최소 분산 포트폴리오 (Minimum Variance)
최소 분산 포트폴리오 (Minimum Variance) ⭐⭐⭐
키워드: 공분산 행렬, 효율적 프론티어, 리스크 최소화
1. 전략 개요
한 문장 정의
최소 분산 포트폴리오란 주어진 자산들의 공분산 행렬을 이용해 포트폴리오 전체 변동성을 수학적으로 최소화하는 비중을 찾는 전략으로, 기대 수익률 추정 없이 순수하게 리스크 최소화만을 목표로 한다.
핵심 아이디어
현대 포트폴리오 이론(MPT)에서 마코위츠는 "기대 수익률과 변동성의 트레이드오프에서 최적 포트폴리오를 찾는다"고 했다. 그러나 기대 수익률을 정확하게 추정하는 것은 극히 어렵다. 조금만 추정이 틀려도 결과가 극단적으로 달라진다.
최소 분산 포트폴리오는 이 문제를 다르게 해결한다.
"기대 수익률 추정은 너무 어렵고 오류가 많다. 그러면 추정이 가장 안정적인 변동성(공분산)만 사용하자. 변동성만 최소화하면 결과적으로 샤프지수도 높아질 가능성이 크다."
이것이 최소 분산 포트폴리오의 핵심 통찰이다. 수익을 극대화하려 하지 않고, 오직 리스크만 최소화한다. 그런데 역설적으로 이 접근이 장기적으로 더 높은 리스크 조정 수익을 만드는 경우가 많다.
비유하자면 이렇다. 새 직장을 찾을 때 "가장 연봉이 높은 곳"을 찾으면 실패할 가능성이 크다. 연봉이 가장 높은 곳은 대부분 불확실성(스타트업, 고위험 직종)이 크기 때문이다. 대신 "가장 안정적인 곳"을 찾으면 연봉이 극단적으로 높지는 않지만, 장기적으로 꾸준한 소득을 얻는 경우가 많다. 최소 분산 포트폴리오가 이 접근이다.
어떤 투자자에게 적합한가
- 리스크 최소화를 최우선 목표로 하는 투자자
- 리스크 패리티에서 한 단계 더 발전한 자산배분을 원하는 투자자
- 저변동성 이상현상을 이용하고 싶은 투자자
- 계량적 포트폴리오 최적화에 관심 있는 투자자
- 기관 수준의 포트폴리오 구성 원리를 이해하고 싶은 투자자
2. 탄생 배경과 역사
마코위츠 — 현대 포트폴리오 이론의 기반
**해리 마코위츠(Harry Markowitz)**는 1952년 논문 **"Portfolio Selection"**에서 효율적 프론티어(Efficient Frontier) 개념을 도입했다. 효율적 프론티어는 주어진 기대 수익률에서 최소 변동성을 갖는 포트폴리오들의 집합이다.
최소 분산 포트폴리오는 이 효율적 프론티어의 가장 왼쪽 끝점, 즉 가능한 모든 포트폴리오 중 변동성이 가장 낮은 포트폴리오다. 마코위츠는 이것을 이론적으로 도출했지만, 실용성보다는 이론적 의미에서 논했다.
최소 분산의 독립적 전략으로의 발전
최소 분산 포트폴리오가 독립적인 투자 전략으로 주목받기 시작한 것은 저변동성 이상현상이 발견되면서부터다.
하우겐과 하이넝 (Haugen & Heins, 1972): "On the Evidence Supporting the Existence of Risk Premiums in the Capital Market"에서 저변동성 주식이 고변동성 주식보다 높은 리스크 조정 수익을 보인다는 것을 발견했다. 이것은 "고위험 = 고수익"이라는 전통 금융 이론에 정면으로 도전하는 발견이었다.
클라크, 드 실바, 索프 (Clarke, de Silva, Thorley, 2006~2011): "Minimum-Variance Portfolio Composition"에서 최소 분산 포트폴리오가 장기적으로 시장 지수보다 낮은 변동성과 높은 샤프지수를 보인다는 것을 실증했다.
