Disclosure: This document summarizes Tactical Asset Allocation with Macroeconomic Regime Detection (arXiv:2503.11499). Original authors: Daniel Cunha Oliveira, Dylan Sandfelder, André Fujita, Xiaowen Dong, Mihai Cucuringu. Original paper: https://arxiv.org/abs/2503.11499.
본 논문은 거시경제 국면(macro regime) 이 자산의 수익률 분포 및 상관구조에 미치는 영향을 실증적으로 검증하고, 이를 기반으로 한 전술적 자산배분(Tactical Asset Allocation; TAA) 프레임워크를 제안한다.
저자들은 자산시장 수익률이 시간에 따라 이분산성과 공분산 구조를 달리하는 비정상(non-stationary) 특성을 가지며, 이러한 특성은 경기 국면, 통화정책, 인플레이션 등 거시경제 변수 의 변화에 의해 결정된다고 본다.
기존의 평균-분산(Markowitz, 1952) 또는 정적 SAA 접근은 단일 시점의 기대수익률과 분산 추정치를 사용하므로, 경제상황 변화(regime shift) 를 반영하지 못하는 한계를 가진다. 또한, 기존의 레짐모델(Hamilton, 1989; Ang & Bekaert, 2002 등)은 사후적(ex-post)으로 국면을 식별하거나 제한된 변수(예: GDP 성장률, 금리)만을 활용하여 경제의 구조적 변화를 충분히 설명하지 못했다.
이에 본 연구는 확률적 군집화(probabilistic clustering) 및 전이확률 기반 레짐 탐지 모델을 활용하여, 실시간(real-time) 거시경제 국면을 분류하고, 각 국면별로 최적 자산배분 전략을 설계한다.
구체적으로, 저자들은 마코프 전환 모델(Markov Switching Model) 및 K-평균 클러스터링(K-means clustering) 을 결합한 접근을 통해, 관측된 거시변수(예: 성장률, 인플레이션, 금리 스프레드, 주가수익률 등)의 패턴으로부터 국면(예: 확장기, 둔화기, 침체기, 회복기)을 도출하였다.
이후, 각 국면에 대응하는 자산군별(주식, 채권, 원자재 등) Sharpe Ratio, 변동성, 상관관계 구조를 추정하고, 이를 이용해 국면별 전술적 자산배분 포트폴리오를 구성하였다.
연구 결과, 거시경제 국면을 고려한 TAA 전략은 단일 레짐 기반 또는 정적 SAA 전략 대비 성과 안정성(Performance stability) 및 하방위험 관리(Downside risk control) 측면에서 우수함을 보였다.
마지막으로, 본 논문은 (1) 거시경제 국면 탐지에 데이터 기반 기계학습을 접목한 점, (2) 레짐별 자산배분 최적화를 실증적으로 검증한 점, (3) 기존 자산배분 연구의 한계를 실시간 적용가능성 측면에서 확장했다는 점에서 학문적·실무적 기여를 가진다고 주장한다
목적
거시경제 변수로 구성된 월별 상태 벡터 (𝒙ₜ ∈ ℝᵐ)를 이용해 각 월을 특정한
‘regime’(국면)으로 분류한다.저자들은 k-means 클러스터링을 적용하되, 두
단계로 거리 함수를 달리 사용하는 방식을 제안한다.
ℓ₂ (Euclidean) Clustering — Outlier 분리
ℓ₂ 거리(Euclidean distance)를 사용해 k = 2로 클러스터링한다. ℓ₂ 거리는
크기 차이에 민감하므로 데이터에서 r 극단적 규모의 월(비정상 거시 상황)을
자동으로 분리할 수 있다.
두 집단 A, B가 도출되며 |A| ≤ |B|일 때 A를 ‘outlier months (Regime 0)’,
B를 ’typical months’로 간주한다.
이로써 이상 관측치를 제거하고 정상 구간 데이터만 다음 단계에
사용한다.
Cosine Clustering — 정상 월 세분화
남은 B 집단은 규모가 유사하므로, 벡터의 방향 정보만으로 유사성을
판단하는 코사인 유사도(cosine similarity)를 사용한다.
각 월 쌍 간 코사인 거리를 계산해 k-means를 다시 수행하고, k = r 값은
elbow heuristic으로 결정한다.
이 단계는 경제적 의미가 다른 정상 국면들(예: 확장, 둔화, 회복 등)을
세분화하기 위함이다.
결과 및 출력
두 단계를 통해 모든 월은 총 r + 1개의 regime으로 분류된다.
