요인모형과 요인적재량 이해하기

요인모형은 자산수익률을 요인 노출과 요인 실현값의 곱, 그리고 모형이 설명하지 못한 잔차의 합으로 씁니다.

공통요인은 여러 자산이 함께 움직이는 구조를 압축합니다. 시장, 금리, 신용, 가치, 규모 같은 변수가 후보가 될 수 있습니다.

잔차를 단순 잡음으로 취급하면 안 됩니다. 빠진 공통요인, 기업사건, 측정오류와 비선형성이 모두 잔차에 남을 수 있습니다.

요인적재량은 다른 포함 요인을 고정했을 때 자산수익률이 해당 요인과 연결되는 기울기입니다.

요인을 1% 단위로 쓰는지 표준편차 단위로 쓰는지에 따라 적재량 숫자는 달라집니다. 단위 없는 고정 속성이 아닙니다.

상관된 요인을 함께 넣으면 각 적재량의 의미와 불확실성이 바뀝니다. 단일요인 beta와 다요인 beta를 그대로 비교할 수 없습니다.

관측요인은 시장 초과수익이나 금리변화처럼 자료로 직접 구성하고 회귀를 통해 노출을 추정합니다.

잠재요인은 많은 자산의 공분산 구조에서 통계적으로 추출합니다. PCA나 요인분석은 공통방향을 찾지만 경제적 이름은 자동으로 주지 않습니다.

거시요인, 거래가능 포트폴리오요인, 잠재요인은 서로 다른 검증을 요구합니다. 같은 ‘요인’이라는 말만으로 동등하지 않습니다.

잠재요인의 적재량과 요인값은 서로 반대로 척도를 바꿔도 같은 공통수익을 만들 수 있습니다.

여러 잠재요인은 회전해도 같은 공분산을 설명할 수 있습니다. 분산, 직교성, 부호나 구조 제약으로 표현을 고정합니다.

제약은 계산 편의가 아니라 해석의 일부입니다. 다른 정규화를 쓴 연구의 적재량 크기를 바로 서열화해서는 안 됩니다.

요인수익률은 한 기간에 실현된 값이라 양수와 음수를 오갑니다. 자산별 적재량과 곱하면 해당 기간 공통수익 기여도가 됩니다.

위험 프리미엄은 요인노출을 보유한 대가로 기대되는 평균 보상입니다. 역사적 평균은 그 기대의 잡음 많은 추정치입니다.

시계열 회귀의 적재량과 횡단면 기대수익의 가격은 다른 대상입니다. 큰 beta가 높은 평균수익을 보장하려면 추가 가격결정 가정이 필요합니다.

짧은 창은 최근 변화에 민감하지만 오차가 크고, 긴 창은 정밀해 보여도 오래된 구조를 섞습니다.

비동시 거래, 누락자료, 이상치와 요인 구성오차가 적재량을 왜곡할 수 있습니다. 표준오차와 잔차 진단이 필요합니다.

롤링 추정, 상태공간모형, 축소추정은 시간변화를 다루는 선택지입니다. 복잡한 모형도 실제 안정성을 대신하지 못합니다.

포트폴리오 요인노출은 대체로 자산 적재량을 보유비중으로 합산해 구합니다. 서로 다른 종목이 같은 요인에 집중될 수 있습니다.

성과기여는 기간별 요인수익률과 노출의 곱, 잔차수익으로 나눌 수 있습니다. 기대성과와 사후 설명을 혼동하지 않아야 합니다.

헤지는 목표요인 노출을 줄여도 basis risk와 잔차위험을 남깁니다. 설명력 높은 모형이 극단국면에서도 완전한 헤지를 보장하지 않습니다.

요인 정의와 구성법, 수익률 빈도, 통화, 표본, 무위험수익률, 추정식과 가중방식을 공개합니다.

적재량, 신뢰구간, 요인별 수익기여, 잔차변동성과 잔차 상관을 함께 제시해야 집중위험이 드러납니다.

대체 요인집합과 표본 밖 기간에서 민감도를 확인합니다. 요인모형은 현실을 유용하게 압축하지만 유일한 분해는 아닙니다.