260316 포트폴리오 이론, 공분산 방식, MVC vs Min CVaR

260316 포트폴리오 이론, 공분산 방식, MVC vs Min CVaR

기준 시각: 2026-03-16 17:30 KST
리서치 모드: think ultra hard

한 줄 결론 👀

포트폴리오 이론의 핵심은 개별 자산을 따로 보지 말고, 자산들이 함께 움직이는 구조까지 보라는 것이다.
그래서 공분산(covariance)이 중요해진다.

실전적으로 보면:

• 공분산 기반(Markowitz / minimum variance)은 포트폴리오 설계의 기본 뼈대다 ✅
• 하지만 표본 공분산 추정오차, 급락 꼬리위험, 과도한 리밸런싱 문제를 같이 안고 간다 ⚠️
• MVC는 평시 변동성 관리에 강하고, Min CVaR는 급락 꼬리위험 방어에 더 적합하다 🛡️
• 현실적인 설계는 보통 shrinkage covariance + 제약조건 + turnover control + tail-risk overlay 조합이다 🧩

참고: 이 문서에서는 MVC를 minimum variance, covariance-matrix-based portfolio라는 의미로 해석했다.
사용자가 mean-variance/covariance 의미로 말한 경우에도 핵심 비교 결론은 거의 같다.

소개 🌐

포트폴리오 이론은 1952년 Harry Markowitz의 고전 논문 Portfolio Selection에서 출발한다.
이 논문의 핵심은 아주 단순하다.

• 투자자는 기대수익률은 좋아한다
• 투자자는 위험은 싫어한다
• 그런데 위험은 자산 하나의 변동성만으로 결정되지 않고, 자산끼리 얼마나 같이 움직이느냐에도 달려 있다

즉,

좋은 포트폴리오 = 수익률이 높은 자산을 많이 모은 것
가 아니라
좋은 포트폴리오 = 자산 간 상호관계를 감안해
전체 위험 대비 기대수익을 가장 효율적으로 만든 것

이 관점에서 나온 대표 개념이 다음이다.

• 기대수익률(Expected Return)
• 분산/표준편차(Variance / Volatility)
• 공분산(Covariance)
• 상관계수(Correlation)
• 효율적 프론티어(Efficient Frontier)
• 최소분산포트폴리오(Global Minimum Variance Portfolio)

포트폴리오 이론의 기본 수식은 아래처럼 정리된다.

포트폴리오 기대수익률:
E[R_p] = w^T μ

포트폴리오 분산:
Var(R_p) = w^T Σ w

여기서
w = 자산 비중 벡터
μ = 기대수익률 벡터
Σ = 공분산 행렬

즉, 단일 자산 분석이 아니라 벡터와 행렬 문제가 된다.

flowchart LR
    A[기대수익률 μ] --> D[포트폴리오 최적화]
    B[변동성 σ] --> D
    C[공분산 행렬 Σ] --> D
    D --> E[효율적 프론티어]
    E --> F[투자자 성향별 최종 포트폴리오]

왜 공분산이 중요한가? 🔗

같은 변동성을 가진 자산 2개라도, 서로 항상 같이 움직이면 분산효과가 약하고,
반대로 덜 같이 움직이면 분산효과가 커진다.

그래서 포트폴리오 이론은 사실상 이렇게 읽으면 된다.

포트폴리오 이론 = "분산" 이론이 아니라
"공분산을 이용한 분산효과" 이론

이 점이 매우 중요하다.

• 자산 하나만 보면 위험해 보여도, 다른 자산과 합치면 전체 포트폴리오는 안정될 수 있다
• 반대로 개별적으로 괜찮아 보여도, 서로 매우 높은 상관을 가지면 실제 포트폴리오는 취약해질 수 있다

장점 ✅

1. 분산투자를 수학적으로 정식화했다

Markowitz 이전에도 “여러 자산에 나눠 담아라”는 직관은 있었다.
하지만 Markowitz는 이를 공분산 행렬로 수학화했다.

2. 자산이 아니라 포트폴리오 전체를 본다

포트폴리오 이론은 개별 종목이 아니라 조합 전체의 수익-위험 구조를 본다.
실전에서는 이 시각 전환이 매우 크다.

