포트폴리오 변동성 계산기: 분산 효과를 고려한 위험 측정법

포트폴리오 변동성 계산기: 분산 효과를 고려한 위험 측정법

포트폴리오 변동성의 개념

포트폴리오 변동성(Portfolio Volatility)은 포트폴리오 전체의 리스크를 측정하는 지표로, 개별 자산의 변동성과 자산 간 상관관계를 종합적으로 반영합니다. 단순히 개별 자산의 변동성을 평균한 것과는 다르며, 분산 효과(Diversification Benefit)가 반영된 실질적인 리스크를 나타냅니다.

분산 투자의 핵심은 서로 다른 자산을 조합하여 전체 포트폴리오의 변동성을 개별 자산의 변동성보다 낮추는 것입니다. 이러한 분산 효과는 자산 간의 낮은 상관관계 또는 음의 상관관계에 의해 발생합니다.

포트폴리오 분산 공식

포트폴리오 변동성 계산의 핵심 공식은 다음과 같습니다.

포트폴리오 분산:

sigma_p^2 = w' x Sigma x w

여기서:

• w = 자산 비중 벡터 (n x 1)


• Sigma = 공분산 행렬 (n x n)


• w' = 비중 벡터의 전치행렬

sigma_p = sqrt(w' x Sigma x w)

2자산 포트폴리오의 경우:

sigma_p^2 = w1^2 x sigma1^2 + w2^2 x sigma2^2 + 2 x w1 x w2 x Cov(1,2)

Cov(1,2) = rho_12 x sigma1 x sigma2

따라서:

sigma_p^2 = w1^2 x sigma1^2 + w2^2 x sigma2^2 + 2 x w1 x w2 x rho_12 x sigma1 x sigma2

여기서 rho_12는 자산 1과 자산 2의 상관 계수입니다.

상관 행렬

상관 행렬(Correlation Matrix)은 자산 간 상관관계를 행렬 형태로 나타낸 것입니다.

상관 행렬 구성:

대각선 요소는 항상 1 (각 자산과 자기 자신과의 상관관계)
비대각선 요소는 -1에서 1 사이의 값 (자산 간 상관 계수)

상관 행렬 예시 (3자산):

Asset1과 Asset2의 상관관계가 0.30, Asset1과 Asset3의 상관관계가 -0.10, Asset2와 Asset3의 상관관계가 0.50이라고 가정하면, 상관 행렬은 대칭 구조를 가지며 대각선에는 모두 1이 위치합니다.

상관 행렬의 특성:

• 대칭 행렬 (rho_ij = rho_ji)


• 대각선 요소는 항상 1


• 양의 반정의(Positive Semi-Definite) 행렬이어야 함


• 실수 고유값을 가지며, 모든 고유값이 0 이상

Sigma = D x rho x D

여기서 D는 표준편차 대각 행렬이고, rho는 상관 행렬입니다.

분산 효과 계산

분산 효과(Diversification Benefit)는 포트폴리오 변동성이 개별 자산의 가중 평균 변동성보다 낮은 정도를 측정합니다.

가중 평균 변동성:

sigma_avg = sum(w_i x sigma_i)

분산 효과:

분산 효과 = (sigma_avg - sigma_p) / sigma_avg x 100%

또는:

분산 효과 비율 = sigma_p / sigma_avg

이 값이 작을수록 분산 효과가 큽니다.

분산 효과에 영향을 미치는 요소:

첫째, 자산 수입니다. 자산 수가 많을수록 분산 효과가 증가하지만, 감소 수익이 발생합니다. 둘째, 상관관계입니다. 자산 간 상관관계가 낮을수록 분산 효과가 큽니다. 셋째, 자산 배분입니다. 각 자산의 비중이 균형잡혀 있을수록 분산 효과가 큽니다. 넷째, 자산의 변동성입니다. 개별 자산의 변동성이 높을수록 분산 효과의 절대적 크기가 커질 수 있습니다.

변동성 목표 설정

변동성 목표(Volatility Targeting)는 포트폴리오의 변동성을 특정 수준으로 유지하는 전략입니다.

변동성 목표 공식:

조정 비중 = (목표 변동성 / 현재 변동성) x 원래 비중

예시:

목표 변동성이 15%이고 현재 포트폴리오 변동성이 20%이면:

조정 비중 = (15% / 20%) x 원래 비중 = 0.75 x 원래 비중

즉, 전체 포지션을 25% 축소하여 변동성을 15%로 맞춥니다.