기관 자금의 관심
2008년 금융위기 이후 최소 분산 포트폴리오는 기관 투자자들의 관심을 끌었다. 위기 구간에서 전통 포트폴리오보다 손실이 적었기 때문이다.
현재 MSCI, S&P 등 주요 지수 제공업체들이 최소 분산 지수를 발표하고 있으며, 이를 추종하는 ETF들도 출시됐다. 예: MSCI World Minimum Volatility Index, S&P 500 Minimum Volatility ETF.
3. 핵심 작동 원리
최소 분산 포트폴리오의 수학적 정의
최적화 문제:
$$minw σP² = minw wT Σ w$$
$$제약 조건: ∑ᵢ wᵢ = 1, quad wᵢ ≥ 0 (공매도 없음)$$
여기서:
- $w$: 자산 비중 벡터
- $Σ$: 공분산 행렬
- $σP²$: 포트폴리오 분산
이 최적화 문제는 기대 수익률 정보 없이 오직 공분산 행렬만으로 해결된다.
공매도 없는 제약 하의 해: 명시적 해가 존재하지 않아 수치 최적화(이차계획법, Quadratic Programming)를 사용한다.
공매도 허용 시의 해석적 해:
$$w^* = (Σ⁻¹ mathbf1/mathbf1T Σ⁻¹ mathbf1)$$
여기서 $mathbf1$은 모든 원소가 1인 벡터다. 공매도 제약이 없을 때는 이 공식으로 직접 계산 가능하다.
왜 최소 분산이 수익을 낼 수 있는가
원리 1 — 저변동성 이상현상 (Low Volatility Anomaly)
전통 금융 이론(CAPM)은 고위험 자산이 고수익을 내야 한다고 예측한다. 그러나 실증 데이터는 반대를 보여준다. 저변동성 주식이 고변동성 주식보다 장기적으로 더 높은 절대 수익률을 보이는 경우가 많다.
이 이상현상의 원인에 대해 여러 설명이 있다.
행동경제학적 설명 — 복권 효과(Lottery Effect): 투자자들은 작은 확률로 매우 큰 이익을 줄 수 있는 고위험 자산을 지나치게 선호한다. 마치 복권을 사는 것처럼. 이 과수요가 고위험 자산의 가격을 올려 미래 기대 수익률을 낮춘다. 반대로 저위험 자산은 상대적으로 저평가돼 미래 기대 수익률이 높다.
제도적 설명 — 벤치마크 제약: 많은 기관 투자자들은 벤치마크 대비 성과로 평가받는다. 이 제약이 저변동성 자산에 대한 수요를 줄여 저평가를 만든다.
원리 2 — 분산 효과의 극대화
최소 분산 포트폴리오는 자산 간 상관관계를 최대한 활용해 분산 효과를 극대화한다. 음의 상관관계를 가진 자산들의 결합이 전체 변동성을 낮춘다.
원리 3 — 추정 오류에 대한 강건성
기대 수익률 추정이 필요 없으므로, 가장 불확실한 정보 없이 포트폴리오를 구성한다. 이것이 최소 분산이 실전에서 더 강건한 이유다.
최소 분산과 리스크 패리티의 차이
| 특성 | 최소 분산 | 리스크 패리티 |
|---|---|---|
| 목표 | 전체 변동성 최소화 | 각 자산의 리스크 기여 균등화 |
| 사용 정보 | 공분산 행렬 (상관관계 포함) | 개별 변동성 (단순 버전) |
| 상관관계 반영 | 완전히 반영 | 부분적 또는 무시 |
| 집중도 | 특정 자산에 집중 가능 | 더 분산되는 경향 |
| 극단 해 | 변동성 낮고 상관관계 낮은 자산 집중 | 더 고른 배분 |
최소 분산은 "전체 변동성을 최소화하는 단 하나의 포트폴리오"를 찾는다. 리스크 패리티는 "리스크가 균등하게 기여하는 포트폴리오"를 찾는다. 전자가 더 수학적으로 극단적인 해를 만드는 경향이 있다.
