QAML Asia stock-selection framework 리서치 보고서 해설

개요

Morgan Stanley는 Quant + Analyst + Machine Learning 종목선정 프레임워크를 일본을 제외한 아시아태평양으로 확장했다. 핵심 결론은 ML이 극대화해야 할 슬리브가 아니라 차별화된 정보와 분산의 원천으로 가장 유용하다는 것이며, 이에 따라 75/25 Quantamental/ML 배분을 선호하고 이를 전략 벤치마크로 유지한다.

핵심 견해

QAML은 MSCI AC Asia Pacific ex Japan IMI 유니버스에서 세 가지 종목선정 축을 결합한다. Value, Quality, Momentum, Growth, Low Risk 신호를 동일 비중으로 묶은 Core Metrics, 애널리스트 정보를 반영한 Dynamic Metric Pool, 그리고 기본면 및 100개가 넘는 기술 지표를 활용하는 AdaBoost ML 슬리브이다. 앞의 두 요소는 Quantamental 하위 복합체를 구성한다. 증권은 섹터 상대 기준으로 점수화해 상위 5분위를 롱, 하위 5분위를 숏으로 구성하고, 롱 북 레버리지를 조정해 베타 중립을 만든다. 신호는 월말에 측정하고 포트폴리오는 월별 리밸런싱하며, 보고된 USD 성과는 비용 차감 전이다. 보고서의 핵심 투자 논지는 단일 지배적 신호가 아니라 변화하는 알파 원천의 분산이다. 2002년부터 2026년 7월 31일까지 전체 표본에서 QAML 장기 CAGR은 23.6%로 Dynamic Metric Pool의 21.0%, Core Metrics의 20.1%, 독립 ML의 17.9%보다 높았다. QAML은 모든 보고 기간에서 절대수익률도 선도했다. 독립 슬리브의 위험조정 성과 선도자는 순환했는데, Dynamic Metric Pool은 5년과 3년, Core Metrics는 10년, ML은 1년과 연초 이후에 선도했다. Morgan Stanley는 이 복합체의 가치가 각 슬리브의 지속적 단독 우위 증명이 아니라 상호보완적 입력에서 나오는 더 강한 복리효과에 있다고 본다. ML은 가장 차별화된 구성요소다. Core Metrics와 Dynamic Metric Pool의 수익률 상관계수는 0.93인 반면 ML은 각각과 0.33에 불과했다. QAML Composite는 Quality와 0.35, Momentum과 0.33, Value와 0.26의 스타일 상관관계를 보였지만 단일 스타일 요인이 수익률을 지배하지는 않는다고 보고서는 말한다. Barra Momentum 중립화 민감도 분석에서 수익률과 CAGR/Vol이 하락해 Momentum이 과거 성과에 의미 있게 기여했음을 보여줬지만, 중립화 후에도 수익률은 플러스였다. Morgan Stanley는 요인 노출이 중첩되고 Momentum 노출이 없는 반사실적 포트폴리오를 재현할 수 없기 때문에 이를 인과 귀속이 아닌 진단으로 해석한다. ML 모델은 롤링 12개월 및 60개월 표본, 거시 레짐, 달력 계절성을 통해 미래 초과성과 종목과 부진 종목을 구분하는 신호를 AdaBoost로 식별한다. 50회의 boosting 라운드와 1.0의 학습률을 사용한다. 기본면 신호는 반복적으로 중요하지만, 최근 ML 선택에서는 거래 활동과 시장구조의 중요성이 커졌다. Share Turnover 252d의 선택 빈도는 2002-2010년에는 상위 20위 밖이었으나 2011-2020년에는 20.0%, 2021-2026년에는 28.8%가 됐다. 보고서는 선택 빈도가 초기 boosting 반복의 서술적 진단일 뿐 최종 요인 기여도의 측정치는 아니라고 주의한다. 낙폭 분석은 ML 비중을 포트폴리오 보정 결정으로 봐야 하는 근거를 제공한다. 2022년 6월-7월 낙폭에서는 ML 하락이 가장 컸지만 QAML 여러 축에서 손실이 광범위하게 나타나 ML 비중만 줄여도 보호는 부분적이었다. 2024년 9월-10월 낙폭에서는 손실이 ML에 더 집중돼 복합체가 ML 비중에 더 민감했다. 과거 50/50 QAML 대비 75% Quantamental/25% ML은 장기 CAGR/Vol을 3.27에서 3.33으로 높이고 전체 표본 최대 낙폭을 -21.8%에서 -19.6%로, 2024년 최대 낙폭을 -16.5%에서 -11.4%로 낮췄다. ML을 완전히 제거하면 2024년 낙폭은 -5.9%로 더 낮아지지만 CAGR은 23.6%에서 21.0%로, CAGR/Vol은 3.27에서 3.12로 하락한다. 이에 Morgan Stanley는 75/25를 보편적 최적 비중이 아니라 선호 APxJ 전략 배분으로 채택한다. Adaptive QAML은 종목선정 구조를 바꾸지 않고 75/25 기준선 주위에서 ML 위험을 동적으로 조정한다. 월간 ML Risk Score는 ML 상대 변동성, ML 낙폭 위험, ML-Quantamental 상관관계, Momentum/Low Vol 요인 스트레스를 동일 비중으로 결합한다. 이전 월말까지 이용 가능한 정보와 롤링 10년 분포만 사용해 위험이 10번째 백분위수 미만이면 50/50으로, 중간 80%에서는 75/25를 유지하고, 90번째 백분위수 이상이면 100/0으로 이동한다. 2012년 1월부터 2026년 7월까지 75/25 기준선은 123개월, 즉 표본의 70.3%, 50/50은 21개월, 100/0은 31개월이었다. Adaptive QAML은 정적 75/25와 대체로 유사한 수익률에 더 낮은 변동성과 낙폭을 보였지만, ML 집중 스트레스에서는 더 유효하고 광범위한 스트레스에서는 보호 효과가 제한적이었다. 그럼에도 Morgan Stanley는 추가 검증 전까지 정적 75/25를 선호 벤치마크로 유지한다. 실행 측면은 아직 해결되지 않았다. 2012-2026년 평균 월간 전체 북 회전율은 정적 50/50이 44.7%, 정적 75/25가 36.5%, ML 없음이 33.8%, Adaptive QAML이 37.5%였다. 보고서는 낮은 회전율만으로 투자 가능성을 입증할 수 없다고 하며 결과에는 거래비용, 세금, 자금조달, 차입, 유동성 및 시장충격이 포함되지 않는다. 소형주를 IMI에 포함하면 기회 집합이 넓어지지만 유동성, 수용능력 및 차입 제약도 높아진다. 소형주를 제외한 표준 APxJ 유니버스에서도 QAML은 유효했지만 장기 CAGR과 CAGR/Vol은 각각 16.8%와 2.0으로 APxJ IMI 유니버스의 23.6%와 3.3보다 낮았다.

