Cross-asset market transmission and spillovers 리서치 보고서 해설

개요

Morgan Stanley는 QAML 머신러닝 프레임워크를 종목 선정에서 교차자산 시장 전파로 확장했다. 시장 간 상태가 이후 위험조정 성과의 강약을 구분하는 데 도움을 줄 수 있으며, 결합 다중 기간 신호가 가장 견고한 포트폴리오 구현을 제공한다는 결론이다.

핵심 견해

이 보고서는 단순히 시장들이 함께 움직이는지를 넘어, 한 시장의 현재 상태가 다른 시장의 다음 움직임에 관한 유용한 정보를 담는지를 묻는다. 각 목표 자산에 AdaBoost 프레임워크를 별도로 적용해 관련 원천시장, 임계값 및 방향이 목표 자산과 예측 기간에 따라 달라지도록 했다. 대상 유니버스는 주식, 채권, 단기금리, FX 포워드, 상품, 크레딧의 6개 자산군에 걸친 116개 자산이며, 13개 유동성 높은 원천시장의 221개 신호를 사용한다. 입력값에는 1개월, 3개월, 6개월, 12개월 변동성 조정 수익률, 모멘텀 및 추세 지표, 과거 범위 대비 가격 위치, 꼬리 특성, 변동성 레짐 지표가 포함된다. 각 목표 자산에 대해 Morgan Stanley는 1개월, 3개월, 6개월, 12개월 선도 실현 Sharpe 비율별로 별도 모델을 학습한다. 결과는 각 자산의 확장형 중앙값 선도 Sharpe 대비 강한 결과와 약한 결과로 분류된다. 모델은 확장형 시계열 학습 창을 사용하고, 적격 월간 관측치가 60개 이상일 때만 시작하며, 선도 결과가 완전히 실현된 뒤에만 관측치를 추가한다. 각 표본외 모델 점수는 해당 자산의 장기 기대 Sharpe 대비 기대 선도 Sharpe로 보정되므로, 최종 신호는 현재의 교차자산 환경이 특정 자산에 역사적으로 평소보다 더 유리한지 또는 불리한지를 나타낸다. 백테스트는 4개 예측 기간 모두에서 지속적인 성과를 보여준다. 2013년 2월부터 2026년 7월까지 동일가중 Average 1/3/6/12-month 롱/숏 신호는 3.7% CAGR, 5.2% 연율화 변동성, 비용 차감 후 0.71의 CAGR/변동성 비율, 8.6% 최대 낙폭을 기록했다. 글로벌 유니버스 동일가중 대비 정보비율은 0.81, 역변동성 유니버스 대비는 0.79였다. 1개월 신호는 2.7% CAGR, 4.0% 변동성, 0.68의 비율로 개별 기간 중 가장 강했으며, 3개월, 6개월, 12개월 신호도 위험조정 기준으로 양(+)을 유지했다. Morgan Stanley는 결합 신호의 상대적 강도가 서로 다른 속도로 전파되는 정보를 포착하고 단일 예측 기간 의존도를 낮춘다는 증거로 해석한다. 저자들은 결과가 모델 사양에 의존하는지도 검증한다. 특성 집합을 변동성 조정 수익률 신호 52개로 축소하면 결합 전략의 CAGR/변동성 비율은 전체 221개 신호 기준선의 0.71에서 0.62로 낮아졌으며, 이는 기술적 시장 상태 지표가 수익률만으로는 얻을 수 없는 정보를 더한다는 뜻이다. 조건부 기대 선도 Sharpe에 직접 기반한 전체 신호 대체 캘리브레이션은 3.9% CAGR과 0.75의 CAGR/변동성 비율을 냈다. Morgan Stanley는 직접 캘리브레이션을 보완적인 광범위 교차자산 배분 사양으로 설명하는 반면, 기준선은 각 자산의 장기 정상 수준 대비 기대 Sharpe를 측정하기 때문에 더 전술적이라고 본다. 롱과 숏 북 모두 전체 표본에서 양(+)의 기여를 했지만, 롱 북이 더 크고 지속적인 수익 동인이었고 숏 북은 더 간헐적으로 가치를 더했다. 익스포저와 수익 기여도는 크게 달랐다. 변동성 조정 후 단기금리가 롱 북의 총 명목 익스포저를 지배했고, FX 포워드는 숏 북을 지배했다. 그러나 장기 전략 수익에는 주식과 FX 포워드가 가장 크게 기여했으며, 단기금리는 큰 명목 비중에도 불구하고 수익 기여는 더 제한적이었다. 6개 목표 자산군은 모두 전체 표본에서 양(+)의 기여를 했고, 주도권은 시간에 따라 달라졌다. 제약 포트폴리오 검증에서는 동일한 변동성 조정을 적용하기 전에 고정 자산군 배분을 부과했다. 그 결과 FX 포워드와 단기금리의 자연스러운 집중은 줄고 주식, 채권, 상품, 크레딧의 비중은 넓어졌다. 제약 아래 개별 기간 성과는 크게 약화됐지만 Average 신호는 비용 차감 후 3.4% CAGR, 5.1% 변동성, 0.66의 CAGR/변동성 비율을 유지했으며, 두 글로벌 벤치마크 대비 정보비율은 각각 0.72와 0.68이었다. 저자들은 이러한 회복력을 다중 기간 사양을 뒷받침하는 근거로 본다. 평균화가 전파 속도뿐 아니라 신호가 구현되는 자산군 구성에 대한 민감도도 낮추기 때문이다. 전파 분석은 상품과 채권이 대부분의 목표 자산군에서 지배적인 정보 원천임을 보여준다. 주식의 경우 Brent 6개월 및 12개월 변동성 조정 수익률이 높을수록 이후 성과가 약했고, Copper 3개월 모멘텀이 강할수록 성과가 좋았다. 채권의 경우 Brent 12개월 모멘텀이 높을수록 이후 성과가 강했고, JPY 6개월 모멘텀이 강할수록 성과가 약했다. 단기금리의 경우 US 2-year Treasury가 252일 저점에서 멀어질수록 성과가 강했고, S&P 500이 252일 고점에 가까울수록 성과가 약했다. FX 포워드에서는 Brent 모멘텀이 강할수록 이후 성과가 약했으며, Gold와 Nasdaq 가격 위치 신호는 더 좋은 성과와 연관됐다. 상품과 크레딧에서는 단기물 금리, 주식 및 상품 신호가 자체 시장 모멘텀을 넘어 정보를 더한다. 특히 크레딧에서 Brent 12개월 모멘텀이 강할수록 이후 성과가 약했고, Euro-Schatz 가격 위치 및 범위 신호가 강할수록 성과가 좋았다. Morgan Stanley는 이것들이 고정된 단방향 규칙이 아니라고 강조한다. 동일한 원천 신호도 목표 자산에 따라 다른, 비선형적 의미를 가질 수 있다. 따라서 보고서의 핵심 결론은 교차자산 스필오버가 한 시장이 다른 시장을 일관되게 선도하는 단순한 위계가 아니라, 역동적이고 목표별이며 상태 의존적인 네트워크라는 것이다.

