Fama–MacBeth 회귀: 2단계 위험 프리미엄과 표준오차

요인 beta와 요인 위험가격은 서로 다른 질문에 답합니다. beta는 첫 단계 시계열 회귀에서 자산 수익률이 요인 움직임과 얼마나 함께 변했는지 나타냅니다. 흔히 \(\lambda\)로 쓰는 위험가격은 두 번째 횡단면 단계에서 추정 beta가 다른 자산들의 수익률이 어떻게 달라지는지 나타냅니다. Fama–MacBeth 절차는 매 시점의 위험가격을 각각 구한 뒤 그 시계열을 요약합니다.

따라서 선택한 주식이나 포트폴리오 사이에서 특정 위험요인 노출이 평균수익률과 연결되는지 묻는 자산가격 연구에 유용합니다. 이 절차는 통계적 가격결정 검정이지 인과설계가 아니며, 그 자체로 해당 시점에 알 수 있었던 정보만 사용해 거래할 수 있는 포트폴리오를 정해 주지도 않습니다.

Fama와 MacBeth의 원 연구는 뉴욕증권거래소 주식의 위험과 수익 관계를 반복 횡단면 회귀로 분석했습니다. Fama와 French의 실증 연구 등 후속 문헌에서도 매월 횡단면 기울기를 평균해 위험가격을 추정하는 방식이 널리 쓰입니다. 절차를 이해하려면 두 번의 회귀가 각각 어떤 표본과 가정을 사용하는지 나누어 봐야 합니다.

자산 또는 검증 포트폴리오 \(i\)마다 다음과 같은 시계열 회귀를 추정합니다.

\[ r^{e}_{i,t} = \alpha_i + \boldsymbol{\beta}_i^\top \mathbf{f}_t + \varepsilon_{i,t} \]

\(r^{e}_{i,t}\)는 자산의 초과수익률, \(\mathbf{f}_t\)는 시점 \(t\)의 요인수익률 벡터, \(\boldsymbol{\beta}_i\)는 요인 노출 벡터입니다. 추정한 \(\hat{\boldsymbol{\beta}}_i\)가 다음 단계의 설명변수가 됩니다. 시장요인 하나만 쓰면 beta 하나를, 여러 요인을 쓰면 요인마다 하나의 적재량을 추정합니다.

첫 단계에서 요인들은 충분한 시계열 변동을 보여야 beta를 추정할 수 있습니다. 긴 추정창은 관측치를 늘릴 수 있지만 서로 다른 시장 국면을 섞을 수 있고, 짧은 추정창은 최근 노출을 반영하는 대신 추정오차를 키울 수 있습니다. 수익률 빈도, 표본 날짜, 요인 구성, 결측치 처리, 상수항 설정, 추정창을 밝혀야 결과를 해석할 수 있습니다.

모든 beta를 전체 표본으로 추정해야 한다는 뜻은 아닙니다. 표본 전체를 설명하는 사후 자산가격 검정에서는 전체 기간 beta가 연구대상 표본의 노출을 요약할 수 있습니다. 그러나 과거 시점에서 실행 가능한 전략을 검증한다면 미래 자료로 계산한 beta를 당시의 입력값처럼 사용해서는 안 됩니다. 이 경우 각 모의 결정 전에 관측 가능했던 자료만으로 beta를 다시 추정해야 합니다.

각 시점 \(t\)에서 그 시점의 검증 자산 수익률을 1단계 beta에 회귀합니다.

\[ r^{e}_{i,t} = \lambda_{0,t} + \hat{\boldsymbol{\beta}}_i^\top \boldsymbol{\lambda}_t + \eta_{i,t} \]

\(\boldsymbol{\lambda}_t\)는 시점별 위험가격 벡터입니다. 요인이 하나라면 횡단면 기울기 \(\lambda_t\)는 해당 날짜에 추정 beta가 한 단위 다른 자산 사이의 수익률 차이를 나타냅니다. \(\lambda_{0,t}\)는 별도의 횡단면 상수항입니다. 상수항을 자유롭게 추정할지, 제약할지, 무베타 자산의 수익률로 해석할지는 검정 모형과 초과수익률 사용 여부에 따라 달라집니다.

