Post List

2019년 7월 14일 일요일

Efficient Frontier (Mean Variance Optimization) using ggplot2 in R


library(quantmod)
library(PerformanceAnalytics)
library(magrittr)
library(ggplot2)

symbols = c('005930.KS', '068270.KS', '005380.KS', '055550.KS', '017670.KS')
names = c('삼성전자', '셀트리온', '현대차', '신한지주', 'SK텔레콤')
getSymbols(symbols, src='yahoo')

prices = do.call(cbind, lapply(symbols, function(x) Cl(get(x)))) %>% setNames(symbols)
rets = Return.calculate(prices) %>% na.omit()
names(rets) = names
covs = cov(rets) * 252

먼저 필요한 패키지들을 불러온 후, 삼성전자, 셀트리온, 현대차, 신한지주, SK텔레콤에 해당하는 종목 가격을 불러옵니다. 그 후 수익률과 공분산을 계산하도록 합니다. 공분산은 연율화를 해주기 위해 252를 곱해줍니다.

library(quantmod)
charts.PerformanceSummary(rets, main = 'rets')


수익률 그래프를 그려보면 셀트리온의 누적수익률이 압도적으로 높습니다.

yearly_mean = Return.annualized(rets, geometric = FALSE) %>% c()
yearly_vol = StdDev.annualized(rets) %>% c()
# diag(covs) ^ (1/2)

yearly_stat = cbind(yearly_mean, yearly_vol) %>%
  data.frame()

연율화 수익률과 연율화 변동성을 계산하도록 합니다. 연율화 변동성의 경우 위에서 구한 연율화 분산-공분산의 대각 부분의 제곱근을 구해도 같습니다. 이를 cbind()를 이용해 열로 묶습니다.


yearly_stat %>%
  ggplot(aes(x = yearly_vol, y = yearly_mean, label = names, color = names)) +
  geom_point(shape = 18) +
  scale_x_continuous(expand = c(0.02, 0.02)) + 
  scale_y_continuous(expand = c(0.02, 0.02)) +
  geom_text(size = 3, vjust = -0.7) +
  theme(legend.position = 'none') +
  xlab('Volatility') +
  ylab('Return')



ggplot을 이용해 x축에는 연율화 변동성, y축에는 연율화 수익률을 나타내 줍니다. 셀트리온의 수익률과 변동성이 압도적으로 높습니다.


# Simulation
numAssets = length(symbols)
numPortfolio = 10000
sim = list()

for (i in 1 : numPortfolio) {
  
  wt = runif(numAssets, min=0, max=1)
  wt = wt / sum(wt)
  expected_return = wt %*% yearly_mean
  expected_vol = (t(wt) %*% covs %*% wt) %>% sqrt()
  expected_sharpe = (expected_return-0.05) / expected_vol
  
  sim[[i]] = c(wt, expected_return, expected_vol, expected_sharpe)
  
}

sim = do.call(rbind, sim) %>% data.frame()
colnames(sim) = c(names, 'Return', 'Volatility', 'Sharpe')


본격적으로 시뮬레이션을 실행합니다. 시뮬레이션 횟수를 총 10,000번이며 많을 수록 좋습니다. 먼저 runif() 함수를 이용해 난수를 생성하며, 공매도 방지를 위해 0에서 1 사이의 값에서 난수를 생성하도록 합니다. 그 후 합이 1이 되도록 정규화를 해줍니다. (개별 종목별 비중제한을 두고 싶으면 while 구문을 이용해 정규화를 계속해주면 됩니다.)

기대수익률은 비중과 수익률의 단순 가중평균합이 됩니다.
포트폴리오의 분산은 w'Ωw로 나타낼 수 있으며, 해당값에 sqrt()를 치해주면 포트폴리오의 표준편차가 됩니다.
마지막으로 샤프지수는 포트폴리오 수익률에서 무위험 수익률을 차감한 값을, 포트폴리오 변동성으로 나눠줍니다. 무위험 수익률은 5%로 가정합니다.