3. 최적화 문제가 명확하다

대표 목적함수는 아래처럼 깔끔하다.

• 주어진 목표수익률에서 위험 최소화
• 주어진 위험수준에서 수익 최대화
• 아무 목표수익률 없이 분산만 최소화

이 구조는 계산적으로 다루기 쉽고, 제약조건을 붙이기에도 좋다.

4. 현대 포트폴리오 기법의 출발점이다

다음 기법 대부분이 Markowitz 틀을 확장하거나 수정한 것이다.

• Minimum Variance
• Black-Litterman
• Risk Parity / ERC
• Shrinkage Covariance
• Robust Optimization
• Hierarchical Risk Parity
• Mean-CVaR / Min CVaR

5. 실무 제약을 붙이기 좋다

현실에서는 보통 아래 조건을 함께 넣는다.

• w_i >= 0 long-only
• 자산당 최대 비중 제한
• 섹터/국가 한도
• 추적오차 제한
• turnover 제한

즉, 포트폴리오 이론은 단순 학술 개념이 아니라 실무 최적화 엔진의 기반이 된다.

단점 ⚠️

1. 입력값 추정오차에 매우 민감하다

Ledoit-Wolf의 문제제기는 아주 직설적이다.
표본 공분산 행렬(sample covariance matrix)은 포트폴리오 최적화에 그대로 쓰기엔 추정오차가 너무 크기 쉽다.

이게 왜 문제냐면:

• 공분산이 조금만 틀려도 최적 비중이 크게 바뀐다
• 특히 자산 수가 많고 관측기간이 짧을수록 더 불안정하다
• 결과적으로 포트폴리오가 과도하게 한쪽으로 쏠리거나, 리밸런싱이 지나치게 잦아질 수 있다

2. 분산은 upside와 downside를 똑같이 벌점 준다

분산은 “평균에서 멀어지는 것”을 모두 위험으로 본다.

• 위로 크게 튀는 수익도 분산은 위험으로 센다
• 아래로 크게 깨지는 손실도 분산은 위험으로 센다

투자자는 보통 상승 변동성보다 하락 꼬리위험을 더 싫어한다.
그래서 downside risk 기반 기법이 추가로 발전했다.

3. 꼬리위험과 비정규성을 약하게 반영한다

평시에는 괜찮아 보여도, 위기 국면에서는 상관구조가 급변하고 left-tail risk가 커진다.

• 공분산 기반 방식은 평상시 공분산을 잘 잡아도
• 위기 때는 상관계수 급상승, 급락 집중, 유동성 경색을 충분히 담지 못할 수 있다

이 때문에 Basel 시장위험 규제도 expected shortfall 계열을 강조한다.

4. 최적 비중이 직관과 다르게 나올 수 있다

이론적으로는 최적이지만, 실제 결과는 아래처럼 나올 수 있다.

• 변동성이 낮은 자산에 과도 집중
• 비슷한 자산인데도 한 자산만 크게 선택
• 최근 데이터에 과도 적합

즉, “수학적으로 최적”과 “실무적으로 납득 가능한 포트폴리오”는 다를 수 있다.

5. 거래비용과 세금을 기본모형이 직접 다루지 않는다

원래 Markowitz 틀은 아주 깨끗한 수학문제다.
하지만 실전은 그렇지 않다.

• 거래비용
• 세금
• 슬리피지
• 최소 거래 단위
• 유동성 제약

이걸 넣지 않으면 백테스트는 예뻐 보이고 실전은 무너질 수 있다.

간단 예제 🧮

두 자산 A, B가 있다고 하자.

• A 기대수익률: 8%
• B 기대수익률: 5%
• A 변동성: 20%
• B 변동성: 10%
• 상관계수: 0.2

그러면 공분산은:

Cov(A, B) = 0.20 × 0.10 × 0.20 = 0.004

50:50 포트폴리오를 만들면:

기대수익률 = 0.5 × 8% + 0.5 × 5% = 6.5%

분산 = 0.5^2 × 0.20^2
     + 0.5^2 × 0.10^2
     + 2 × 0.5 × 0.5 × 0.004
     = 0.0145

표준편차 = sqrt(0.0145) ≈ 12.04%

포인트는 이것이다.