분석 프레임워크

Morgan Stanley는 확장형 과거 표본과 백분위 기반 시장 상태를 사용해 자산별 AdaBoost 분류기를 구축한다. 모델 산출치를 경제적으로 해석 가능한 선도 Sharpe 기대치로 변환하고, 매월 자산 순위를 매겨 상위 및 하위 20%를 선택한 뒤 역변동성 조정과 하루의 거래 실행 시차를 적용한다. 성과는 고정 거래비용, 롤 비용 및 증거금 비용 가정 차감 후 평가하며, 이후 대체 특성 집합과 캘리브레이션, 제약된 자산군 배분, 수익 기여도 및 원천시장 신호 중요도를 검증한다.

방법론 메모

• 기타기타

  확장형 시계열 학습 창을 활용한 AdaBoost 머신러닝 분류

  이 모델은 단순 분류기를 순차적으로 결합해 각 목표 자산에서 더 강한 미래 위험조정 성과와 더 약한 성과를 역사적으로 구분해 온 원천시장 상태를 식별한다.

• 퀀트·팩터·포트폴리오 이론샤프지수·정보비율

  선도 실현 Sharpe 보정 및 벤치마크 상대 정보비율

  보고서는 선도 실현 Sharpe를 사용해 결과를 분류하고, 모델 점수를 기대 Sharpe로 보정하며, 동일가중 및 역변동성 글로벌 유니버스 벤치마크 대비 전략 성과를 평가한다.

• 퀀트·팩터·포트폴리오 이론다요인 모형

  다중 기간 교차자산 신호 앙상블

  전략은 서로 다른 속도로 전파되는 정보가 포트폴리오 신호에 기여하도록 별도 1개월, 3개월, 6개월, 12개월 예측을 결합한다.

핵심 데이터

• 대상 유니버스116 assets across six asset classes주식, 채권, 단기금리, FX 포워드, 상품 및 크레딧.
• 원천시장 및 신호13 source markets; 221 candidate signals신호는 위험조정 수익률과 기술적 시장 상태 지표를 결합한다.
• Average 신호 성과3.7% CAGR; 5.2% annualised volatility; 0.71 CAGR/volatility; (8.6%) maximum drawdown2013년 2월–2026년 7월, 구현 비용 차감 후.
• Average 신호 정보비율0.81 vs global equal-weighted universe; 0.79 vs global inverse-volatility universe회귀 기반 벤치마크 상대 성과 지표.
• 대체 직접 캘리브레이션3.9% CAGR; 5.2% annualised volatility; 0.75 CAGR/volatility전체 신호 집합을 사용하며 조건부 기대 선도 Sharpe를 기준으로 직접 순위를 매긴다.
• 제약된 Average 신호3.4% CAGR; 5.1% annualised volatility; 0.66 CAGR/volatility변동성 조정 전에 고정 자산군 목표 비중을 적용했다.

영향과 시사점

Morgan Stanley의 결과는 광범위한 상관관계나 고정된 방향 관계에 의존하기보다 교차자산 정보를 목표별·상태 의존적으로 다루는 접근을 뒷받침한다. 보고서는 대체 사양과 크게 다른 자산군 배분 구조에서도 양(+)을 유지했기 때문에 결합 다중 기간 구현을 선호한다.

주시할 점

• 각 자산군 내에서 신호 중요도가 지역별로 크게 달라지는지.
• 순위 기반 접근을 포함한 대체 가중 방식에서 신호 순위가 안정적으로 유지되는지.
• VAR 기반 선행·후행 분석이 모델의 비선형 스필오버 관계를 보완하는 정보를 포착하는지.