--- title: "Fama-French 팩터 모델: 노출, 알파, 회귀분석의 한계" description: "3요인 및 5요인 회귀분석을 해석하고 팩터 수익률, 로딩, 잔차, 알파를 구분하며 빈도, 투자 유니버스, 통계적 불확실성, 실행 비용을 검증합니다." image: "https://wiki.fcontext.com/og.png" --- > Documentation Index > Fetch the complete documentation index at: https://wiki.fcontext.com/llms.txt > Use this file to discover all available pages before exploring further. # Fama-French 팩터 모델: 노출, 알파, 회귀분석의 한계 > 교육 목적으로만 제공되며 투자 조언이 아닙니다. 투자로 손실이 발생할 수 있습니다. ## 직접 답변 **Fama-French 팩터 모델**은 분산된 팩터 포트폴리오의 수익률을 이용해 주식이나 포트폴리오의 초과수익률을 설명하는 실증적 자산가격결정 모델군입니다. 3요인 모델은 시장, 규모, 가치 팩터를 사용하고, 5요인 모델은 수익성과 투자 팩터를 추가합니다. 이 모델은 조정 전 성과를 추정 팩터 노출과 설명되지 않은 절편으로 나누는 데 도움이 됩니다. 그러나 프리미엄이 존재하는 이유를 입증하거나 다음 승자 종목을 예측하지 않으며, 과거의 양(+)의 알파를 보장된 운용 능력으로 바꾸지도 않습니다. ## 작동 방식 기간 `t`에 대한 3요인 시계열 회귀식은 보통 다음과 같이 씁니다. `R i,t - R f,t = alpha i + beta MKT * (R M,t - R f,t) + beta SMB * SMB t + beta HML * HML t + epsilon i,t` 5요인 버전은 다음 항을 추가합니다. `+ beta RMW * RMW t + beta CMA * CMA t` 좌변은 자산의 총수익률에서 같은 기간의 무위험수익률을 뺀 값입니다. `MKT-RF`는 시장 초과수익률입니다. 나머지 팩터는 공개된 정렬 규칙에 따라 구성한 제로투자 롱숏 포트폴리오의 수익률입니다. - `SMB`는 Small Minus Big, 즉 규모 수익률 팩터입니다. - `HML`은 장부가치 대 시장가치 비율의 High Minus Low, 즉 가치 수익률 팩터입니다. - `RMW`는 영업수익성의 Robust Minus Weak입니다. - `CMA`는 투자의 Conservative Minus Aggressive입니다. 이 명칭들은 기업의 회계비율을 회귀식에 직접 넣는다는 뜻이 아닙니다. 팩터 정의는 모델, 지역, 구분점, 가중 방식, 회계자료 시차, 데이터 공급자 및 데이터 빈티지에 따라 달라집니다. 예를 들어 Data Library의 5요인 `SMB`는 장부가치 대 시장가치, 수익성, 투자 정렬에서 나온 규모 스프레드를 결합하므로 다른 곳에서 발표한 모든 규모 팩터와 같을 필요가 없습니다. 로딩은 포함된 다른 팩터를 고정했을 때의 조건부 수익률 동조성을 측정합니다. 로딩 `0.3000`이 `SMB`에 대응한다면, 다른 팩터를 고정할 때 SMB 수익률의 `1.0000 percentage-point` 변화가 모델 기여분의 `0.3000 percentage-point` 변화와 연관된다는 뜻입니다. 펀드가 소형주를 정확히 `30.0000%` 보유한다는 의미가 아닙니다. `alpha`는 데이터 빈도에서 추정한 회귀 절편입니다. `epsilon`은 각 기간의 잔차입니다. 한 번의 양(+)의 잔차는 알파가 아니며, 알파는 전체 표본에서 추정합니다. 통계적으로 해석하려면 이분산성과, 필요한 경우 자기상관을 고려한 표준오차가 필요합니다. 경제적으로 해석하려면 보수, 거래비용, 세금, 운용 용량, 변화하는 노출 및 모델 선택도 고려해야 합니다. 