해당 값들을 c()를 이용해 벡터로 묶어준 후 sim 리스트에 저장합니다.
시뮬레이션이 끝나면 do.call() 함수를 이용해 행으로 묶습니다.

target_minvol = sim[which.min(sim$Volatility), ]
target_maxsharpe = sim[which.max(sim$Sharpe), ]

> target_minvol
      삼성전자   셀트리온    현대차  신한지주  SK텔레콤    Return Volatility    Sharpe
4657 0.2447684 0.09979261 0.0992029 0.1240248 0.4322112 0.1306394  0.1896045 0.4253035
> target_maxsharpe
      삼성전자  셀트리온    현대차    신한지주   SK텔레콤    Return Volatility    Sharpe
3457 0.3303538 0.5068116 0.1004232 0.009327201 0.05308417 0.3044934  0.3103827 0.8199342

효율적 경계선에서 중요한 지점은 크게 최소분산 지점과 최대샤프 지점입니다. 최소분산 지점은 which.min() 함수를 통해 표준편차가 가장 작은 지점, 최대샤프 지점은 which.max() 함수를 통해 샤프지수가 최대인 지점을 찾으면 됩니다.

# plot simulation
p = sim %>%
  ggplot(aes(x = `Volatility`, y = `Return`, color = `Sharpe`)) +
  geom_point() +
  scale_color_gradient(low = 'blue', high = 'red') +
  theme_classic()

p



ggplot을 이용해 시뮬레이션 결과를 그려주도록 합니다. aes() 내부에 color 인자를 Sharpe로 지정하여 샤프지수에 따라 색이 다르며, 샤프지수가 높을수록 붉게 표시됩니다.


# plot min vol and max sharpe
p2 = p +
  geom_point(data = target_minvol,
             aes(x = Volatility, y = Return),
             col = 'black', shape = 18, size = 3) +
  geom_point(data = target_maxsharpe,
             aes(x = Volatility, y = Return),
             col = 'black', shape = 18, size = 3) +
  annotate('text',
           x = target_minvol$Volatility + 0.03,
           y = target_minvol$Return,
           label='Min Vol',
           fontface=2) +
  annotate('text',
           x = target_maxsharpe$Volatility + 0.03,
           y = target_maxsharpe$Return,
          label='Max Sharpe',
          fontface=2) +
  geom_point(data = yearly_stat,
             aes(x = yearly_vol, y = yearly_mean),
             color = 'black', shape = 4, size = 3)
p2



앞선 그림에 추가적으로 최소분산 및 최대 샤프지수 지점을 표시해 주었습니다. 또한 검은색 X는 개별 주식의 변동성과 수익률에 해당하는 부분으로써, 포트폴리오 구성을 통해 훨씬 효율적인 투자가 가능해짐이 보입니다.

# plot CML

p2 + 
  geom_abline(intercept = 0.05,
              slope = target_maxsharpe$Sharpe,
              size = 1) +
  expand_limits(x=0) +
  expand_limits(y=0) 



마지막으로 무위험 수익률과 최대샤프지수 지점를 이은 CML을 그려줍니다. 인터셉트는 무위험 수익률, 기울기는 샤프지수가 됩니다. Max Sharpe 지점에 투자하는 것이 가장 이상적인 포트폴리오이며, 투자자의 risk averse에 따라 직선의 왼쪽이나 오른쪽으로 이동하며 위험자산과 무위험자산의 투자 비중을 조절하게 됩니다.

2019년 5월 24일 금요일

R Shiny를 이용한 포트폴리오 대시보드 만들기 (실시간 수익률 및 비중)



R에서 제공하는 '샤이니'를 이용할 경우, 간단한 코딩을 이용하여 나만의 웹페이지를 만들 수 있으며, 이를 응용하면 실시간 포트폴리오 대시보드를 만들수도 있습니다.