분석 프레임워크

Morgan Stanley는 섹터 상대 및 베타 중립 롱/숏 백테스트를 구축해 장기와 단기 기간별로 QAML 각 축과 복합체를 비교한 뒤 상관관계, 스타일 노출, 낙폭 및 상이한 ML 비중을 검토했다. ML 파라미터 강건성을 별도로 시험하고 과거 위험점수로 동적 배분을 테스트했으며, APxJ 거래 마찰을 반영한 비용 차감 후 검증이 필요하다고 지적했다.

방법론 메모

• 퀀트·팩터·포트폴리오 이론다요인 모형

  다요인 Quantamental 종목선정

  Core Metrics는 Value, Quality, Momentum, Growth, Low Risk 신호를 평균하고, Dynamic Metric Pool은 상관관계와 분산 통제 하에 애널리스트 제안 지표를 추가한다.

• 퀀트·팩터·포트폴리오 이론스타일 팩터 분석

  상관관계 및 Barra 스타일 노출 진단

  보고서는 QAML 수익 원천의 차별화 정도를 파악하기 위해 구성요소 간 상관관계와 Quality, Value, Momentum 대리 요인에 대한 민감도를 비교한다.

• 기타기타

  AdaBoost 머신러닝 분류

  ML 슬리브는 미래 초과성과 종목과 부진 종목을 구분하는 신호를 순차적으로 선택하고, 이전 라운드에서 분류가 어려웠던 관측치의 가중치를 높인다.