4. 신호 설계 논리
공분산 행렬 추정
최소 분산 포트폴리오 구현의 핵심은 신뢰할 수 있는 공분산 행렬 추정이다.
표본 공분산 행렬: $$hatΣij = (1/T-1)∑t=1T(rᵢ,ₜ - barri)(rj,t - barrⱼ)$$
문제: 자산 수가 N개라면 $(N(N+1)/2)$개의 파라미터를 추정해야 한다. N=50이면 1,275개의 공분산을 추정해야 하며, 이 과정에서 추정 오류가 누적된다.
해결책 1 — 수축(Shrinkage) 추정:
레드너-울프(Ledoit-Wolf, 2004) 수축 추정법이 대표적이다.
$$hatΣ수축 = (1-α)hatΣ표본 + α hatΣ목표$$
표본 공분산과 단순한 목표 공분산(예: 단위 행렬)의 가중 평균을 사용한다. 이를 통해 추정 오류를 줄인다.
해결책 2 — 요인 기반 공분산:
$$Σ = B F BT + D$$
여기서 $B$는 팩터 로딩 행렬, $F$는 팩터 공분산, $D$는 고유 분산이다. 팩터 구조를 이용해 공분산 추정의 복잡도를 줄인다.
해결책 3 — 단순 상관관계 구조 가정:
극단적 단순화로, 모든 자산 쌍의 상관관계를 동일하다고 가정한다.
$$hatρᵢⱼ = barρ quad forall i ≠ j$$
이 경우 최소 분산 포트폴리오는 역변동성 가중치(리스크 패리티의 단순 버전)와 동일해진다.
포트폴리오 구성의 단계적 접근
단계 1 — 유니버스 선택: 최소 분산을 적용할 자산 집합을 정의한다. 너무 많은 자산(N > 100)은 공분산 추정 오류가 커지고, 너무 적은 자산(N < 10)은 분산 효과가 제한된다.
단계 2 — 공분산 행렬 추정: 60~252일의 롤링 윈도우로 공분산을 추정한다. 수축 추정 또는 요인 모델을 사용해 추정 오류를 줄인다.
단계 3 — 최적화 실행: 이차계획법(QP)으로 최소 분산 비중을 계산한다. 비중 하한(0%), 상한(30~50%) 등 현실적 제약을 추가한다.
단계 4 — 비중 안정화: 최소 분산의 비중은 공분산 추정 오류로 인해 불안정할 수 있다. 이전 기간 비중과의 가중 평균으로 안정화한다.
$$wₜ안정 = (1-λ) wₜ최적 + λ wₜ₋₁안정$$
실용적 제약 조건
이론적 최소 분산 포트폴리오는 실전에서 비현실적인 비중을 만들 수 있다. 다음 제약을 추가한다.
비중 범위 제한: $$0 ≤ wᵢ ≤ wₘₐₓ quad (예: wₘₐₓ = 30%)$$
섹터/자산군 분산 제한: 특정 섹터 또는 자산군의 비중이 지나치게 집중되지 않도록 제한한다.
회전율 제한: $$∑ᵢ |wᵢᵗ - wᵢᵗ⁻¹| ≤ 최대 회전율$$
5. 전략 변형과 파생형
변형 1 — 최소 분산 + 수익률 제약 (Mean-Variance Optimization)
변동성 최소화와 함께 최소 수익률 달성도 요구하는 방식이다.
$$minw wT Σ w$$
$$제약: wT μ ≥ rₘᵢₙ, quad ∑ᵢ wᵢ = 1, quad wᵢ ≥ 0$$
여기서 $μ$는 기대 수익률 벡터, $rₘᵢₙ$은 최소 요구 수익률이다.
특징: 순수 최소 분산보다 균형 잡힌 결과를 만들지만, 기대 수익률 추정이 필요해 추정 오류에 취약하다.