최종적으로 이 분류 결과는 이산 라벨이 아닌 확률적 분포 형태로 출력되어 후속 전이확률 계산과 자산배분 모델링에 활용된다.
요약: Section 3.1은 이 논문의 거시국면 탐지 모형의 핵심으로,
(1) Euclidean 거리로 이상치 제거 → (2) Cosine 거리로 정상치 세분화 하는 2단계 클러스터링 전략을 정의한다.
배경 및 필요성
앞 절의 두 단계 클러스터링(ℓ₂ 및 코사인 거리)은 각 월을 특정
레짐(regime)으로 분류했지만,
실제 경제 데이터는 명확히 한 국면에 속하기보다 여러 국면의 특성을 동시에
가질 수 있다.
따라서 저자들은 각 월의 국면 소속도를 확률적(probabilistic)
형태로 재표현한다.
이 접근은 “soft clustering”의 개념과 유사하며, 시계열의 연속성을
반영하기 위한 것이다.
방법론 개요
각 월 \(t\)에 대해, 해당 월의 상태벡터
\(X_t\)와 각 레짐 중심(centroid) \(\mu_j\) 간의 거리를 계산하고,
이를 기반으로 각 레짐에 속할 확률 \(P_t(R_j)\)을 산출한다. 코사인 기반
클러스터링의 경우, 방향 유사도가 높을수록 확률이 높게 부여된다.
기본 아이디어는 다음과 같다:
Outlier Regime (Regime 0) 처리
Regime 0은 ℓ₂ 클러스터링으로 정의된 “비정상 월(outlier)”이므로,다른 정상
레짐들과 동일한 방식으로 확률을 부여하면 왜곡이 발생한다.
이를 방지하기 위해 저자들은 Regime 0의 확률을 스케일 조정
함수로 변환하였다.
Regime 0의 확률 조정식은 다음과 같다:
\[
P_t(R_0) = -P_{\max} \cdot \log_2(1 - P_t(R_0))
\] 이 변환은 극단적 월일수록 Regime 0의 확률을 급격히 높여 주며,
동시에 다른 정상 국면으로의 잘못된 할당을 억제한다.
출력 및 활용
이렇게 산출된 확률 벡터 \(\mathbf{P}_t =
(P_t(R_0), P_t(R_1), \ldots, P_t(R_r))\)는
각 월이 여러 국면에 걸쳐 있을 가능성을 표현하는 확률 분포 형태의
레짐 표현(regime distribution) 이 된다.
이 확률들은 이후 3.3절의 전이확률행렬(transition
matrix) 계산 및 4장에서 제시되는 전술적 자산배분(TAA)
모델의 입력으로 사용된다.
요약:
Section 3.2는 단일 군집 라벨링을 확률적 형태로 확장한 절로,
각 월의 레짐 소속을 확률 분포로 표현함으로써
(1) 국면 간 경계의 불확실성, (2) 시계열의 연속성, (3) Regime 0의 특수성을 동시에 반영한다.
목적
각 월이 속한 거시경제 국면(regime)이 시간에 따라 어떻게 변화하는지를
파악하기 위해
레짐 간 전이확률행렬(transition probability matrix) 을
계산한다.
이 행렬은 월별 시장 상태가 한 국면에서 다른 국면으로 이동할 가능성을
보여주며,
시장의 동태적 구조를 정량화하는 핵심 구성요소다.
계산 방법
각 월의 레짐 분류 결과를 이용해, 인접한 두 시점 \(t\)와 \(t+1\)에서 레짐이 어떻게 변화했는지를
세어
전이 빈도를 기반으로 확률을 계산한다.
구체적으로, 행 \(i\), 열 \(j\)의 원소 \(e_{ij}\)는 다음과 같이 정의된다: \[
e_{ij} =
\frac{
\text{TransitionCount(Regime } i \rightarrow j)
}{
|\text{Regime } i|
}
\] 즉, Regime \(i\)에서 Regime
\(j\)로 전이된 횟수를 Regime \(i\)가 전체 데이터에서 나타난 횟수로 나눈
것이다.
이렇게 계산된 \(e_{ij}\)는 Regime \(i\)에서 다음 달에 Regime \(j\)로 이동할 확률을 나타낸다.
해석
활용
이렇게 얻은 전이확률행렬은 이후 단계(특히 5장 예측 모델링)에서
Markov Chain 기반의 확률적 상태 업데이트 에
사용된다.
다음 시점의 국면 확률분포는 아래와 같이 계산된다: \[
\tilde{p}_{t+1} = \tilde{p}_t^\top E_t
\] 여기서 \(E_t\)는
전이확률행렬, \(\tilde{p}_t\)는 현재
국면의 확률분포 벡터다.
