포트폴리오 최적화(MVO)란
MVO(Mean-Variance Optimization, 평균-분산 최적화)는 마코위츠의 현대 포트폴리오 이론을 바탕으로 자산 비중을 수학적으로 도출하는 방법이다. 위험(분산) 대비 수익(평균)이 가장 효율적인 조합을 찾아내는 것이 목적이다.
직관적으로는 단순하다. “같은 위험에서 가장 높은 수익을 내는 자산 비중은 무엇인가” 또는 “같은 수익에서 가장 낮은 위험을 가지는 자산 비중은 무엇인가”를 푸는 문제다. 모든 가능한 비중 조합을 위험-수익 평면에 그렸을 때 그 위쪽 경계가 효율적 프론티어다.
PFSE 도구의 포트폴리오 최적화(PRO 기능)는 이 과정을 자동화한다. 입력한 자산을 바탕으로 효율적 프론티어 차트, 세 가지 핵심 포트폴리오(현재/최대 샤프비율/최소 분산) 비교, 최적 배분 도넛 차트를 제공한다. 추가로 Michaud 리샘플링 200회로 입력값 민감도를 줄인 결과를 제공한다.
MVO는 강력한 도구지만 사용에 주의가 필요하다. 결과를 그대로 따르기보다 자신의 자산 배분을 점검하는 참고 자료로 활용하는 것이 일반적이다.
MVO 입력 검토부터
결과 해석 전에 입력값이 정확한지 확인해야 한다. MVO는 입력값에 매우 민감해 작은 차이가 큰 결과 차이를 만든다.
자산 카테고리 분석에 포함할 자산군을 정한다. 너무 많은 자산을 포함하면 결과가 불안정해진다. 일반적으로 5-7개 자산군이 적절하다.
자산별 비중 현재 비중이 정확히 입력됐는지 확인. 최적화 결과는 현재 비중과 비교 형태로 제시되므로 출발점이 정확해야 한다.
기대수익률과 변동성 PFSE는 yfinance 실측 데이터를 사용해 자동 계산한다. 입력자가 직접 가정할 수는 없지만, 도구가 어떤 기간의 데이터를 사용하는지 인지하는 것이 좋다.
비중 제약 PFSE는 기본적으로 자산당 5%-70% 비중 제약을 적용한다. 한 자산에 0% 또는 100%로 쏠리는 비현실적 결과를 방지한다.
효율적 프론티어 차트 읽기
PFSE 결과의 핵심 시각화다. X축은 위험(변동성), Y축은 기대수익률이다. 각 점은 가능한 자산 비중 조합 하나를 나타낸다.
프론티어 곡선 가능한 조합들의 위쪽 경계. 이 선 위에 있는 비중 조합이 “효율적”이다. 같은 위험에서 더 높은 수익을 내는 다른 조합이 없다는 의미다.
프론티어 아래 영역 이 영역에 있는 조합은 비효율적이다. 같은 위험에서 더 높은 수익을 내는 조합이 프론티어 위에 존재한다.
현재 포트폴리오 위치 자신의 현재 자산 배분이 프론티어 위에 있는지 아래에 있는지 확인한다. 아래에 있다면 같은 위험에서 더 좋은 결과를 낼 수 있는 조합이 있다는 의미다.
프론티어의 모양 곡선이 가파르면 위험을 조금만 늘려도 수익이 크게 증가한다. 완만하면 위험을 늘려도 수익 증가가 작다. 자산 간 상관관계와 변동성에 따라 모양이 달라진다.
프론티어의 시작점과 끝점 시작점(가장 왼쪽)은 최소 분산 포트폴리오, 끝점(가장 오른쪽)은 가장 위험·고수익 조합이다.
세 가지 핵심 포트폴리오 비교
PFSE는 세 가지 대표 포트폴리오를 함께 제시한다.
현재 포트폴리오 입력한 그대로의 자산 배분. 비교의 기준점이 된다.
최대 샤프비율 포트폴리오 (탄젠시 포트폴리오) 위험 1단위당 초과수익이 가장 큰 조합. 효율적 프론티어와 무위험 수익률에서 그은 직선이 접하는 점이다. “이론적으로 가장 효율적인” 위험 자산 조합으로 평가된다.
최소 분산 포트폴리오 가능한 가장 낮은 위험을 가진 조합. 효율적 프론티어의 가장 왼쪽 점이다. 수익률은 낮을 수 있지만 변동성이 가장 작다.
세 포트폴리오의 비교 표나 차트를 통해 자신의 현재 위치와 두 극단 사이의 차이를 확인할 수 있다.
최적화 결과 해석
세 포트폴리오의 비교 결과를 어떻게 활용할지가 핵심이다.
현재가 최대 샤프비율에 가까운 경우 자산 배분이 위험 대비 수익 측면에서 잘 구성됐다. 큰 변경 없이 유지 가능하다.