변형 2 — 최대 분산화 포트폴리오 (Maximum Diversification)
최소 분산 대신 **분산화 비율(Diversification Ratio)**을 최대화하는 방식이다.
$$maxw (wT σ/σP) = maxw (∑ᵢ wᵢ σᵢ/√(wT Σ w))$$
분자는 가중 평균 변동성, 분모는 포트폴리오 변동성이다. 이 비율이 클수록 분산 효과가 크다.
특징: 최소 분산보다 더 균등한 배분을 만드는 경향이 있다. 상관관계가 낮은 자산들을 선호한다.
변형 3 — 주식 유니버스 내 최소 분산
주식 시장 전체(예: 코스피 200, S&P500)에서 최소 분산 포트폴리오를 구성하는 방식이다.
적용 방법:
- 코스피 200 종목의 공분산 행렬 계산
- 최소 분산 최적화 실행
- 비중 상한(예: 종목당 5%) 설정
- 분기별 리밸런싱
특징: 주식 시장 내에서 저변동성 이상현상을 포착한다. 시장 베타가 낮아 하락장에서 방어적이다. 그러나 상승장에서 시장 대비 뒤처질 수 있다.
변형 4 — 계층적 리스크 패리티 (HRP, Hierarchical Risk Parity)
로페즈 데 프라도(Marcos Lopez de Prado, 2016)가 제안한 방식이다. 공분산 행렬을 사용하지만 최적화 대신 **군집화(Clustering)**를 이용한다.
작동 방식:
- 자산들을 상관관계 기반으로 군집화
- 군집 내에서 역변동성 가중치 적용
- 군집 간 역변동성 가중치 적용
특징: 전통적 포트폴리오 최적화의 추정 오류 민감성 문제를 회피한다. 역변동성보다 우수하고 최소 분산보다 강건하다는 연구가 있다.
변형 5 — 동적 최소 분산 (Dynamic Minimum Variance)
고정된 공분산이 아닌, 동적으로 업데이트되는 공분산을 사용하는 방식이다.
$$Σₜ = f(Σₜ₋₁, rₜ₋₁) quad (GARCH 모델 등)$$
매월 또는 매주 공분산 행렬을 재추정하고, 그에 따라 비중을 동적으로 조정한다.
특징: 변동성 레짐 변화에 더 빠르게 반응한다. 구현 복잡도가 높고 회전율이 높아 거래비용이 증가한다.
6. 수익이 나는 시장 국면
잘 작동하는 조건
조건 1 — 하락장 및 고변동성 위기 구간 최소 분산 포트폴리오는 구조적으로 변동성이 낮은 자산들에 더 많이 투자한다. 위기 구간에서 변동성이 낮은 자산이 상대적으로 방어적이므로, 하락장에서 시장 대비 손실이 적다.
조건 2 — 저변동성 이상현상이 지속되는 기간 저변동성 주식이 고변동성 주식보다 높은 수익률을 보이는 이상현상이 지속될 때 최소 분산 전략이 그 혜택을 자연스럽게 포착한다.
조건 3 — 자산 간 상관관계가 안정적인 기간 공분산 추정의 신뢰도가 높을 때(상관관계가 안정적) 최소 분산 최적화의 결과도 더 정확하다.
역사적 가상 수치 예시:
코스피 200 주식 유니버스 내 최소 분산 포트폴리오:
- CAGR: 약 10~15% (코스피 200 대비 유사하거나 소폭 높음)
- MDD: -20% ~ -30% (코스피 200 -50% ~ -60% 대비 크게 낮음)
- 샤프지수: 0.7~1.2 (코스피 200 0.3~0.5 대비 높음)
- 시장 베타: 0.5~0.7 (방어적)
다자산 최소 분산 포트폴리오 (주식+채권+원자재):
- CAGR: 약 7~11%
- MDD: -8% ~ -18%
- 샤프지수: 0.9~1.5
7. 손실이 나는 시장 국면
잘 작동하지 않는 조건
조건 1 — 강한 주식 상승장 최소 분산은 변동성이 낮은 자산을 선호한다. 강한 주식 강세장에서 고변동성 성장주가 큰 수익을 낼 때, 최소 분산은 그 수익을 충분히 포착하지 못한다.