이는 고전적인 마르코프 체인(Markov chain) 과정을 그대로 적용한
형태다.
요약:
Section 3.3은 레짐 분류 결과를 동태적 확률모형으로 확장하여,
월별 국면 간 이동 가능성을 정량화하는 전이확률행렬을 제시한다.
이 행렬은 이후 자산배분 및 예측 모델에서 시장 상태 변화의 확률적 진화를 반영하는 핵심 역할을 한다.
목적
Section 4에서는 거시경제 데이터를 기반으로 각 월별 시장 상태를
레짐(regime)으로 분류하고,
각 레짐의 거시적 특징과 시장 반응을 분석한다.
데이터 구성(4.1–4.2), 레짐 도출 방법 비교(4.3), 레짐별 거시 변수 차이 및
시장 행태(4.4–4.6)를 포함한다.
Macroeconomic Data
Data Preparation
Regime Classification 비교
레짐별 특성 및 시장 행동 분석
Regime | Label | 주요 특징 |
|---|---|---|
0 | Economic Difficulty | 높은 실업률, 낮은 소비자심리, 긴축 정책, 실질소득 감소 |
1 | Economic Recovery | 인플레이션 안정 및 경기 회복 초기, 소비자 신뢰 상승 |
2 | Expansionary Growth | 강한 성장세, 주식시장 호황, 균형된 물가·실업 |
3 | Stagflationary Pressure | 높은 인플레이션과 금리, 성장 정체 |
4 | Pre-Recession Transition | 인플레이션 둔화 및 성장 감소, 경기 하강 전조 |
5 | Reflationary Boom | 완화적 정책 하 성장 및 물가 동반 상승, 양적완화 국면 |
요약:
Section 4는 본 연구의 데이터 기초를 다루며, FRED-MD 데이터를 정규화한 후 클러스터링으로 6개 거시 국면을 도출했다.
각 국면은 거시 변수 패턴 및 시장 행태를 경제적 논리로 설명하며, 이후 예측 및 자산배분 모형의 핵심 입력으로 활용된다.
연구 목적
Section 5는 앞서 도출한 거시경제 국면(regime) 정보를 실제 예측 모델에
통합하여,
전술적 자산배분(Tactical Asset Allocation, TAA) 의
성과를 검증하는 실험을 다룬다.
분석 대상은 ETF 및 인덱스 펀드 중심 포트폴리오이며,
이들은 거시 국면 변화에 가장 민감하게 반응하는 자산군으로
선정되었다.
Regimes as Probabilistic Conditions
각 월별로 계산된 국면 확률벡터 \(\mathbf{p}_t\) 와 전이확률행렬 \(E_t\)를 결합해
다음 시점의 상태 확률을 갱신하는 마르코프 체인 방식이 적용된다:
\[
\tilde{p}_{t+1} = \tilde{p}_t^\top E_t
\] 이는 시장 상태를 단일 국면으로 고정하지 않고,
현재 국면의 불확실성과 국면 간 전이 가능성을 반영한
확률적 예측 체계다.
단일 확정 레이블을 사용하는 접근에 비해, 이 방식은 국면 경계가 모호한
실제 시장의 연속적 변화를 더 잘 반영한다.
Forecasting Models
세 가지 예측 모델을 통해 국면 기반 예측 효과를 비교한다:
Position Sizing Strategies
각 모델의 예측값을 실제 투자 비중(포지션)에 반영하기 위한 네 가지 전략을
제시한다.
전략명 | 설명 | 적용 상황 |
|---|---|---|
lo (long-only) | 매월 상위 예측 수익 자산만 매수 | 일반적 시장 상황 |
lns (long-and-short) | 상위 매수 + 하위 매도 병행 | 양방향 거래 허용 시 |
los (long-or-short) | 절대값 기준 상위 자산만 매수·매도 | 변동성 높은 구간 |
mx (mixed) | 다음 달이 Regime 0(침체)로 예측될 때만 short 허용 | 경기침체기 방어 전략 |
특히 mixed 전략은 경제적 난기(Regime 0)에서 숏
포지션을 허용하고,
다른 시기엔 롱온리 전략으로 전환함으로써 성과 안정성을 강화한다.
요약:
Section 5는 거시국면을 반영한 확률적 예측체계와 포트폴리오 전략을 실증적으로 검증한다.
Regime 정보를 예측 입력(Sharpe ratio·return priors) 과 비중 결정(Black-Litterman weights) 에 통합함으로써,
기존 단일 시점 평균-분산 접근보다 하방위험 억제·성과 안정성 향상을 입증하였다.