현재가 최대 샤프비율과 크게 다른 경우 같은 위험에서 더 높은 수익을 내거나 같은 수익에서 더 낮은 위험을 가진 조합이 있다는 의미다. 다만 최적화 결과를 그대로 따르기보다 방향성을 참고한다. 예를 들어 도구가 채권 비중을 늘리라고 하면, 그 방향으로 점진적으로 조정하는 식이다.
현재가 최소 분산에 가까운 경우 매우 보수적인 자산 배분이다. 위험 허용도가 더 크다면 수익 잠재력을 살린 조합으로 이동할 수 있다.
최대 샤프비율의 변동성이 본인 허용도 초과 이론적으로 최적이어도 실제 견딜 수 없는 위험 수준이면 의미가 없다. 본인 위험 허용도 안에서 프론티어상 점을 선택한다.
자산별 비중 차이 확인 어떤 자산을 늘리고 어떤 자산을 줄여야 하는지 구체적 방향을 확인한다. 일반적으로 한 자산이 큰 폭으로 늘거나 줄어드는 경우는 입력값 영향이 큰 결과일 수 있다.
Michaud 리샘플링의 의미
PFSE는 일반 MVO에 Michaud 리샘플링 200회를 적용한 결과를 제공한다. 이게 왜 중요한가.
일반 MVO의 문제 기대수익률·변동성·상관관계 입력값이 조금만 변해도 결과 비중이 크게 달라진다. 한 자산에 90% 쏠리는 비현실적 결과가 나오기도 한다. 이를 “코너 솔루션 문제”라 부른다.
Michaud 리샘플링의 작동 입력값을 약간씩 변형해 200번의 다른 MVO를 실행한 후 결과 비중을 평균낸다. 한 번의 결과 대신 평균화된 결과를 본다. 극단적 비중이 완화되고 더 안정적인 추천이 나온다.
실무적 의미 같은 자산을 분석해도 데이터 기간을 조금 바꾸거나 일부 자산을 추가·제외하면 일반 MVO 결과가 크게 달라진다. Michaud 리샘플링 결과는 이런 변동에 덜 민감하다. 더 신뢰할 만한 자산 배분 가이드로 활용 가능하다.
한계 리샘플링이라도 입력 데이터의 근본 한계는 해결하지 못한다. 미래 시장이 과거와 크게 다르면 결과도 달라진다.
비중 제약 5-70%의 의미
PFSE는 자산당 최소 5%, 최대 70% 비중 제약을 적용한다. 이게 왜 있는가.
5% 하한 한 자산이 0%(완전 제외)가 되는 결과를 막는다. 작은 비중이라도 보유하면 분산 효과가 유지되고 미래 환경 변화에 대비할 수 있다.
70% 상한 한 자산에 70% 이상 쏠리는 결과를 막는다. 이론적으로 최적이어도 한 자산에 압도적으로 의존하는 자산 배분은 위험 관리 관점에서 부적절하다.
제약의 효과 비중 제약 없이 최적화하면 종종 한 자산에 90%, 다른 자산에 0% 같은 극단 결과가 나온다. 5-70% 제약은 현실적이고 분산된 결과를 보장한다.
개인 투자자에게 적절 기관 투자자는 더 엄격한 제약(예: 자산당 30% 상한)을 사용하지만, 개인 투자자에게는 5-70%가 자유도와 안정성의 균형점이다.
MVO 활용 시나리오
MVO를 실제로 활용하는 구체 시나리오는 다음과 같다.
자산 배분 출발점 설정 처음 자산 배분을 정할 때 MVO 결과를 출발점으로 삼는다. 그대로 따르지 않더라도 방향성을 잡는 데 유용하다.
현재 자산 배분 검증 자신의 현재 배분이 효율적 프론티어 위에 있는지 확인한다. 크게 벗어났다면 개선 여지가 있다는 신호다.
자산 추가·제외 영향 평가 새 자산을 포트폴리오에 추가하면 프론티어가 어떻게 이동하는지 확인. 분산 효과를 정량적으로 본다.
위험 허용도별 비중 선택 효율적 프론티어 위에서 자신의 위험 허용도에 맞는 점을 선택한다. 위험 회피적이면 왼쪽, 위험 추구적이면 오른쪽.
정기 재평가 시장 환경이 크게 변하면 (금리 큰 변동, 자산 가격 큰 변동) 재최적화해 비중을 점검한다.
MVO 해석의 흔한 함정
MVO 결과 활용에서 자주 발생하는 오류가 있다.
최적화 결과 절대시 최적화는 입력값 기반 추정이다. 입력값이 미래에 그대로라는 보장이 없다. 도구가 “주식 65%, 채권 25%, 금 10%“를 추천했다고 그대로 따르면 안 된다. 방향성과 큰 그림을 참고하는 게 맞다.
과거 데이터 의존 PFSE는 yfinance 실측 데이터로 기대수익률·변동성·상관관계를 추정한다. 미래에 같은 패턴이 반복된다는 보장은 없다.