조건 2 — 상관관계 급등 (동조화 위기) 리스크 패리티와 동일한 약점이다. 모든 자산이 함께 폭락하면 공분산 기반 분산 효과가 사라진다. 이 경우 최소 분산도 예상보다 큰 손실을 낼 수 있다.
조건 3 — 공분산 추정 오류 구간 과거 데이터로 추정한 공분산이 미래와 크게 다를 때, 최소 분산 최적화가 잘못된 포트폴리오를 만든다. "최적이라고 계산된" 포트폴리오가 실제로는 리스크가 높은 경우가 발생한다.
손실 메커니즘 — 공분산 추정 실패
[공분산 추정 실패 시나리오]
1단계: 과거 1년 데이터로 공분산 추정
→ A자산과 B자산의 상관관계: -0.3 (과거 데이터)
→ 최소 분산에서 두 자산 모두 높은 비중
2단계: 미래에 두 자산의 상관관계 변화
→ 실제 상관관계: +0.8 (경제 환경 변화)
3단계: 함께 하락
→ 예상과 다른 동조화로 포트폴리오 변동성 급등
→ MDD가 예상(-10%)보다 큰 손실(-25%) 발생
결과:
- 공분산 추정 오류가 리스크 증가로 이어짐
- 최소 분산의 가장 큰 실전 위험
8. 백테스트 특성과 주요 지표 패턴
전형적인 백테스트 결과 패턴
주식 유니버스 내 최소 분산 vs 시장 지수 비교 (가상 참고값):
| 지표 | 최소 분산 | 시장 지수 | 동일 비중 |
|---|---|---|---|
| CAGR | 10~14% | 9~12% | 9~12% |
| MDD | -20% ~ -30% | -45% ~ -55% | -42% ~ -52% |
| 샤프지수 | 0.7~1.2 | 0.3~0.5 | 0.4~0.6 |
| 베타 | 0.5~0.7 | 1.0 | 0.9~1.0 |
| 승률 vs 지수 | 55~65% (연 기준) | — | 50~55% |
최소 분산의 가장 특징적인 결과: CAGR은 유사하거나 소폭 높고 MDD는 절반 수준으로 낮음.
수익 곡선의 전형적 모양
자산가치
| _____________________
| ___/ \
| __/ 최소 분산 \_
| /
| ___/______________________________
| / 시장 지수
|/
시간 일반 상승 큰 하락장 회복 상승
(지수가 더 많이 오름) (최소 분산 방어)
강한 상승장에서는 시장 지수보다 수익이 낮지만, 하락장에서 크게 방어하며 장기적으로 비슷하거나 더 나은 절대 수익률을 달성한다.
다른 전략과 구별되는 통계적 특징
낮은 베타: 최소 분산 포트폴리오는 시장 베타가 0.5~0.7 수준이다. 시장이 10% 하락할 때 5~7% 하락하는 경향이 있다.
섹터 집중 경향: 최적화 과정에서 특정 섹터(유틸리티, 필수 소비재, 헬스케어 등 저변동성 섹터)에 집중하는 경향이 있다. 이것이 상승장에서 수익이 제한되는 이유다.
회전율 이슈: 공분산이 변함에 따라 최적 비중이 크게 달라질 수 있어, 회전율이 높아지는 경향이 있다. 비중 안정화 기법이 필요하다.
결과 해석 시 주의할 함정
함정 1 — 과거 공분산으로 미래 평가 백테스트에서 매 기간 최신 공분산을 사용하지만, 실전에서는 항상 과거 데이터만 사용 가능하다. 이 시차가 성과 차이를 만든다.
함정 2 — 생존 편향 현재 존재하는 종목들만으로 공분산을 계산하면 생존 편향이 발생한다.
함정 3 — 섹터 집중의 숨겨진 리스크 저변동성 섹터에 집중된 최소 분산은 그 섹터 특유의 리스크(예: 규제 리스크, 금리 리스크)에 집중 노출될 수 있다.
