주식 수익률은 짧은 기간에만 예측 가능할 수 있다

주식 수익률은 예측 가능할 수 있지만, 오직 짧은 기간에만

투자자들은 수십 년 동안 주식 수익률을 신뢰성 있게 예측할 수 있는 지표를 찾기 위해 노력해 왔습니다. 가치 비율, 금리, 신용 스프레드, 인플레이션, 시장 변동성 및 경제 활동 지표 등은 모두 어느 시점에서는 가능성을 보였습니다. 문제는 한 시기에는 유용해 보이던 지표가 다음 시기에는 효과를 잃을 수 있다는 점입니다.

Journal of Econometrics¹에 발표된 새로운 연구는 이 불안정성이 데이터의 결함이라기보다 시장 예측 가능성의 정의적 특성일 수 있다고 주장합니다. 주식 수익률은 예측 가능할 수 있지만, 경기 침체, 금융 충격, 정책 변화 또는 투자자들의 정보 처리 방식 변화가 만든 일시적인 기간에만 그렇습니다.

연구진은 이러한 에피소드를 발생하면서 감지하기 위한 통계적 모니터링 절차를 개발했습니다. 그들의 연구는 실질적인 질문을 재구성합니다. 변수가 전체 역사적 샘플 전반에 걸쳐 수익률을 예측하는지를 묻는 대신, 투자자는 해당 변수가 최근에 유용한 정보를 담기 시작했는지를 물어야 합니다.

왜 영구적인 시장 신호를 찾기 어려운가

전통적인 예측 연구는 종종 수십 년에 걸친 데이터에서 하나의 관계를 추정합니다. 예를 들어, 분석가는 배당 수익률이 주식 프리미엄, 즉 무위험 자산 대비 주식이 창출하는 초과 수익을 예측하는지를 테스트할 수 있습니다. 이는 관계가 샘플 전체에 걸쳐 충분히 안정적이라고 가정합니다.

시장은 거의 협조하지 않습니다. 통화 정책이 변하고, 규제가 진화하며, 널리 알려진 전략이 자본을 끌어들입니다. 신호는 위기 동안 강화될 수 있지만 투자자들이 이를 인식하면 사라집니다. 따라서 전체 기간 모델은 관계가 존재하지 않았던 다수의 연도를 포함해 유용한 에피소드를 희석시킬 수 있습니다.

이는 금융 변수가 한 연구에서는 통계적으로 유의해 보이지만 다른 연구에서는 실패하는 이유를 설명합니다. 의견 차이가 반드시 한 결과가 잘못되었다는 것을 의미하지는 않을 수 있습니다. 연구들은 서로 다른 시장 체제를 조사했을 가능성이 있습니다.

많은 일반적인 예측 변수가 매우 지속적이기 때문에 도전 과제는 더욱 어려워집니다. 배당 수익률, 장부가 대비 비율, 금리 지표는 장기간 높은 수준이나 낮은 수준을 유지할 수 있습니다. 또한 이들은 수익률에 영향을 주는 동일한 충격과 함께 움직일 수 있습니다. 기존 통계 테스트는 이러한 특성을 예측력으로 오인할 수 있습니다.

실시간 모니터링이 문제를 바꾸는 방식

이 논문은 예측 가능성이 감지되지 않은 초기 훈련 기간을 설정한 뒤, 들어오는 데이터를 순차적으로 모니터링할 것을 제안합니다. 선호하는 방법은 IVX 도구변수 조건을 기반으로 구축된 누적합(CUSUM) 절차를 사용하는 것입니다.

간단히 말해, 시스템은 후보 지표와 이후 수익률 사이의 관계가 신호를 발생시킬 정도로 과거 기준선에서 충분히 벗어나고 있는지를 추적합니다. 이는 사용자가 예측 변수가 약하게 지속되는지, 단위근에 가까운지, 혹은 그 사이인지 사전에 알 필요 없이 작동하도록 설계되었습니다.