• 단순 가중 평균 변동성은 15% 수준으로 느껴지지만
• 실제 포트폴리오 변동성은 12.04%다

즉, 공분산이 낮으면 전체 위험이 생각보다 크게 줄어든다.

이게 포트폴리오 이론의 첫 번째 감동 포인트다 😄

실용 예제 🛠️

예제 1. 공분산 기반 최소분산 포트폴리오

자산 3개를 두자.

• 주식 ETF: 기대수익률 7%, 변동성 18%
• 채권 ETF: 기대수익률 3%, 변동성 8%
• 금 ETF: 기대수익률 5%, 변동성 15%

가정한 공분산 행렬은 다음과 같다.

Σ =
[0.0324, 0.0018, 0.0060]
[0.0018, 0.0064, 0.0012]
[0.0060, 0.0012, 0.0225]

여기서 long-only, 총합 100% 조건으로 최소분산 최적화를 하면 대략:

• 주식 ETF: 8.65%
• 채권 ETF: 74.80%
• 금 ETF: 16.55%

정도가 된다.

이 포트폴리오의 해석:

• 예상 포트폴리오 수익률: 약 3.68%
• 예상 변동성: 약 7.17%
• 구조적으로는 채권 중심 + 금 보조 + 주식 소량 조합이 된다

이 예제가 보여주는 것은 명확하다.

• 공분산 기반 최소분산 방식은 높은 기대수익보다 낮은 공분산 구조와 낮은 변동성에 크게 반응한다
• 그래서 실전에서는 종종 “너무 방어적”인 포트폴리오가 나온다

예제 2. 실무 워크플로우

실전에서는 보통 아래 순서로 구현한다.

flowchart TD
    A[가격 데이터 수집] --> B[수익률 계산]
    B --> C[공분산 추정]
    C --> D[정규화/축소 추정 shrinkage]
    D --> E[제약조건 포함 최적화]
    E --> F[리밸런싱]
    F --> G[성과/회전율/최대낙폭 검증]

실무 체크리스트:

• 데이터 빈도: 일간 또는 주간
• 추정창: 1년~3년
• 공분산 추정: 표본 공분산 그대로 쓰기보다 Ledoit-Wolf shrinkage 권장
• 제약조건: long-only, 자산당 최대비중, 섹터/국가 한도
• 비용통제: turnover penalty 또는 최소 리밸런싱 구간
• 평가: Sharpe, max drawdown, turnover, out-of-sample stability

다양한 기법들 소개 🧭

아래는 포트폴리오 이론 계열의 대표 기법들을 실무 관점으로 압축한 표다.

내 해석 📌

• 초보자: Equal Weight와 GMV를 먼저 비교해 보는 것이 좋다
• 중급자: Shrinkage covariance + GMV / Risk Parity
• 상급자: Black-Litterman, Robust, Min CVaR, HRP

공분산 기반 포트폴리오 방식 🔬

사용자가 추가로 요청한 주제를 기준으로 조금 더 깊게 정리하면 다음과 같다.

1. 공분산 기반 방식의 정의

공분산 기반 포트폴리오 방식은 자산 수익률의 공분산 행렬을 핵심 입력으로 쓰는 모든 배분 방식이다.

대표적으로:

• Mean-Variance
• Global Minimum Variance
• Risk Parity / ERC
• Maximum Diversification
• Black-Litterman

이들 모두가 공분산 구조를 직간접적으로 쓴다.

2. 공분산 행렬은 보통 이렇게 만든다

표본 공분산:
Σ_hat = 1/(T-1) * Σ_t (r_t - r_bar)(r_t - r_bar)^T

하지만 실전에서는 이걸 바로 쓰면 불안정할 수 있어서 다음을 많이 쓴다.