9. 과최적화 위험과 강건성
과최적화 위험 — 최소 분산의 고유한 문제
최소 분산은 이 책에서 다루는 전략 중 과최적화 위험이 가장 높은 전략 중 하나다. 이유는 다음과 같다.
이유 1 — 공분산 추정의 불안정성: 공분산 추정 오류가 포트폴리오 비중에 극단적 영향을 줄 수 있다. 추정 오류가 작아도 최적화 결과가 크게 달라지는 경우가 있다.
이유 2 — 공매도 제약의 불연속성: 비중 하한(0%)이라는 비선형 제약이 작은 데이터 변화에도 포트폴리오 구성을 크게 바꿀 수 있다.
이유 3 — 자유도: 자산 수가 N개라면 N(N+1)/2개의 공분산 파라미터가 있다. 이 높은 자유도가 인샘플 과적합을 만든다.
강건성을 높이는 설계 원칙
원칙 1 — 수축 추정 사용 표본 공분산 대신 레드너-울프 수축 추정을 사용한다. 추정 오류를 줄여 포트폴리오 안정성을 높인다.
원칙 2 — 비중 상한 설정 개별 자산의 비중이 지나치게 높아지는 것을 방지한다. 보통 5~30% 상한을 설정한다.
원칙 3 — 비중 안정화 이전 기간 비중과의 가중 평균으로 급격한 비중 변화를 방지한다.
원칙 4 — 아웃오브샘플 검증 인샘플에서 최적화한 결과를 아웃오브샘플에서 반드시 검증한다. 인샘플 성과와 아웃오브샘플 성과의 차이가 크면 공분산 추정이 과적합됐다는 신호다.
10. 다른 전략과의 관계
잘 결합되는 전략
리스크 패리티 (Chapter 28): 최소 분산과 리스크 패리티는 같은 철학(리스크 최소화)의 다른 구현이다. 두 접근의 결과를 평균내면 더 안정적인 포트폴리오가 만들어진다.
저변동성 팩터 전략 (Chapter 34): 최소 분산은 주식 유니버스 내에서 저변동성 팩터 전략과 유사한 결과를 만든다. 두 전략은 같은 이상현상(저변동성 프리미엄)을 다른 방식으로 포착한다.
변동성 타이밍 (Chapter 27): 최소 분산으로 자산 내 비중을 결정하고, 변동성 타이밍으로 전체 포지션 크기를 결정하는 조합이다.
포트폴리오 내 역할
최소 분산은 포트폴리오에서 리스크 최소화 핵심 구조 역할을 한다. 추세추종, 팩터 전략 등 알파 전략들의 "하우스"로서, 전체 포트폴리오의 변동성을 구조적으로 낮추는 기반을 제공한다.
11. 실전 적용 시 주의사항
이론과 실전의 괴리 포인트
괴리 1 — 이차계획법 구현 최소 분산은 수학적 최적화가 필요하다. 개인 투자자가 직접 구현하려면 엑셀 솔버나 Python의 scipy.optimize 등을 활용해야 한다. 계산 도구 없이는 정밀한 구현이 어렵다.
괴리 2 — 공분산 행렬의 크기 50개 이상의 자산을 사용하면 1,275개 이상의 공분산 파라미터 추정이 필요하다. 데이터가 충분하지 않으면 추정이 불안정하다.
괴리 3 — 비중 변화의 거래비용 공분산이 매월 업데이트되면 비중이 크게 변할 수 있다. 이 비중 조정의 거래비용이 이론적 수익의 상당 부분을 잠식할 수 있다.
개인 투자자를 위한 현실적 단순화
완전한 이차계획법 최소 분산은 개인 투자자에게 어렵다. 다음 단순화 방법들이 현실적이다.
단순화 1 — 역변동성 가중치: 완전한 최소 분산의 대안으로, 단순히 변동성에 반비례한 비중을 사용한다. 상관관계를 무시하지만 많은 경우 충분히 좋은 근사치다.