상관관계의 시변성 위기 시 자산 간 상관관계가 급변한다. 평상시 데이터로 계산된 분산 효과가 위기 시 사라질 수 있다. 백테스트와 Monte Carlo로 보완한다.
거래비용·세금 무시 최적화 결과대로 비중을 맞추려면 매매가 필요하다. 매매 수수료, 세금, 호가 스프레드가 모두 차감되지 않은 결과다. 실제 조정은 점진적으로 하는 것이 일반적이다.
한 자산이 압도적으로 추천 비중 제약 5-70% 안에서도 한 자산이 70%까지 쏠리는 결과가 나오기도 한다. 이는 그 자산의 기대수익률이 다른 자산에 비해 매우 높게 추정된 결과다. 그대로 따르기 전에 입력 데이터를 확인한다.
위험 허용도 무시 이론적 최적이 본인 위험 허용도와 맞지 않으면 의미가 없다. 최대 샤프비율 포트폴리오가 변동성 18%인데 본인이 12%까지만 견딘다면, 그 점은 선택지가 아니다.
MVO와 다른 분석의 보완
MVO는 단독 사용보다 다른 분석과 조합할 때 가치가 크다.
자산 진단과의 조합 먼저 자산 진단에서 현재 자산 비중과 리스크 노출도를 확인한 후, MVO로 최적 비중을 계산한다. 비교를 통해 조정 방향을 결정한다.
백테스트와의 조합 MVO가 제시한 최적 비중으로 백테스트를 실행해 과거 성과를 검증한다. 이론적 최적이 실제로도 좋은 결과를 냈는지 확인한다.
Monte Carlo와의 조합 MVO 결과 비중으로 Monte Carlo 시뮬레이션을 실행해 미래 시나리오 분포를 본다. 이론적 최적이 다양한 미래에서도 견딜 수 있는지 점검한다.
VaR/CVaR와의 조합 MVO 결과의 극단 손실 위험을 VaR/CVaR로 확인한다. 평균-분산만으로는 보이지 않는 꼬리 위험을 점검한다.
자주 묻는 질문
MVO 결과를 그대로 따라야 하나 아니다. 방향성과 비교 기준으로 활용한다. 도구가 채권 비중을 늘리라고 하면 그 방향으로 점진적 조정. 한 번에 큰 폭으로 비중을 바꾸지 않는다.
Michaud 리샘플링 결과와 일반 MVO 결과가 다른데 일반적이다. Michaud 리샘플링은 입력값 변동성을 반영해 더 안정적인 평균값을 제공한다. 큰 차이가 있다면 일반 MVO가 입력값에 과민하다는 의미다. Michaud 결과를 더 신뢰할 만하다.
왜 한 자산이 70%로 추천되나 그 자산의 기대수익률이 다른 자산 대비 매우 높게 추정됐기 때문이다. PFSE의 5-70% 제약 안에서 최대까지 쏠린 결과다. 이런 경우 입력 데이터를 확인하고, 그대로 따르기보다 보수적으로 비중을 줄여 적용하는 것이 일반적이다.
최소 분산 포트폴리오가 너무 안전해 보이는데 최소 분산은 위험을 최소화한 결과라 수익률도 낮다. 위험 허용도가 더 크다면 효율적 프론티어 위에서 오른쪽 점을 선택할 수 있다.
얼마나 자주 재최적화해야 하나 큰 시장 변동(금리 급변, 위기 발생)이 없으면 연 1-2회가 적절하다. 너무 자주 하면 입력 데이터의 단기 변동에 따라 비중이 흔들린다.
가상자산을 포함할 수 있나 PFSE는 현재 가상자산을 지원하지 않는다. 별도로 비중을 결정한 후 나머지 자산에 MVO를 적용하는 방식을 권장한다.
PFSE 도구로 포트폴리오 최적화하기
PFSE 도구의 포트폴리오 최적화(PRO)에서는 다음 결과를 확인할 수 있다.
- 효율적 프론티어 차트
- 세 가지 핵심 포트폴리오 비교 (현재 / 최대 샤프비율 / 최소 분산)
- 최적 배분 도넛 차트
- Michaud 리샘플링 200회 적용 결과
- 자산당 5%-70% 비중 제약 적용
자산 입력 후 포트폴리오 최적화 메뉴에서 결과를 바로 확인할 수 있다. 자산 진단, 백테스트, Monte Carlo와 함께 활용하면 더 종합적인 자산 배분 평가가 가능하다.
도구는 PFSE 웹 애플리케이션에서 이용할 수 있다.
본 글은 PFSE 도구의 포트폴리오 최적화(MVO) 활용 방법을 정리한 정보 제공용이다. 최적화 결과는 과거 데이터 기반 추정이며 미래 수익을 보장하지 않는다. 실제 투자 결정은 본인의 판단과 책임 하에 이루어져야 한다.