• 기타기타

  적응형 ML 위험 예산

  ML 변동성, 낙폭, 상관관계 및 요인 스트레스로 구성한 표준화 점수가 다음 월간 리밸런싱에서 ML 배분을 확대, 유지 또는 축소할지를 결정한다.

자산 매핑 및 비교

투자 논리에서 명시된 자산으로의 구조화 매핑(강점, 약점, 비교 대상, 위험).

• QAML Asia strategy

  APxJ의 베타 중립 롱/숏 종목선정 프레임워크로 Quantamental과 ML 슬리브를 결합한다.

  강점

  보고된 모든 기간에서 가장 강한 과거 절대수익을 보였고 ML이 차별화된 정보를 추가한다.

  약점

  성과는 비용 차감 전이며 위험조정 성과 선도는 구성요소 간에 순환한다.

  비교

  선호 75/25 배분은 원래 50/50 대비 과거 수익-위험 및 낙폭 지표를 개선했다. ML 없음은 낙폭을 더 줄이지만 수익과 분산을 희생한다.

  위험

  ML 특유의 낙폭, 광범위한 요인 스트레스, 회전율, 유동성, 차입, 자금조달, 시장충격 및 수용능력 제약.

핵심 데이터

• QAML Composite 장기 CAGR23.6%2002년부터 2026년 7월 31일까지의 비용 차감 전 APxJ IMI 백테스트이며 모든 독립 슬리브를 상회한다.
• QAML Composite 장기 CAGR/Vol3.27원래의 50% Quantamental / 50% ML 사양.
• 선호 75/25 CAGR/Vol3.33원래 50/50 QAML의 3.27 대비.
• 전체 표본 최대 낙폭-19.6%선호 75/25 배분으로 50/50의 -21.8% 대비.
• 2024년 최대 낙폭-11.4%선호 75/25 배분으로 50/50의 -16.5% 대비.
• 각 Quantamental 축과 ML의 상관관계0.33Core Metrics와 Dynamic Metric Pool 간 0.93 상관관계 대비.
• 평균 월간 회전율36.5%2012-2026년 정적 75/25 기준으로 50/50의 44.7% 및 Adaptive QAML의 37.5% 대비.

영향과 시사점

보고서는 ML을 독립 수익률뿐 아니라 추가 분산 및 정보 기여로 평가해야 한다고 주장한다. APxJ에서 Morgan Stanley는 원래 50/50 설계보다 낮은 전략적 ML 위험 예산을 선호하며, ML 특유의 스트레스가 높아질 때 Adaptive QAML이 위험 효율성을 더 개선할 수 있으나 비용 차감 후 및 강건성 검증이 필요하다.

위험

• 모든 과거 결과는 비용 차감 전이며 APxJ 거래비용, 세금, 자금조달, 차입 및 시장충격 가정에서 유지되지 않을 수 있다.
• 소형주 포함은 유동성, 수용능력, 시장충격 및 차입 제약을 높일 수 있다.
• Adaptive QAML은 보편적 낙폭 헤지가 아니며 모든 축에 광범위한 스트레스가 발생할 때 보호 효과는 제한적이다.
• 국가, 통화, 섹터 및 요인 노출은 지역 롱/숏 실행에서 계속 중요한 진단 항목이다.
• 수용능력은 현재 백테스트에서 추론할 수 없으며 증권별 유동성 및 시장충격 분석이 필요하다.

주시할 점

• APxJ 거래비용, 세금, 자금조달, 차입 및 시장충격 가정으로 50/50, 선호 75/25 및 Adaptive QAML 사양을 비용 차감 후 테스트하는 것.
• 룩백 기간, 상태 임계값 및 전환 빈도에 걸친 Adaptive QAML의 워크포워드 강건성.
• APxJ 고유의 수익률 및 수익률곡선 레짐 입력이 현재 미국 금리 대리변수를 개선하는지 여부.
• Adaptive QAML의 위험 감소와 추가 회전율 간 경제적 상충관계.
• QAML과 ML 위험 보정을 APxJ에서 Emerging Markets로 확장하는 것.