변동성 목표 전략의 장점:

리스크 일관성을 유지할 수 있고, 고변동성 시기 포지션 축소로 손실을 관리하며, 저변동성 시기 포지션 확대로 수익 기회를 활용할 수 있습니다.

변동성 목표 전략의 단점:

변동성이 급변하면 빈번한 리밸런싱이 필요하고, 거래 비용이 발생하며, 변동성이 지속적으로 높은 시장에서 성과가 저하될 수 있습니다.

공분산 계산

공분산(Covariance)은 두 자산의 움직임이 함께 변화하는 정도를 측정합니다.

공분산 공식:

Cov(X,Y) = E[(X - mu_X)(Y - mu_Y)]

표본 공분산 계산:

Cov(X,Y) = sum((x_i - x_bar)(y_i - y_bar)) / (n - 1)

공분산의 해석:

Cov가 0보다 크면 양의 상관관계로, 두 자산이 같은 방향으로 움직입니다. Cov가 0이면 상관관계가 없으며, Cov가 0보다 작으면 음의 상관관계로, 두 자산이 반대 방향으로 움직입니다.

위험에 대한 한계 기여

위험에 대한 한계 기여(Marginal Contribution to Risk, MCTR)는 각 자산이 포트폴리오 전체 리스크에 기여하는 정도를 측정합니다.

MCTR 공식:

MCTR_i = (Sigma x w)_i / sigma_p

여기서 (Sigma x w)_i는 공분산 행렬과 비중 벡터의 곱의 i번째 요소입니다.

기여도(Contribution) 계산:

기여도_i = w_i x MCTR_i

기여도의 합:

sum(기여도_i) = sigma_p

즉, 각 자산의 기여도를 모두 합하면 포트폴리오 전체 변동성이 됩니다.

MCTR의 활용:

MCTR을 사용하면, 포트폴리오의 위험을 일정 수준으로 낮추기 위해 어떤 자산의 비중을 줄여야 하는지 효율적으로 결정할 수 있습니다. MCTR이 높은 자산의 비중을 줄이면 포트폴리오 변동성을 효과적으로 낮출 수 있습니다.

최소 분산 포트폴리오

최소 분산 포트폴리오(Minimum Variance Portfolio)는 가능한 포트폴리오 중 변동성이 가장 낮은 포트폴리오입니다.

최소 분산 포트폴리오 공식:

w_mvp = (Sigma^-1 x 1) / (1' x Sigma^-1 x 1)

여기서 Sigma^-1은 공분산 행렬의 역행렬이고, 1은 모든 요소가 1인 벡터입니다.

최소 분산 포트폴리오의 특성:

• 모든 가능한 포트폴리오 중 가장 낮은 변동성


• 수익률에 대한 고려가 없으므로, 반드시 최고 수익을 보장하지는 않음


• 자산 간 상관관계가 낮을수록 더 효과적


• 비관적 전제(Pessimistic Views)가 내재된 포트폴리오

역사적 공분산에 기반하므로, 미래의 상관관계 변화를 반영하지 못합니다. 또한, 자산 수가 많아지면 추정 오차가 증가하여 실전 적용이 어려울 수 있습니다.

변동성 컨(Volatility Cone)

변동성 컨은 다양한 시간 단위에서의 과거 변동성을 분포 형태로 시각화한 것입니다.

변동성 컨 구성:

• 각 시간 단위(5일, 10일, 20일, 60일, 120일, 252일)에서의 과거 변동성 분포


• 백분위수(25%, 50%, 75%)를 기준으로 컨의 경계 설정

현재 변동성이 변동성 컨의 어느 위치에 있는지를 분석하면, 현재 변동성이 역사적으로 높은 수준인지 낮은 수준인지 판단할 수 있습니다. 또한, 미래 변동성의 범위를 예측하는 데 도움이 됩니다.

변동성 컨과 포트폴리오 관리:

변동성 컨을 기반으로 현재 변동성 레짐을 판단하고, 이에 맞는 포트폴리오 전략을 수립할 수 있습니다. 변동성이 낮은 구간에서는 레버리지를 활용하고, 높은 구간에서는 포지션을 축소하는 등의 전략이 가능합니다.

포트폴리오 변동성 계산기를 활용하면, 포트폴리오의 리스크를 정확하게 측정하고, 분산 효과를 극대화하며, 체계적인 위험 관리를 수행할 수 있습니다. 변동성은 리스크의 핵심 지표이므로, 이를 이해하고 관리하는 것이 성공적인 투자의 기초입니다.