두 번째 회귀는 한 시점의 자산 간 횡단면 회귀이며, 또 다른 시계열 회귀가 아닙니다. 적합도와 기울기의 안정성은 자산의 수, 자산 구성, 추정 beta의 분산과 beta 간 상관에 따라 달라집니다. 자산 사이의 beta가 거의 다르지 않으면 위험가격을 구분할 횡단면 정보가 부족합니다. 비슷한 노출을 가진 자산을 더 많이 넣어도 없는 노출 차이를 만들어 낼 수는 없습니다.

이 회귀를 매 시점 반복하면 \(\hat{\boldsymbol{\lambda}}_1,\ldots,\hat{\boldsymbol{\lambda}}_T\)라는 위험가격 시계열이 생깁니다. 요인 \(k\)의 Fama–MacBeth 추정치는 다음 시간 평균입니다.

\[ \bar{\lambda}_k = \frac{1}{T}\sum_{t=1}^{T}\hat{\lambda}_{k,t} \]

평균의 단위와 빈도는 두 번째 단계 수익률의 단위·빈도와 같습니다. 횡단면 가중치, 관측 날짜, 자산 구성이 바뀌면 이 평균이 요약하는 대상도 달라질 수 있으므로 그 선택을 보고해야 합니다.

세 검증 포트폴리오의 1단계 시장 beta 추정치가 \(0.5\), \(1.0\), \(1.5\)라고 하겠습니다. 한 가상 월에 각 포트폴리오의 초과수익률이 \(0.3\%\), \(0.8\%\), \(1.3\%\)였다면 세 점은 다음 직선 위에 놓입니다.

\[ r^{e}_{i,t} = -0.2\% + 1.0\%\times\hat{\beta}_{i} \]

이 달의 추정 기울기는 beta 한 단위당 1.0%포인트이고 상수항은 \(-0.2\%\)입니다. 일부러 단순하게 만든 예이므로 이 완벽한 적합은 시장 beta가 가격결정된다는 증거가 아닙니다. 자산 세 개만 있는 횡단면은 실증검정을 뒷받침하지 못합니다.

이제 여섯 달의 2단계 기울기가 beta 한 단위당 \(0.8\%\), \(-0.4\%\), \(1.0\%\), \(-0.2\%\), \(0.6\%\), \(0.0\%\)라고 가정합니다. 여섯 값을 산술평균하면 다음과 같습니다.

\[ (0.8 - 0.4 + 1.0 - 0.2 + 0.6 + 0.0)/6 = 0.3\%\text{ 월간} \]

첫 달의 기울기 하나가 최종 Fama–MacBeth 추정치가 아닙니다. 여섯 날짜별 기울기를 평균한 값이 추정치입니다. 음수였던 달도 평균에 포함됩니다. 양수인 달만 골라 평균하면 추정대상 자체가 달라지고 추가적인 선택 문제가 생깁니다. 이 숫자는 계산 원리를 보여 주기 위한 가정이며 실제 시장 결과나 요인 예측력을 주장하지 않습니다.

가장 단순한 계산은 \(T\)개 월별 기울기의 표본 표준편차 \(s_\lambda\)를 구해 \(\sqrt{T}\)로 나누는 것입니다.

\[ \operatorname{SE}(\bar{\lambda}) = \frac{s_\lambda}{\sqrt{T}} \]

평균 기울기를 표준오차로 나누면 해당 평균의 t통계량이 됩니다. 이 계산은 평균 위험가격의 불확실성을 구하기 위해 시점별 추정치가 시간에 걸쳐 어떻게 변하는지 이용합니다. 자산 수 \(N\)은 각 월 횡단면의 기울기 추정에 영향을 주지만, 평균을 구할 때의 \(T\)를 대신하지 않습니다.