• Sample Covariance
• Shrinkage Covariance (Ledoit-Wolf)
• Factor Covariance
• EWMA / 시변 공분산
• Robust Covariance

3. 공분산 기반 방식의 장점

• 계산이 비교적 명확하다
• 최적화가 빠르다
• 자산 간 관계를 직접 반영한다
• 대체로 설명력이 좋다

4. 공분산 기반 방식의 한계

• 위기 국면에서 상관구조가 급변하면 과거 공분산이 무력해질 수 있다
• 희소한 tail event는 공분산만으로 충분히 반영되지 않는다
• 표본 수가 적고 자산 수가 많으면 행렬이 매우 불안정하다

5. 그래서 실전에서는 이렇게 보완한다

• 공분산 shrinkage
• 자산군/섹터/국가 cap
• turnover penalty
• tail-risk 제약(CVaR, max drawdown, stress scenario)
• regime switching 또는 scenario overlay

즉, 실전의 공분산 기반 방식은 보통:

Markowitz 원형
+ 추정오차 보정
+ 실무 제약
+ tail-risk 보완

형태로 쓰인다.

MVC vs Min CVaR ⚔️

이 비교가 이번 리서치의 핵심이다.

1. 정의

MVC

이 문서에서는 MVC를 다음으로 둔다.

MVC = minimum variance, covariance-based portfolio

대표 목적함수:

min_w  w^T Σ w
subject to  1^T w = 1,  w >= 0

즉, 전체 변동성만 최소화한다.

Min CVaR

대표 목적함수:

min_{w, α, u}  α + 1 / ((1-β)N) * Σ u_t

subject to
u_t >= L_t(w) - α
u_t >= 0
1^T w = 1

여기서 핵심은:

• VaR는 임계 손실선
• CVaR는 그 임계선보다 더 나쁜 구간의 평균손실

즉, Min CVaR는 최악 구간의 평균손실을 직접 줄이려는 방식이다.

2. 직관 비교

3. 아주 쉬운 비교 예제

두 자산이 있다고 하자.

자산 A

• 99%의 경우 +0.2%
• 1%의 경우 -10%

즉, 평소엔 매우 안정적이지만 드물게 크게 깨진다.

자산 B

• 50%의 경우 +1.4%
• 50%의 경우 -1.0%

즉, 평소 흔들림은 더 크지만 대형 꼬리손실은 없다.

각 자산의 대략적 특성:

• A 평균수익률: 0.098%, 표준편차: 약 1.01%, CVaR99 ≈ 10%
• B 평균수익률: 0.20%, 표준편차: 약 1.20%, CVaR99 ≈ 1%

여기서 long-only, 두 자산 합 100%로 최적화를 걸면:

• 최소분산(MVC) 쪽 해는 대략 A 59% / B 41%
• Min CVaR99 쪽 해는 대략 A 0% / B 100%

해석:

• MVC는 “평소 흔들림”이 더 작아 보이는 A를 꽤 담는다
• Min CVaR는 “드물지만 큰 폭락”이 싫어서 A를 거의 배제한다

이 예제에서 MVC 해의 특성은 대략:

• 평균수익률: 0.14%
• 표준편차: 0.81%
• 최악 1% 꼬리손실: 약 6.31%

반면 Min CVaR 해는:

• 평균수익률: 0.20%
• 표준편차: 1.20%
• 최악 1% 꼬리손실: 약 1.0%

즉:

MVC:
평시 흔들림을 줄이는 데 강함

Min CVaR:
대형 하락 꼬리를 줄이는 데 강함

4. 언제 MVC가 유리한가

• 자산 수익률이 크게 비대칭적이지 않을 때
• 표본이 충분하고 공분산 추정이 비교적 안정적일 때
• 운용 목적이 “tail hedge”보다 “전반적 변동성 관리”일 때
• 계산 단순성과 해석 가능성이 중요할 때

5. 언제 Min CVaR가 유리한가

• 급락 방어가 최우선일 때
• 옵션, 크레딧, 레버리지 자산처럼 tail risk가 중요한 자산군일 때
• 분포가 비정규적이고 left-tail이 두꺼울 때
• 규제/리스크관리 관점에서 expected shortfall 해석이 필요할 때

6. 내 판단 🧠

실무적으로는 이렇게 정리하는 것이 가장 정확하다.

• MVC는 기본 엔진
• Min CVaR는 tail-risk 특화 엔진

평시 멀티에셋 배분에서는 MVC 계열이 여전히 강력하다.
하지만 크래시 방어, 신용/파생상품, 이벤트 리스크, 구조적 비대칭성이 큰 자산에서는 Min CVaR가 더 적합하다.

