퀀트 팩터 투자 전략 – 테오의 저장소

퀀트 팩터 투자란?

퀀트 팩터 투자는 주식 수익률을 설명하는 체계적 요인(팩터)을 기반으로 종목을 선정하고 포트폴리오를 구성하는 전략입니다. 감이나 직관이 아닌 데이터와 통계 모델에 의존하기 때문에, 자동매매 시스템과 결합하면 강력한 투자 도구가 됩니다.

전통적인 주식 분석이 개별 기업의 이야기에 집중한다면, 팩터 투자는 수백~수천 종목에 걸쳐 반복적으로 작동하는 패턴을 찾아 수익을 추구합니다. 학계에서 수십 년간 검증된 방법론이며, 실제로 블랙록·AQR·뱅가드 같은 글로벌 자산운용사들이 적극 활용하고 있습니다.

핵심 팩터 5가지

팩터 투자에서 가장 널리 알려진 5대 팩터를 살펴보겠습니다. 각 팩터는 학술 논문으로 검증되었으며, 다양한 시장과 기간에서 초과 수익(알파)을 보여주었습니다.

1. 가치(Value) 팩터

저평가된 종목이 장기적으로 고평가 종목보다 높은 수익률을 보인다는 원리입니다. 대표적인 지표로는 PBR(주가순자산비율), PER(주가수익비율), EV/EBITDA 등이 있습니다.

# 가치 팩터 스코어 계산 예시
import pandas as pd

def value_score(df):
    """낮을수록 저평가 → 높은 팩터 스코어"""
    df['pbr_rank'] = df['pbr'].rank(ascending=True)
    df['per_rank'] = df['per'].rank(ascending=True)
    df['value_score'] = (df['pbr_rank'] + df['per_rank']) / 2
    return df.sort_values('value_score')

파마-프렌치 3팩터 모델에서 처음 체계화되었으며, HML(High Minus Low)로 측정합니다. 한국 시장에서도 장기적으로 유의미한 프리미엄이 관찰됩니다.

2. 모멘텀(Momentum) 팩터

최근 3~12개월 수익률이 높은 종목이 향후에도 상승 추세를 이어가는 경향입니다. 추세 추종 전략의 학술적 근거가 되는 팩터입니다.

# 12-1 모멘텀 계산 (최근 1개월 제외)
def momentum_score(df, prices):
    """12개월 수익률 - 최근 1개월 수익률"""
    df['mom_12m'] = prices.pct_change(252)  # 12개월
    df['mom_1m'] = prices.pct_change(21)    # 1개월
    df['momentum'] = df['mom_12m'] - df['mom_1m']
    return df.sort_values('momentum', ascending=False)

모멘텀 팩터는 듀얼 모멘텀 자동매매 전략과 함께 활용하면 시너지가 큽니다.

3. 퀄리티(Quality) 팩터

수익성이 높고 재무 건전성이 우수한 기업이 장기 초과수익을 보인다는 팩터입니다. 주요 지표는 다음과 같습니다.

지표	설명	기준
ROE	자기자본이익률	높을수록 우수
부채비율	총부채/자기자본	낮을수록 안정
영업이익률	영업이익/매출	높을수록 우수
이익 변동성	분기 이익 표준편차	낮을수록 안정

4. 저변동성(Low Volatility) 팩터

변동성이 낮은 종목이 위험 대비 더 높은 수익률을 보이는 현상입니다. 전통 금융이론(CAPM)과 모순되지만, 실증적으로 강력하게 지지됩니다.

# 저변동성 팩터 계산
import numpy as np

def low_vol_score(prices, window=60):
    """60일 변동성 기준 랭킹"""
    vol = prices.pct_change().rolling(window).std() * np.sqrt(252)
    return vol.iloc[-1].rank(ascending=True)  # 낮은 변동성 = 높은 순위

자동매매 시스템에서 저변동성 팩터는 포지션 사이징 전략과 결합하여 리스크를 효과적으로 관리할 수 있습니다.

5. 사이즈(Size) 팩터

소형주가 대형주보다 장기적으로 높은 수익률을 보이는 소형주 프리미엄입니다. 시가총액이 작은 종목일수록 정보 비대칭이 크고, 이를 활용한 초과수익 기회가 존재합니다.

멀티팩터 전략 구현

단일 팩터보다 여러 팩터를 결합한 멀티팩터 전략이 더 안정적인 성과를 보입니다. 팩터 간 상관관계가 낮기 때문에, 결합 시 분산 효과를 누릴 수 있습니다.

import pandas as pd
import numpy as np

class MultiFactorModel:
    def __init__(self, weights=None):
        self.weights = weights or {
            'value': 0.25,
            'momentum': 0.25,
            'quality': 0.25,
            'low_vol': 0.25
        }

    def composite_score(self, factor_scores: pd.DataFrame):
        """각 팩터 스코어를 가중 합산하여 종합 점수 산출"""
        # 팩터별 Z-score 정규화
        normalized = factor_scores.apply(
            lambda x: (x - x.mean()) / x.std()
        )

        # 가중 합산
        composite = sum(
            normalized[factor] * weight
            for factor, weight in self.weights.items()
        )
        return composite.sort_values(ascending=False)

    def select_portfolio(self, scores, top_n=30):
        """상위 N개 종목 선정"""
        return scores.head(top_n).index.tolist()

팩터 가중치 최적화

팩터 가중치를 정하는 방법은 크게 세 가지입니다.

