주변부 노드 기반 자산 선정을 활용한 계층적 리스크 패리티 전략

Abstract

The hierarchical risk parity (HRP) model is a representative asset allocation model based on network theory. It expresses the financial market structure using a minimum spanning tree based on the correlation coefficient and calculates investment weights using this hierarchical structure. The model presents weight-allocation strategy that operates robustly on out-of-sample backtesting without the fatal instability issue of calculating the minimum variance portfolio using Markowitz's mean-variance model. The HRP model is innovative in that it does not suffer from solution instability and reflects the notion of hierarchy. However, it suffers from the limitation that all assets in the market must be used to capture the entire hierarchical structure of the financial market. Furthermore, owing to the use of the full correlation coefficient matrix, the actual relationship between individual assets is difficult to capture because of the strong influence of the overall market movement on all assets. To overcome these limitations, this thesis presents a new HRP model that uses random matrix theory and verifies the practicality of a security selection method based on network theory. We verified its efficacy by applying it to the Korean and US stock markets. First, this thesis study used Global Motion Subtracted Correlation (GMSC), which was previously used in market analysis, in the HRP model. We observed the efficacy of GMSC in asset allocation and its superiority compared to a full correlation coefficient matrix. Second, the notion of peripheral stock selection, the effectiveness of which was observed in previous literature with respect to the Markowitz model, was modified and applied to the existing and proposed HRP models. The results indicated improved risk-adjusted returns in both models. We expect the proposed methodology to ensure improved profitability while shrinking the number of assets under management, which will be immensely useful to investors from an operational perspective. Furthermore, we explored the efficacy of filtering out insignificant information in the correlation coefficient matrix. The approach did not show consistent performance improvement in the Korean and US markets, as it dampened the effectiveness of the peripheral stock selection method. The empirical results of the denoising approach imply a trade-off between the heterogeneous characteristics of the financial market structure of each country and the filtration of the correlation coefficient matrix. In conclusion, the contributions of this thesis include a new HRP model that reacts appropriately to the context of synchronization between risky assets and the case study of the practical selection method, which substantially benefits the financial investment industry.|계층적 리스크 패리티 모형 (Hierarchical Risk Parity)은 네트워크 이론에 기반한 대표적 자산 배분 모형이다. 이 모형은 상관계수에 기반한 최소신장트리를 통해 금융시장 구조를 표현하고, 이 계층구조를 활용하여 자산 가중치를 계산한다. 해당 모형은 마코위츠 평균-분산 모형의 최소분산 포트폴리오 가중치 계산에서 발생하는 수치적 불안정성 없이 외표본에서 강건하게 작동하는 가중치 배분 전략을 제시한다. 계층적 리스크 패리티 모형은 조건수(Condition number)로 인한 해의 불안정성 문제에서 자유롭고, 계층구조 정보를 반영했다는 점에서 혁신적이다. 하지만 금융시장의 완전한 계층구조 활용을 위해서 시장 내 모든 자산을 사용해야 한다는 제약이 존재한다. 또한 상관계수 행렬에 기반하는 모형의 특성 상 시장 전반의 움직임이 모든 자산들에 강한 영향력을 끼치고, 이로 인해 개별 자산 간 실제 관계성이 최소신장트리에서 제대로 반영되지 않는다는 결점이 존재한다. 본 학위논문은 이러한 한계점들을 극복하기 위해서 랜덤행렬이론을 활용한 새로운 계층적 리스크 패리티 모형을 제시하고, 네트워크 이론 기반 종목 선택법의 효능에 대한 사례 연구를 하였다. 그리고 한국과 미국 주식 시장에 적용하여 두 방법론의 효능을 검증하였다. 첫번째로, 본 학위논문은 과거 시장 분석에 사용된 Global Motion Subtracted Correlation (GMSC)에 기반하여 새로운 계층적 리스크 패리티 모형을 제시했다. 백테스팅 결과, GMSC 기반 계층적 리스크 패리티 모형은 단순 상관계수 행렬 대비 향상된 위험조정 수익률을 얻었다. 두번째로, 본 학위논문은 선행연구에서 마코위츠 모델에서 효능을 보인 주변부 종목 선택법을 변형하여 기존의 계층적 리스크 패리티 모형과 새롭게 제시한 모형에 적용해 향상된 위험조정 수익률을 백테스팅에서 얻었다. 해당 방법론은 향상된 수익성을 보장하는 동시에 더 적은 자산 관리를 가능케하여 자산운용 관점에서 투자자들에게 큰 효용을 줄 것으로 기대된다. 상관계수 행렬 내 잡음을 걸러내는 접근법은 한국과 미국 시장에서 일관된 성능향상을 보이지 않았고, 주변부 종목 선택법의 효과를 줄였다. 이러한 발견은 향후 국가 별 금융시장 구조의 이종적 특성과 상관계수 행렬의 정제간 상충관계에 대한 연구의 필요성을 시사한다. 결론적으로 본 학위논문은 위험자산 간 동조화 현상에 대응 가능한 새로운 계층적 리스크 패리티 모형을 제시하고 주변부 종목 선택법의 효능을 계층적 리스크 패리티 전략들에서 확인했다는 점에서 그 의의를 가진다.