경영대학 김배호 교수는 장기 데이터 활용을 통해 고차원 포트폴리오의 위험 추정 정확도를 개선한 연구로 2026년 3월 SK Awards를 수상했다.

제가 교신저자로 참여한 본 학술 논문은 2016년 방문한 UC Berkeley 대학에서의 저의 첫 연구년 당시 구상되었습니다. 귀국 후 본교 경영대학 학장단의 일원으로 행정 보직을 담당하고, 이후에도 Business Analytics 전공 관련 보직을 맡아 다양한 업무에 매진하는 동안 본 연구 주제와 관련된 금융 데이터 분석 기법이 급격히 고도화되었고, 그에 따라 연구의 주요 방향과 핵심 방법론을 전면 수정해야 하는 도전적인 상황에 직면하기도 했습니다. 하지만, 공저자들의 이해와 배려 덕분에 포기하지 않고 꾸준히 연구활동을 이어온 결과, 2023년 두 번째 연구년을 통한 UC Berkeley 재방문과 이후 본교의 유연학기 제도를 발판 삼아 마침내 귀중한 결실을 맺을 수 있었습니다. 지속 가능한 국제 공동연구의 기회를 제공해 준 고려대학교 경영대학에 깊은 감사를 표합니다. 

• 논문명 : Long-History Principal Component Analysis in a Dynamic Factor Model with Weak Loadings
• 게재 저널 :  Operations Research
• 게재 시기 :  2026년 3월 11일 온라인 출간 (Articles in Advance, Forthcoming)
• 주요 내용 요약 :

    본 연구는 고차원 포트폴리오 관리의 고질적 문제인 'Second-Order Risk (2차 위험; SOR)' 편향을 해결하기 위한 혁신적인 프레임워크를 제시합니다. 2차 위험이란 포트폴리오의 예측된 위험과 실제 실현된 퍼포먼스 사이의 괴리를 의미하며, 이는 주로 자산 수익률의 공분산 행렬(Covariance Matrix) 및 정밀도 행렬(Precision Matrix)을 추정하는 과정에서 발생하는 오차로 인해 심화됩니다.

전통적인 금융 실무에서는 시장 상황의 빠른 변화와 업계 특성을 반영하기 위해 보통 1년(약 250일) 정도의 상대적으로 짧은 데이터 이력을 사용하는 방식이 표준이었습니다. 하지만 본 연구에서는 이러한 전통적인 방식이 종종 랜덤 노이즈를 실제 시장 신호로 오인하게 하여, 추정된 요인 적재치에 'Excess Dispersion Bias (과잉 분산 편향)'를 야기한다는 점을 지적합니다. 이는 결국 최적화된 포트폴리오를 실제보다 더 안전한 것처럼 보이게 하여 투자자를 예기치 못한 위험에 노출시키고 위험관리에 실패하게 합니다.

본 연구에서는 이러한 메커니즘을 수학적 이론 모형을 통해 증명하였습니다. 구체적으로, 요인 적재치가 시간에 따라 변하는 역동적 환경이나 영향력이 일부 업종에만 특화된 'Weak Loadings' 상황에서도, 공분산 추정을 위한 데이터 이력을 6년(약 1,500일)으로 확장한 Long History PCA 방식을 활용하면 공분산 및 정밀도 행렬의 추정치가 통계적으로 일관되게 수렴함을 입증하였습니다. 즉, 충분히 긴 역사적 데이터가 시장의 불안정성을 상쇄하는 'Crucial Stabilizer' 역할을 수행하는 것입니다.

이러한 이론적 주장은 Monte Carlo 시뮬레이션 실험과 실제 미국 및 유럽 주식시장 자료를 바탕으로 한 실증분석을 통해 명확히 뒷받침되었습니다. 실제 시장과 유사한 변동성 구조와 업종별로 다른 위험요인들을 설정한 실험에서, LH-PCA는 기존의 1년 데이터 기반의 PCA 방식이나 Ledoit-Wolf 수축 추정법, GPS 보정 기법보다 SOR 편향을 획기적으로 낮추는 결과를 보여주었습니다. 미국(CRSP) 및 유럽(EURO) 시장의 실증 분석 또한 장기 이력 활용이 공분산 구조 및 포트폴리오 변동성 예측의 정확도를 실질적으로 향상시킴을 확인해주었습니다. 결론적으로 본 연구에서 제안하는 LH-PCA는 데이터 중심의 현대 위험 관리에서 보다 견고하고 다각화된 포트폴리오를 구축할 수 있는 강력하고 정교한 토대를 제공합니다.

▶ 논문 원문 보기: Long-History Principal Component Analysis in a Dynamic Factor Model with Weak Loadings