동일 가중: 모든 팩터에 같은 비중. 단순하지만 견고한 방법
역사적 성과 기반: 과거 팩터 수익률 기반 최적화. 과최적화 위험 존재
위험 기여도 균등(Risk Parity): 각 팩터의 위험 기여도를 동일하게 맞추는 방법

실무에서는 과최적화를 방지하기 위해 동일 가중 또는 리스크 패리티 방식을 권장합니다. 자세한 과최적화 방지 기법은 퀀트 백테스트 과최적화 방지법을 참고하세요.

파이썬으로 백테스트 구현

멀티팩터 전략의 백테스트 핵심 구조를 살펴보겠습니다.

class FactorBacktest:
    def __init__(self, universe, start_date, end_date):
        self.universe = universe
        self.start = start_date
        self.end = end_date
        self.rebalance_freq = 'monthly'

    def run(self):
        """월별 리밸런싱 백테스트 실행"""
        results = []
        rebalance_dates = pd.date_range(
            self.start, self.end, freq='MS'
        )

        for date in rebalance_dates:
            # 1. 팩터 스코어 계산
            scores = self.calculate_factors(date)

            # 2. 포트폴리오 구성 (상위 30종목)
            portfolio = scores.head(30).index

            # 3. 다음 리밸런싱까지 수익률 계산
            returns = self.get_returns(
                portfolio, date, next_rebalance
            )
            results.append(returns)

        return pd.concat(results)

    def calculate_factors(self, date):
        """특정 시점의 멀티팩터 스코어 계산"""
        value = self.get_value_scores(date)
        momentum = self.get_momentum_scores(date)
        quality = self.get_quality_scores(date)
        low_vol = self.get_low_vol_scores(date)

        # Z-score 정규화 후 합산
        combined = (
            value.rank(pct=True) +
            momentum.rank(pct=True) +
            quality.rank(pct=True) +
            low_vol.rank(pct=True)
        )
        return combined.sort_values(ascending=False)

팩터 투자 실전 주의사항

이론적으로 검증된 팩터라도 실전에서는 다양한 함정이 존재합니다.

팩터 순환(Factor Rotation)

모든 팩터는 성과가 좋은 시기와 나쁜 시기가 번갈아 나타납니다. 가치 팩터는 2007~2020년 사이 장기 부진을 겪었고, 모멘텀 팩터는 급격한 시장 반전기에 큰 손실을 볼 수 있습니다.

단일 팩터에 올인하지 말고 멀티팩터로 분산
팩터 타이밍(언제 어떤 팩터가 좋을지 예측)은 매우 어려움
최소 3~5년의 인내심이 필요

거래 비용과 유동성

소형주 팩터나 높은 턴오버의 모멘텀 전략은 거래 비용이 이론적 수익을 잠식할 수 있습니다. 자동매매 시스템에서는 반드시 슬리피지와 수수료를 반영해야 합니다.

데이터 품질

팩터 투자의 성패는 데이터 품질에 달려 있습니다. 생존 편향(상장 폐지된 종목 제외), 룩어헤드 편향(미래 데이터 사용), 데이터 오류 등에 주의해야 합니다.

한국 시장에서의 팩터 투자

한국 주식시장(KOSPI/KOSDAQ)에서 팩터 투자를 적용할 때 고려할 특수 사항입니다.

가치 팩터: 한국 시장은 전통적으로 저PBR 프리미엄이 강하게 관찰됨
모멘텀 팩터: 단기(1~3개월) 반전 효과가 해외보다 강한 편
퀄리티 팩터: 지배구조 개선 기대감과 맞물려 최근 주목받는 팩터
소형주 팩터: 코스닥 시장에서 유동성 리스크 감안 필요
배당 팩터: 밸류업 프로그램 이후 한국 시장에서 중요성 증가

자동매매 시스템과의 통합

팩터 투자는 규칙 기반이므로 자동매매와 자연스럽게 결합됩니다. 핵심 자동화 포인트는 다음과 같습니다.

# 자동매매 통합 아키텍처 예시
class FactorTradingSystem:
    def __init__(self):
        self.data_pipeline = DataPipeline()    # 데이터 수집
        self.factor_model = MultiFactorModel() # 팩터 계산
        self.risk_manager = RiskManager()      # 리스크 관리
        self.executor = OrderExecutor()        # 주문 실행

    def daily_routine(self):
        """매일 실행되는 루틴"""
        # 1. 데이터 업데이트
        data = self.data_pipeline.update()

        # 2. 리밸런싱일인지 확인
        if not self.is_rebalance_day():
            return

        # 3. 팩터 스코어 계산
        scores = self.factor_model.composite_score(data)

        # 4. 목표 포트폴리오 산출
        target = self.factor_model.select_portfolio(scores)

        # 5. 리스크 체크
        if self.risk_manager.approve(target):
            # 6. 주문 실행
            self.executor.rebalance(target)

월 1회 리밸런싱이 일반적이며, 거래 비용과 세금을 고려하면 분기 리밸런싱도 효율적인 선택입니다.

마무리

퀀트 팩터 투자는 감정을 배제하고 데이터에 기반한 체계적 투자를 가능하게 합니다. 가치·모멘텀·퀄리티·저변동성·사이즈 등 검증된 팩터를 멀티팩터로 결합하고, 자동매매 시스템으로 실행하면 일관된 투자 프로세스를 구축할 수 있습니다. 단, 팩터 순환과 거래 비용을 항상 염두에 두고 장기적 관점에서 접근해야 합니다.