분석 개요
본 절은 Section 5의 예측 및 포트폴리오 구성 전략을 실제 데이터(FRED-MD
기반 거시국면, ETF·지수 자산군)에 적용해
전술적 자산배분(Tactical Asset Allocation, TAA) 의
성과를 검증한다.
비교 대상은 전통적 정적 SAA(Strategic Asset Allocation) 및 단일-국면
평균-분산(MVO) 접근이다.
주요 성과 지표로 Sharpe Ratio, Sortino Ratio, Maximum Drawdown, Average
Drawdown, Positive Return 비율을 사용한다.
Regime-based 전략의 성과
모델 간 비교
구분 | Sharpe Ratio | Sortino Ratio | MaxDD | 특징 |
|---|---|---|---|---|
Naive | 중간 | 중간 | 낮음 | 단순 국면평균 기반, baseline 역할 |
Ridge | 높음 | 높음 | 중간 | 규제회귀로 변동성 억제, 안정적 성과 |
Mean-Variance (MVO) | 중간 | 낮음 | 높음 | 노이즈 민감, 리스크 관리 미흡 |
Black-Litterman (BL) | 가장 높음 | 가장 높음 | 가장 낮음 | 확률적 prior 반영, 하방위험 최소화 |
Ridge와 BL 모델의 Sharpe Ratio는 평균 0.6~0.7 수준으로,
동일 기간 정적 SAA 대비 약 20~30% 향상된 성과를
보였다.
핵심 요약:
실증 결과, Regime 기반 TAA는 Sharpe 및 Sortino 개선과 drawdown 완화를 동시에 달성했다.
Ridge와 Black-Litterman 접근은 변동성 환경에서도 일관된 성과를 유지했으며,
이는 거시국면 확률 기반 자산배분이 정적 모델 대비 실질적 효율성을 제공함을 시사한다.
본 연구는 거시경제 국면(macro regime)을 체계적으로 식별하고 이를 전술적 자산배분(Tactical Asset Allocation, TAA)에 통합하는 새로운 프레임워크를 제시하였다. 핵심 기여는 다음 세 가지로 요약된다.
데이터 기반 국면 탐지(Data-driven Regime
Detection)
ℓ₂(Euclidean) 거리와 코사인(Cosine) 거리를 결합한 2단계 클러스터링
접근을 통해
전통적 경기 순환 변수(GDP, 금리, 인플레이션)에 의존하지 않고도
데이터 내재적 구조만으로 거시경제 국면을 식별하였다.
이 접근은 기존 Markov Switching Model의 복잡도를 줄이면서도
비정상적(outlier) 월을 효과적으로 분리하고,
정상 월을 세분화하여 경제적으로 해석 가능한 국면 체계를
구성하였다.
확률적 국면 표현(Probabilistic Regime
Representation)
각 월별 레짐 소속을 단일 라벨이 아닌 확률 분포 형태로 표현하여
국면 간 경계의 불확실성과 연속성을 반영하였다.
Regime 0(비정상 월)에 대한 로그 기반 스케일 조정식을 도입함으로써
극단적 거시 변동 상황의 영향을 효과적으로 제어하였다.
이 확률 기반 표현은 이후 전이확률행렬 계산 및 예측 모델의 핵심 입력으로
사용되었다.
전술적 자산배분(TAA) 성과 개선
확률적 국면 정보가 Sharpe Ratio, Sortino Ratio, Drawdown 등
위험조정성과 지표를 유의미하게 개선함을 실증적으로 보였다.
특히 Black-Litterman 접근은 국면 확률을 사전(prior)으로 통합하여
시장 구조 변화와 자산 상관구조를 동시에 반영하였으며,
전통적 평균-분산 포트폴리오 대비 일관된 초과성과를 달성했다.
또한 이 프레임워크는 실무적으로 다음의 응용 가능성을 가진다.
- 자산군별 동적 리스크 관리(dynamic risk budgeting)
- 경기국면별 전술적 포지션 조정
- 확률적 시나리오 기반의 자산배분 정책 수립
핵심 요약:
본 연구는 거시경제 국면을 데이터 기반으로 탐지하고 이를 확률적으로 해석함으로써
정적 자산배분의 한계를 극복하는 새로운 전술적 자산배분 프레임워크를 제시했다.
향후 연구에서는 고빈도 데이터(high-frequency data) 및 대체자산(Alternative Assets)을 포함한
확장형 Regime Detection 모델의 검증과 실시간 투자 시스템 적용이 제안된다.