모니터링 프레임워크는 여러 문제를 동시에 해결합니다:

• 예측 관계가 경고 없이 시작되고 종료될 수 있습니다.
• 반복 테스트는 신호가 없을 때도 거짓 경보를 발생시킬 수 있습니다.
• 변동성 변화는 일반적인 테스트가 실제가 아닌 관계를 감지하게 만들 수 있습니다.
• 예측 변수가 지속적이며 예상치 못한 시장 수익과 상관될 수 있습니다.

변동성 조정은 특히 중요합니다. 주요 시장 충격은 더 큰 관측치를 만들어 내며, 이는 기본 예측 관계가 변하지 않았더라도 모니터링 통계치를 임계값을 넘어가게 할 수 있습니다. 이는 익숙한 지표들이 위험 환경의 일부만을 포착할 수 있다는 더 넓은 문제와 관련이 있으며, 이는 Securities.io가 VIX가 주식 시장 위험을 완전히 포착하지 못하는 이유에 대해 검토한 내용과도 연결됩니다.

시뮬레이션 결과

저자들은 다양한 예측 변수 지속성, 변동성 경로, 내생성 관계 및 예측 에피소드 시작 날짜를 가진 시뮬레이션 시장에서 그들의 방법을 테스트했습니다. 제안된 여러 CUSUM 절차는 이러한 조건들 중 다수에서 비교적 통제된 위양성 비율을 유지했습니다.

가장 강력한 방법들은 일반적으로 경쟁적인 롤링 윈도우 절차보다 예측 가능성을 더 일찍 감지했으며, 특히 예측 변수가 매우 지속적일 때 그렇습니다. 이는 짧은 기간의 신호가 에피소드 말기에야 모델에 의해 포착된다면 실질적인 가치가 감소하기 때문에 중요합니다.

하지만 어느 버전도 모든 조건에서 우세하지는 않았습니다. 한 절차는 특히 빠르게 반응했지만 변동성 상승 후 과도한 위양성을 초래했습니다. 다른 절차는 더 보수적이고 느렸습니다. 논문이 선호하는 분산 조정 CUSUM 접근법은 탐지 속도와 거짓 경보 제어 사이에서 보다 유용한 균형을 제공했습니다.

과도하게 신호를 보내는 모델은 비용이 많이 드는 이직과 과신을 초래한다. 신중한 모델은 기회의 대부분이 지나간 뒤에야 체제를 인식할 수 있다. 따라서 실시간 시스템은 놓친 신호와 오경보 사이를 선택하기 위한 명시적인 정책이 필요하다.

모델이 S&P 500을 관찰했을 때 일어난 일

연구자들은 1965년 1월부터 2024년 12월까지의 월별 S&P 500 데이터와 후보 예측 변수를 사용하여 의사 실시간 실험을 수행했다. 예측 변수에는 가치 비율, 변동성 측정치, 기술 지표, 채권 수익률, 신용시장 변수, 인플레이션 및 경제 활동이 포함된다.

전체 표본 테스트에서는 대부분의 변수가 수익을 일관되게 예측한다는 증거가 거의 없었다. 그러나 모니터링 절차는 뚜렷한 창을 식별했다. 여러 채권 및 거시경제 지표는 1973~1975년 시장 붕괴 시기에 정보성을 갖게 되었다. 금리 차이는 블랙 먼데이 직전 기간에 예측적 내용을 보였다. 기타 신호는 글로벌 금융 위기, 2018년, 그리고 2022년에 나타났다.

이 결과는 체제 기반 해석을 뒷받침한다. 신용 수익률, 수익률 스프레드, 유동성, 가치 평가 및 경기 여유는 시장이 위험을 재가격 책정할 때 가장 중요할 수 있다. 정상 상황에서 수익을 예측하지 않아도 스트레스 기간에 유용해질 수 있다.

더 큰 통찰은 신호 수명주기 관리이다

이 연구의 가장 가치 있는 기여는 거래용 지표 목록이 아니라 투자 신호의 수명주기를 관리하는 프레임워크이다.

운용 모델은 활성화 규칙, 은퇴 규칙, 그리고 감지된 에피소드 이후 재조정 방법을 가져야 한다. 이는 한 번 예측 모델을 구축하고 계수가 유효하다고 가정하는 것과 다르다. 이는 예측 가능성을 변하는 시스템 상태로 간주한다.