단순화 2 — 소규모 자산 유니버스: 자산 수를 5~10개로 제한하면 공분산 추정이 훨씬 안정적이다. "주식 ETF, 채권 ETF, 금 ETF, 원자재 ETF" 4개 자산의 최소 분산은 간단한 스프레드시트로도 구현 가능하다.
단순화 3 — 상관관계 가정: 자산 간 상관관계를 0 (독립)이라고 가정하면 역변동성 가중치와 동일해진다. 또는 역사적 평균 상관관계를 하나의 숫자로 가정한다.
투자자가 흔히 저지르는 실수
실수 1 — 자산 수를 너무 많이 늘리기 자산이 많을수록 분산 효과가 더 좋을 것이라고 생각하기 쉽지만, 공분산 추정 오류도 함께 커진다. 5~20개의 적절한 유니버스가 더 강건하다.
실수 2 — 비중 상한 없이 최적화 비중 상한 없이 최적화하면 특정 자산에 90%가 집중되는 극단적 결과가 나올 수 있다. 반드시 현실적 상한을 설정해야 한다.
실수 3 — 매월 전면 재최적화 매월 공분산을 재계산하고 전면 재배분하면 거래비용이 크게 증가한다. 비중 안정화와 회전율 제한이 필수적이다.
실수 4 — 최소 분산을 수익 극대화 전략으로 오해 최소 분산은 리스크 최소화 전략이다. 강한 상승장에서 시장보다 수익이 낮은 것은 전략의 실패가 아니라 정상적 작동이다.
12. 전략 요약 카드
| 항목 | 내용 |
|---|---|
| 전략 유형 | 포트폴리오 최적화 / 리스크 최소화 |
| 핵심 아이디어 | 공분산 행렬로 포트폴리오 전체 변동성을 수학적으로 최소화 |
| 적합 시장 | 모든 시장 (특히 하락장 방어에 강함) |
| 적합 자산군 | 저변동성 주식 + 다자산 결합, 5~20개 유니버스 |
| 전형적 CAGR | 유니버스 평균과 유사하거나 소폭 높음 |
| 전형적 MDD | 유니버스 대비 30~50% 감소 |
| 전형적 샤프지수 | 0.7~1.5 |
| 전형적 베타 | 0.5~0.7 (방어적) |
| 과최적화 위험 | 높음 (공분산 추정 오류) |
| 난이도 | ⭐⭐⭐ |
| 함께 쓰면 좋은 전략 | 리스크 패리티, 변동성 타이밍, 저변동성 팩터 |
| 피해야 할 시장 국면 | 강한 주식 상승장 (수익 제한), 상관관계 급등 위기 (분산 효과 소멸) |
📌 핵심 요약 (3줄)
최소 분산 포트폴리오는 기대 수익률 추정 없이 공분산만으로 변동성을 수학적으로 최소화하는 전략으로, 저변동성 이상현상 덕분에 CAGR을 유지하면서 MDD를 크게 줄이는 역설적 성과를 낸다. 공분산 추정 오류와 과최적화가 가장 큰 실전 위험이며, 자산 수 제한(5~20개), 비중 상한 설정, 수축 추정이 이 위험을 구조적으로 줄이는 핵심 방어책이다. 개인 투자자에게는 역변동성 가중치라는 단순화 버전이 충분히 좋은 근사치이며, 이 단순한 접근이 복잡한 이차계획법보다 실전에서 더 강건한 경우가 많다.
➡️ 다음 챕터 예고: Chapter 30에서는 VIX 기반 시장 국면 전략을 다룬다. 공포지수 VIX가 시장의 두려움을 어떻게 측정하고, VIX 수준에 따라 투자 전략을 어떻게 조정하며, VIX 역전(낮은 VIX에서 하락, 높은 VIX에서 반등)이 어떤 기회를 만드는지를 완전히 분석한다.
✅ Chapter 29 [최소 분산 포트폴리오] 완료 — 다음: Chapter 30 [VIX 기반 시장 국면 전략] 집필을 요청하시려면 '계속' 을 입력하세요.