 인공지능 기반 주식투자 최적화 모델 구축 사례를 실무적으로 탐색하고 정량적, 정성적 성과 평가를 수행했다는 점에 의의가 있다. 이를 통해 핀테크와 인공지능 기반 모델을 활용한 기관투자자의 주식형 자금을 운용하고자 하는 실무자들에게 방법론을 제시하고 채권, 부동산 등 다양한 투자대상의 자산운용에 활용 가능할 것이라는 점에서 유용한 가치를 제공할 것으로 본다.
실무적 시사점으로는 먼저, 기관투자자의 주식 위탁 자금을 인공지능 모델 기반 주식투자 최적화 모델을 구축 및 활용하는 프로세스를 제시했고, 성과개선 및 입증사례를 도출하였다는 점에서 의의가 있다. 전통적인 정성적 리서치 기반 투자방식과 퀀트 팩터 투자를 넘어선 정량적 리서치 기반 주식투자 방식 사이에 새로운 가교 역할을 수행할 수 있을 것이다.
본 연구의 학술적, 실무적 의의를 고찰해 보면 다음과 같다. 학술적으로 본 연구는 먼저 사례연구 방법을 통해 주식투자 모델의 실제 구축 사례를 단계적으로 분석하고, 경영성과의 결과를 재무 지표 등을 통해 검증하였다는 점에서 가치가 있다. 기존의 주식투자 연구 들이 투자이론을 바탕으로 다양한 투자 팩터 선정과 포트폴리오 구성을 경영학과 통계학적 방법으로 연구 방법으로 분석해왔다는 점에서, 실제 사례 기반의본 연구는 선행연구와 이론을 실증적으로 검증했다는데 의의가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
핀테크란 무엇인가?
2016년 세계 경제 포럼에서 4차 산업혁명이라는 용어가 언급된 이후 자본 시장에서도 금융공학을 넘어선 핀테크, 인공지능, 빅데이터, 로보어드바이저 등 정보통 신기술(ICT)과 금융 투자기법을 결합한 저비용, 고효율 구조의 투자 방법 및 연구가 활발히 진행되고 있다. 핀테크는 영국 정부가 2008년 금융위기 이후 침체에 빠진 금융시장을 극복하기 위해 정의한 용어로써, 기술을 핵심요소로 하는 금융서비스 혁신을 말한다. 구체 적으로 핀테크 산업은 지불결제, 대출, 송금, 모바일 결제, 데이터 분석, 개인의 자산관리, 크라우드 펀딩, 디지털 화폐, 보안 등의 서비스를 제공하고 있다(이동규·이 성훈 2015).
Markowitz 이론의 한계는 무엇인가?
포트폴리오 투자위 험을 감소시킬 수 있는 효율적 분산투자 방법으로 최적의 리스크, 수익률 조합을 가진 투자 기회를 결정하는 이론으로, 개별 종목의 평균수익률, 분산, 종목간의 과거 자료만 사용해 분산 투자하는 이론이다. 하지만 Markowitz 이론의 한계는 위험 증권만으로 구성된 포트폴리오를 분석대상으로 하여서, 투자자 각자의 선택 원리만을 문제로 한 개인 균형 모형이며, 시장균형 모형이 아니라는 문제점이 있음에도 지금까지 수많은 관련 연구가 진행되고 있다(Markowitz 1952). Sharpe는 자본자산 가격결정 모형(CAPM)에서 위험과 잠재수익이 증권 가격에 반영되는 경로를 밝혔다.
운용사의 모델 구축자가 raw data를 어떻게 데이터 마이닝 하느냐에 따라 결과는 큰 차이가 발생할 수 있는 이유는 무엇인가?
데이터 공급자인 재무정보와 수급정보 등 데이터를 공급하는 Q사의 전무와 F사의 모델 구축 담당 차장의 인터뷰를 정리해 보면 주가를 예측하는데 활용할 수있는 빅 데이터를 공급회사는 보유하고 제공하지만, 정보를 활용하는 운용사의 모델 구축자가 raw data를 어떻게 데이터 마이닝 하느냐에 따라 결과는 큰 차이가 발생할 수 있다고 한다. 그 이유는 데이터를 분석하고 모델에 활용하는 운용사의 담당자들 대부분이 이공계 출신이거나, 국내외 금융공학 석사 과정을 졸업한 경력 10년 미만의 운용역으로 팩터의 분석 및 생성 단계부터 심도 있게 분석하지 못하고 주식시장의 경험적인 가치를 반영한 data mining과 전략을 모델에 반영하지 못하기 때문이라고 해석했다. 또는, 정성적인 리서치 기반의 액티브형을 운용하는 상경계 출신 운용역 들은 퀀트 모델링이나 프로그래밍 등 데이터 분석과 활용에 한계를 느끼기에 모델 구축으로 연결되지 않는다고 했다.
참고문헌 (35)
강다연, 장활식, 김종기 2009. "국내 기업 ERP 시스템 도입의 정성적.정량적 성과 비교," 한국콘텐츠학회논문지, (9:4), pp. 142-153.
홍승현, 신경식 1999. "유전자 알고리즘을 활용한 인공신경망 모형 최적입력변수의 선정," 한국지능정보시스템학회 학술대회논문집, pp. 365-373.
Anderson, C. R. and Zeithaml, C. P. 1984. "Stage of the product life cycle, business strategy, and business performance," Academy of Management Journal (27:1), pp. 5-24.
Bales, R.F. 1950. Artificial Neural Network Modeling. Polish Academy of Sciences, Warsaw, Poland: Springer.
Choe, H., Kho, B. C. and Stulz, R. 1999. "Do Foreign Investors Destabilize Stock Markets? The Korean Experience in 1997," Journal of Financial Economics, (54:2), pp. 227-264.
Gah-Yi Ban, Noureddine El Karoui, Andrew E. B. Lim. 2016. "Machine Learning and Portfolio Optimization," Journal of Management Science, Published online in Articles in Advance 21 Nov 2016.
Goldberg. D.E. 1985. Genetic algorithms and rule learning indynamic system control. Proceedings of the first International Conference on Genetic Algorithms and Their Application, Pittsburgh, pp. 8-15.
Goldberg. D.E. 1989. "Genetic algorithms in search, optimization and machine learning." Addison Wesley Publishing company, Inc., N.Y. 6.
Julian Skan, Richard Lumb, Samad Masood, and Sean K. Conway, "The Boom in Global Fintech Investment", Accenture, 2014.
Kang, J. K, .and R. M. Stulz. 1997. "Why is There a Home Bias? An Analysis of Foreign Portfolio Equity Ownership in Japan," Journal of Financial Economics (42:1), pp. 2-28.
Kim, H.W., Chan, H. C. and Gupta, S. 2015. "Social Media for Business and Society," Asia Pacific Journal of Information Systems, (25:2), pp. 211-233.
Rosenblatt, F. 1958. "The Perceptron: A Probabilistic Model For Information Storage And Organization In The Brain," Psychological Review, (65:6), pp. 386-408.
Tractica. 2015. "Artificial Intelligence for Enterprise Applications : Deep Learning, Predictive Computing, Image Recognition, Speech Recognition, and Other AI Technologies for Enter prise Markets", Global Market Analysis and Forecasts.
Warren McCulloch. 1943. "A Logical Calculus of the Ideas Immanent in Nervous Activity"
Sharpe, W. F. 1964. Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk, Journal of Finance. (19:3), pp. 425-442.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.