이 모델은 설명 목적의 성과 귀속에 사용할 수도 있고, 자산가격결정 모델로 검정할 수도 있습니다. 시계열 `R-squared`가 높다는 것은 포함된 팩터가 표본 내 변동의 상당 부분을 설명한다는 뜻일 뿐, 기대수익률이 올바르게 가격결정되었거나 알파가 운용 능력임을 입증하지 않습니다. 팩터를 추가하면 절편이 줄어드는 동시에 추정 잡음이나 다중공선성이 커질 수 있습니다. ## 예시 어떤 펀드의 추정 로딩이 `1.0500`으로 `MKT-RF`, `0.3000`으로 `SMB`, `0.4000`으로 `HML`, `0.2000`으로 `RMW`, `-0.1000`으로 `CMA`에 각각 대응한다고 가정합니다. 어느 한 달의 팩터 수익률은 순서대로 `2.0000%`, `1.0000%`, `-0.5000%`, `0.8000%`, `0.3000%`입니다. 모델상 팩터 기여분은 다음과 같습니다. `(1.0500 * 2.0000%) + (0.3000 * 1.0000%) + (0.4000 * -0.5000%) + (0.2000 * 0.8000%) + (-0.1000 * 0.3000%) = 2.3300%` 각 구성요소는 `2.1000%`, `0.3000%`, `-0.2000%`, `0.1600%`, `-0.0300%`입니다. 펀드의 실제 초과수익률이 `2.5000%`라고 가정합니다. 이 단일 기간 예시에서 추정 절편을 무시하면 다음과 같습니다. `one-month residual = 2.5000% - 2.3300% = 0.1700%` 이 `0.1700%`는 한 기간의 잔차이지 지속적인 알파의 증거가 아닙니다. 무위험수익률이 `0.3000%`라면 펀드의 총수익률은 `2.8000%`입니다. 팩터 회귀에서는 총수익률과 초과수익률을 혼동해서는 안 됩니다. 이제 `60 months`에 걸친 회귀에서 월간 알파가 `0.1500%`, 표준오차가 `0.2000%`로 추정되었다고 가정합니다. `t-statistic = 0.1500% / 0.2000% = 0.7500` 근사 양측 `95.0000%` 구간은 다음과 같습니다. `0.1500% +/- (1.9600 * 0.2000%) = -0.2420% to 0.5420% per month` 점추정치는 양수이지만 정밀하지 않습니다. 점추정치만 복리로 연율화하면 다음과 같습니다. `annualized alpha point estimate = (1 + 0.1500%)^12 - 1 = 1.8136%` 연율화해도 불확실성은 사라지지 않습니다. 노출이나 알파가 시간에 따라 변한다면 기계적으로 연율화해서도 안 됩니다. 마지막으로 같은 펀드를 3요인 모델로 비교했을 때 월간 알파 추정치가 `0.4000%`라고 가정합니다. 5요인 추정치 `0.1500%`는 추가된 `0.2500 percentage points`가 잘못 보고된 성과였거나 5요인 모델이 참임을 입증하지 않습니다. 확장된 모형 설정에서 수익성과 투자 노출이 수익률을 더 많이 설명한다는 뜻일 뿐입니다. ## 위험 및 검증 체크리스트 - **먼저 모델을 선택하십시오:** 3요인, 5요인, 지역, 글로벌, 모멘텀 추가형 또는 다른 모형 설정인지 명시합니다. - **팩터 출처를 확인하십시오:** 공급자, URL, 발표일, 데이터 빈티지 및 구성 방법을 기록합니다. - **지역을 맞추십시오:** 포트폴리오의 투자 가능 시장과 통화에 적합한 팩터를 사용합니다. - **빈도를 맞추십시오:** 일별, 주별 또는 월별 자산, 팩터 및 무위험수익률 관측치를 정확히 정렬합니다. - **총수익률을 사용하십시오:** 자산, 벤치마크 및 팩터 포트폴리오의 분배금을 일관되게 포함합니다. - **무위험수익률은 한 번만 차감하십시오:** 초과수익률을 시장 초과수익률과 팩터 수익률에 회귀하고 중복 차감을 피합니다. - **단위를 확인하십시오:** 계수나 알파를 해석하기 전에 