앞의 여섯 가상 기울기의 표본 표준편차는 월간 약 0.576%포인트입니다. 이를 \(\sqrt{6}\)으로 나누면 기본 표준오차는 약 0.235%포인트이고, \(0.3/0.235\)는 약 1.28입니다. 관측치 여섯 개는 신뢰할 만한 유의성 판단을 하기에는 너무 적습니다. 이 계산의 목적은 평균이 양수인 것과 평균을 정밀하게 추정한 것이 다른 주장임을 보여 주는 데 있습니다.

기본 표준오차는 시점별 기울기 시계열이 만족해야 하는 조건에 기대고 있습니다. \(\hat{\lambda}_{k,t}\)에 시계열 의존성이 있으면 독립 관측을 전제로 한 표준오차는 불확실성을 잘못 나타낼 수 있습니다. 표본이 짧거나 자산 구성이 바뀌면 점근적 t통계량이 특히 불안정할 수 있습니다. 자산 수뿐 아니라 \(\lambda_t\) 계열의 길이와 빈도도 보고하세요.

Fama–MacBeth와 pooled 패널 회귀를 서로 다른 계수를 반드시 내는 방법처럼 대비하기도 합니다. 하지만 중요한 특수 사례가 있습니다. 모든 날짜에 같은 자산이 들어가고, beta 설명변수가 시점마다 고정되며, 각 월 회귀가 같은 보통최소제곱 설계를 사용하면 월별 OLS 계수의 평균은 공통 기울기를 추정하는 pooled OLS 계수와 같습니다. 두 계산이 균형 패널의 같은 횡단면 회귀를 요약하기 때문입니다.

자산 집합이나 가중치가 시점마다 바뀌거나, beta가 시간에 따라 움직이거나, 패널이 불균형하거나, 통제변수·모형 제약이 다르면 이 등식이 깨질 수 있습니다. 이런 경우 날짜 또는 관측치를 가중하는 방식이 달라져 서로 다른 표본 질문에 답할 수 있습니다. 방법 이름만 보고 선택하지 말고 설계행렬, 가중 방식, 추정하려는 계수를 먼저 적어 보세요.

계수 추정치가 같더라도 불확실성 계산은 다를 수 있습니다. Fama–MacBeth 추론은 날짜별 횡단면 기울기의 시간 변동을 이용합니다. Pooled 회귀는 패널 오차 구조에 맞는 공분산 추정량을 사용해야 합니다. 날짜·자산 군집 표준오차, 양방향 공분산 추정, 시계열 HAC는 각기 다른 가정에 의존합니다. 모델을 pooled 또는 Fama–MacBeth라고 부르는 것만으로 어느 방법이 자동으로 옳아지지는 않습니다.

두 번째 단계는 \(\hat{\boldsymbol{\beta}}_i\)를 알려진 값처럼 사용하지만 실제 beta는 첫 회귀에서 추정한 값입니다. 추정 회귀변수의 오차는 위험가격 추정과 불확실성에 영향을 줄 수 있습니다. Shanken은 특정 자산가격결정 설정에서 beta 추정오차를 고려하는 보정을 전개했습니다. 어떤 2단계 설계에도 적용할 수 있는 만능 배수는 아닙니다. 후속 연구는 가정과 표본 조건에 따라 점근적 성질과 대안 추정량을 분석합니다. 사용한 보정·추론 방식과 그 적용 가정을 밝혀야 합니다.

\(\hat{\lambda}_{k,t}\)의 시계열 자기상관은 별도의 문제입니다. 예를 들어 여러 달을 겹쳐 계산한 수익률은 이웃한 두 번째 단계 기울기가 일부 수익률 관측치를 공유하게 만들 수 있습니다. Newey–West 같은 이분산·자기상관 일치(HAC) 공분산 추정은 선택한 시차 범위에서 시간 평균의 분산이 시계열 의존성을 반영하도록 조정합니다. 그러나 HAC는 첫 단계 beta 추정오차를 다시 넣거나, 요인 오지정을 수정하거나, 미래정보 사용을 바로잡지 않습니다. 반대로 Shanken 보정은 \(\lambda_t\)의 자기상관을 처리하는 대체물이 아닙니다.