이 관점은 변동성이 두 가지 역할을 한다는 점도 시사한다. 변동성은 기대 수익에 대한 정보를 포함할 수 있지만, 그 정보를 탐지하기 위해 사용되는 통계 검정을 방해할 수도 있다. Securities.io가 다룬 연구에서도 일일 수익률은 변동성 예측에 여전히 가치가 있을 수 있다는 것이 고주파 데이터가 사용 가능할 때도 발견되었다. 데이터가 더 많다고 해서 관계가 계속 변하는 경우 모델 불안정을 자동으로 해결하는 것은 아니다.

투자 팀에게 논리적인 다음 단계는 계층형 시스템이 될 것이다. 하나의 모델은 후보 예측 변수가 활성 체제로 진입했는지 모니터링하고, 별도의 예측 계층은 기대 수익의 방향과 규모를 추정한다. 포트폴리오 구성은 이후 거래 비용, 손실, 유동성 및 포지션 한도를 고려한다.

이러한 구분은 통계적 예측 가능성이 수익성 전략과 동일하지 않기 때문에 필수적이다. 논문은 포트폴리오 수익, 구현 비용, 세금 또는 위험 조정 성과를 계산하지 않는다. 그 역사적 실험은 실시간 배포가 아니라 의사 실시간이었다. 방법이 시장을 이길 수 있다는 주장은 증거를 넘어선 것이다.

금융 인텔리전스 계층에 투자하기

이 연구는 보다 깨끗한 금융 데이터, 적응형 분석 및 체제 변화를 인식할 수 있는 도구에 대한 수요가 증가하고 있음을 시사한다. 그 인프라 내에 위치한 기업 중 하나는 S&P Global (SPGI ) 이다. .

S&P Global은 벤치마크, 등급, 상품 인텔리전스 및 시장 데이터를 아우른다. 그 시장 인텔리전스 부서는 기관들이 기업, 신용 상황 및 시장 행동을 연구하는 데 사용하는 많은 데이터셋과 분석 워크플로를 제공한다. 이 회사는 또한 Kensho를 통해 AI 역량을 확대했으며, 복잡한 기업 기록을 연결하고 금융 데이터셋을 기계가 해석하기 쉽게 만드는 도구를 포함한다. 2026년에 S&P Global은 Kensho Link의 확장 버전을 소개했으며, 이는 더 넓은 엔터티 범위와 복잡한 기업 구조 전반에 걸친 인식 개선을 특징으로 한다.

이는 S&P Global이 연구에서 설명된 모니터링 방법을 소유하거나 상업화한다는 의미는 아니다. 투자와의 연관성은 더 넓다: 적응형 금융 모델은 방대한, 표준화된, 시의적절한 데이터에 의존한다. 정량적 시스템이 시장 체제에 더 민감하게 반응하게 되면서 데이터 품질과 통합이 경쟁 우위의 일부가 된다.

Securities.io의 최근 프로필인 MSCI and the infrastructure behind financial markets은 동일한 근본적 추세를 강조한다. 인덱스 제공업체는 단순히 벤치마크 목록을 발행하는 것이 아니라 데이터 및 분석 기업으로 점점 더 활동하고 있다.

시장 예측 가능성은 변하는 목표

이 논문은 효율적 시장 가설 논쟁을 해결하지는 않지만, 이를 보다 현실적으로 접근할 수 있는 방안을 제시한다. 시장은 전반적으로 예측하기 어렵지만, 경제 및 금융 지표가 유례없이 유의미해지는 짧은 기간을 만들어내기도 한다.

투자자에게 의미하는 바는 모든 새롭게 중요한 변수를 쫓아다니는 것이 아니라, 신호를 조건부로 취급하고 그 안정성을 모니터링하며, 한 위기 동안 발견된 관계가 다음 확장기에는 지속되지 않을 수 있음을 인식하는 것이다. 지속적인 우위는 하나의 영구적인 예측 공식을 찾는 것보다 시장 규칙이 일시적으로 변한 시점을 포착하는 데 더 가까울 수 있다.

참고문헌:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). 비정상적 변동성 환경에서 주식 수익률 예측 가능성에 대한 실시간 모니터링. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341