또 하나 중요한 점:

추론 메모
수익분포가 크게 비대칭적이지 않고 tail jump가 약한 환경에서는 MVC와 Min CVaR 결과 차이가 줄어드는 경우가 많다.
반대로 left-tail jump가 커질수록 둘의 해는 더 벌어진다.

이 문장은 Markowitz의 분산 기반 접근, Rockafellar-Uryasev의 tail-loss 접근, BIS의 expected shortfall 채택을 종합한 해석적 추론이다.

실무 추천안 💼

입문자용

1. Equal Weight
2. Global Minimum Variance
3. Shrinkage Covariance + GMV

이 3개를 먼저 백테스트해 보는 것이 좋다.

중급자용

• GMV + 자산당 최대비중 cap
• Risk Parity / ERC
• Black-Litterman으로 뷰 반영

급락 방어가 중요한 경우

• Min CVaR
• 또는 MVC + tail-risk constraint
• 또는 MVC core + CVaR overlay

내가 추천하는 가장 현실적인 구조

기본 코어:
Ledoit-Wolf shrinkage covariance 기반 GMV or Risk Parity

보완:
max weight cap
turnover cap
stress scenario
tail-risk(CVaR) 체크

이 조합이 “이론적 일관성”과 “실무 안정성” 사이 균형이 좋다.

사실 검증 메모 🔍

이번 문서는 아래 기준으로 사실 검증했다.

• Markowitz 1952의 원 논문 메타데이터와 DOI 확인
• Rockafellar & Uryasev 2000의 원 논문 메타데이터와 abstract 페이지 확인
• Basel Committee의 공식 시장위험 문서에서 expected shortfall models 채택 확인
• Ledoit-Wolf 원문 PDF에서 표본 공분산 추정오차 문제와 shrinkage 취지 확인
• Black-Litterman, Risk Parity/ERC, HRP 계열은 원 논문 또는 DOI 메타데이터 중심으로 교차 확인

보수적으로 정리한 부분:

• MVC라는 약어는 문맥상 해석이 조금 애매할 수 있어, 이 문서에서는 minimum variance 의미로 명시했다
• MVC와 Min CVaR가 평시에는 비슷해질 수 있다는 문장은 여러 원천을 종합한 해석적 추론으로 표기했다

참고 URL 🔗

• Markowitz, Portfolio Selection
  https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
• Ledoit & Wolf, Honey, I Shrunk the Sample Covariance Matrix
  https://www.ledoit.net/honey.pdf
• Rockafellar & Uryasev, Optimization of conditional value-at-risk
  https://doi.org/10.21314/JOR.2000.038
• Risk.net abstract page for Rockafellar & Uryasev
  https://www.risk.net/journal-risk/2161159/optimization-conditional-value-risk
• Basel Committee, Minimum capital requirements for market risk
  https://www.bis.org/bcbs/publ/d457.htm
• Black & Litterman, Asset Allocation: Combining Investor Views with Market Equilibrium
  https://doi.org/10.3905/jfi.1991.408013
• He & Litterman, The Intuition Behind Black-Litterman Model Portfolios
  https://doi.org/10.2139/ssrn.334304
• Maillard, Roncalli, Teiletche, The Properties of Equally Weighted Risk Contribution Portfolios
  https://doi.org/10.3905/jpm.2010.36.4.060
• López de Prado, Building Diversified Portfolios that Outperform Out of Sample
  https://doi.org/10.3905/jpm.2016.42.4.059
• DeMiguel, Garlappi, Uppal, Optimal Versus Naive Diversification: How Inefficient is the 1/N Portfolio Strategy?
  https://doi.org/10.1093/rfs/hhm075

이번 작성에 사용한 사용자 질문 프롬프트

$hhd-research

think ultra hard

주제
- 포트폴리오 이론 

항목 
- 소개
- 장단점
- 간단예제
- 실용예제
- 다양한 기법들 소개

추가 주제
- 공분산 기반 포트폴리오 방식
- MVC vs Min CVar 방식