Jagannathan–Wang과 Shanken–Zhou는 특정 모형·표본 조건에서 beta가격 추정 절차의 성질을 분석합니다. 따라서 보통 Fama–MacBeth 표준오차가 언제나 너무 작다거나 언제나 유효하다는 단정 대신 실제 2단계 설계를 보고해야 합니다. beta를 한 번만 추정했는지 시점별로 갱신했는지, \(\lambda_t\) 의존성을 어떻게 다뤘는지, 추정 beta 보정을 사용했는지, 그 선택이 연구 질문에 맞는 이유를 적으세요.

통계적으로 구분되는 양의 평균 \(\lambda\)는 선택한 검증 자산, 요인 정의, beta 추정, 추론 절차 아래에서 추정 노출이 큰 자산이 표본 중 평균적으로 더 높은 수익률을 냈다는 뜻입니다. 투자자가 거래비용 차감 후 그 차이를 실현할 수 있다는 뜻도, 해당 요인이 인과적으로 수익을 만들었다는 뜻도, 가격결정 모형이 맞다는 뜻도 아닙니다.

요인 집합, 표본기간, 포트폴리오 구성, beta 추정창, 검증 자산, 가중 방식이 바뀌면 결과도 달라질 수 있습니다. 여러 요인, 기간, 모형을 검색하면 다중검정 문제가 추가됩니다. 위험가격 하나의 검정만으로 모든 자산의 가격결정 오차를 요약할 수도 없습니다. 조건부 연관, 모형을 전제로 한 가격결정 검정, 표본 밖 예측을 구분해 표현하세요.

실제 또는 가상 전략을 평가할 때는 각 시점에 알 수 있었던 정보만으로 노출과 비중을 만들어야 합니다. 실행 가능한 진입 가격, 회전율, 거래비용, 자금조달, 수용능력, 리밸런싱 규칙도 필요합니다. beta는 노출 추정치이고 평균 \(\lambda\)는 그 beta 프리미엄을 자동으로 얻는 포트폴리오의 수익률이 아닙니다. 주변 개념은 [요인적재량과 요인모형](/learn/ko/factor-models-factor-loadings-finance-explained), [강건 표준오차와 HAC](/learn/ko/robust-standard-errors-heteroskedasticity-hac-finance-explained), [Rank 정보계수](/learn/ko/information-coefficient-rank-ic-quant-trading-explained)에서 이어서 볼 수 있습니다.

해석 가능한 결과는 검증 자산, 요인수익률, 무위험 수익률을 썼다면 그 계열, 수익률 단위, 빈도, 표본기간을 밝힙니다. 각 beta를 어떻게 추정했는지, 첫 단계 창이 두 번째 단계 기간과 겹치는지, 날짜별로 어떤 자산이 포함되는지, 결측 수익률과 구성 종목 변경을 어떻게 처리했는지, 횡단면 가중 여부, 상수항 포함·제약도 기록해야 합니다.

추론에는 날짜별 기울기 개수 \(T\), 그 시계열 평균과 분산, 표준오차 추정법, HAC 대역폭, beta 추정오차 보정, 유한표본 처리 여부를 적으세요. beta 분포와 횡단면 적합도도 t통계량과 함께 보세요. 자산이 많더라도 노출이 거의 같으면 정보가 제한됩니다. 여러 추정창, 요인 정의, 검증 자산 구성을 비교하되 우연히 가장 작은 p값을 준 사양만 고르지 마세요.

원 절차와 후속 적용 연구는 예시이지 모든 현대 자료가 가정을 만족한다는 보증은 아닙니다. Fama–MacBeth의 1973년 원 논문, Fama–French의 1992년 횡단면 검정, Shanken의 beta 가격모형 분석, Jagannathan–Wang의 점근 분석, Shanken–Zhou의 beta 가격 추정량 비교, Newey–West의 HAC 공분산 방법은 설계의 서로 다른 부분을 다룹니다. 계수를 보고할 때 그에 적용한 가정도 함께 설명하세요.