소수와 백분율 입력을 확인합니다. - **타임스탬프를 정렬하십시오:** 회계정보, 보유 종목 또는 수정 데이터가 실제 이용 가능일 전에 들어가지 않게 합니다. - **팩터 정의를 검토하십시오:** 구분점, 가중 방식, 회계자료 시차, 적격 기준 및 리밸런싱을 확인합니다. - **충분한 기간을 사용하십시오:** 짧은 표본은 로딩, 알파 및 표준오차를 불안정하게 만듭니다. - **계수 안정성을 검정하십시오:** 롤링 윈도, 보유 종목 분석 및 국면 분할로 스타일 변화를 찾아냅니다. - **상관관계를 점검하십시오:** 다중공선성은 개별 팩터 계수를 불안정하게 만들 수 있습니다. - **강건한 추론을 사용하십시오:** 이분산성, 자기상관, 중첩 수익률 및 비정규 잔차를 고려합니다. - **불확실성을 보고하십시오:** 표준오차, t-통계량, 신뢰구간 및 표본 크기를 제시합니다. - **잔차와 알파를 구분하십시오:** 한 번의 유리한 기간이나 누적 잔차를 절편이라고 부르지 않습니다. - **모형 설정을 비교하십시오:** CAPM, 3요인, 5요인, 업종, 모멘텀 및 관련 대안 모델을 검정합니다. - **실행 비용을 포함하십시오:** 필요에 따라 보수, 스프레드, 시장 충격, 회전율, 차입, 자금조달 및 세금을 차감합니다. - **미래정보 이용 편향을 피하십시오:** 각 과거 시점에 이용 가능했던 구성 종목, 회계자료 및 팩터 파일을 사용합니다. - **표본 외에서 검정하십시오:** 결과를 관찰한 뒤 재조정하지 말고 다른 기간이나 시장에서 평가합니다. - **인과관계를 주장하지 마십시오:** 로딩은 조건부 동조성을 설명할 뿐 그 자체로 경제 메커니즘을 입증하지 않습니다. ## 흔한 오해 - **"SMB, HML, RMW, CMA는 기업 비율이다."** 정렬 규칙에 따라 구성한 롱숏 포트폴리오의 수익률입니다. - **"양(+)의 팩터 로딩은 양(+)의 수익률을 보장한다."** 팩터 수익률은 음수가 될 수 있고 프리미엄은 변하며 실행에는 비용이 듭니다. - **"월간 잔차가 양수이면 알파다."** 알파는 불확실성을 수반하는 표본 회귀 절편이며, 각 관측치에 있는 것은 잔차입니다. - **"높은 결정계수는 모델이 옳음을 입증한다."** 이는 표본 내에서 설명된 변동을 측정할 뿐, 인과적 진실이나 기대수익률의 올바른 가격결정을 보여주지 않습니다. - **"팩터 조정 알파는 운용 능력이다."** 누락 팩터, 변화하는 노출, 데이터 마이닝, 운, 보수 및 운용 용량이 추정 알파를 만들거나 없앨 수 있습니다. ## 관련 주제 - [자본자산가격결정모형](/ko/stocks/capm/) - [베타](/ko/stocks/beta/) - [주식 위험 프리미엄](/ko/stocks/equity-risk-premium/) ## 출처 - Fama and French, *Common Risk Factors in the Returns on Stocks and Bonds*. - Fama and French, *A Five-Factor Asset Pricing Model*. - Fama and French, *International Tests of a Five-Factor Asset Pricing Model*. - Kenneth R. French Data Library, *Description of Fama/French 3 Factors*. - Kenneth R. French Data Library, *Description of Fama/French 5 Factors (2x3)*. - Fama and French, *The Capital Asset Pricing Model: Theory and Evidence*. Source: https://wiki.fcontext.com/ko/stocks/fama-french-factor-model/index.mdx