그 예제로써 '동적자산배분' 포트폴리오의 실시간 및 역사적 수익률과 비중을 샤이니로 만들어 배포하겠습니다. Github 주소는 다음과 같으며, 샤이니를 이용하여 웹페이지를 만드는 법은 모르셔도 됩니다. (저 또한 열심히 구글링 해가면 만들었기 때문에 어렵지 않게 만드실 수 있을 겁니다.)



해당 웹페이지를 로딩하는 방법은, 먼저 R에서 shiny 패키지를 설치한 후, 다음 명령어를 통해 간단히 실행이 가능합니다.

shiny::runGitHub('GDAA', 'hyunyulhenry')


깃허브에서 GDAA repository의 app.R 파일을 자동으로 읽어봐 웹페이지를 보여줍니다.




기본적으로 viewer 창에서 페이지가 로딩되며, 붉은색 탭을 클릭하여 인터넷 창에서 실행이 가능합니다.



크롬 창에서 페이지가 열린 모습입니다. 우측 하단을 보시면 진행률이 보이며, 이는 야후 API에서 ETF 가격을 가져오는 진행률 입니다. 해당 작업이 마무리 된 후, 자동으로 백테스트가 실시된 후 이에 해당하는 각종 그래프들이 출력됩니다.

첫번째 페이지는 Cumulative Return, Weight, Raw Data 페이지로 이루어져 있으며, 이 중 가장 중요한 페이지는 첫번째인 Cumulative Return 페이지 입니다.




메인 페이지는 총 4개 항목으로 구성되어 있습니다. 첫번째 그래프는 포트폴리오의 누적 수익률, 두번째 그래프는 연도별 수익률, 세번째 테이블은 일간 수익률, 네번째 테이블은 연도별 수익률 입니다.



해당 페이지 상단에는 시작시점과 종료시점을 선택할 수 있는 항목이 있습니다. 원하는 시점을 클릭하여 선택하거나, 혹은 직접 숫자로 입력할 경우 해당 시점에 해당하는 포트폴리오 수익률만을 보여주게 됩니다. 이를 통해 MTD, YTD 수익률을 손쉽게 확인할 수 있습니다. (하단의 일간수익률 테이블 역시 해당 시점 데이터로 바뀌게 됩니다.)



Weight 페이지는 총 3가지 데이터로 구성되어 있습니다. 첫번째 그래프는 현재 시점에서 추천 포트폴리오, 두번째 그래프와 세번째 테이블은 역사적 비중입니다.



해당 페이지 역시 시작과 종료시점을 선택할 수 있는 탭이 존재하며, 이를 통해 원하는 시점만의 그래프 및 테이블을 뽑아낼 수 있습니다.




Raw Data 탭에는 백테스트에 사용된 ETF의 일간 수정주가가 나타나며, 하단의 Download Data를 클릭할 경우, 해당 데이터를 csv 파일로 다운로드 받을 수 있습니다.


Description과 About Henry 페이지는 단순 텍스트이므로, 설명은 넘어가도록 하겠습니다.


또한 해당 코드를 https://www.shinyapps.io/ 에 업로드 할 경우, 굳이 R 프로그램을 켜지 않고도, 심지어 휴대폰을 통해서도 코드를 실행할 수 있습니다. 해당 페이지에 계정을 만든 후 R Studio 내에서 손쉽게 업로드가 가능합니다. (Github 코드를 ui.R과 server.R 코드로 쪼갠 후 업로드 하셔야 합니다.)

shiny에서 부여받은 url을 통해 공유하고 싶지만, 무료 계정의 경우 부여받은 트래픽 한도가 너무 작아, 아마 블로그에 글 쓰는 순간 하루도 안되서 한도가 다 찰듯 하여.... 돈 많이 벌어서 유료계정 산 후 공유할게요....






업로드가 완성되면, R을 켜지않고 생성된 url에 접속하는 것만으로도 해당 웹페이지를 동일하게 로딩할 수 있습니다. 페이지 내의 백테스팅 코드 역시 샤이니 서버 내에서 돌아가므로, R이 설치되지 않은 컴퓨터에서도 해당 페이지가 출력됩니다.





코드가 나의 디바이스가 아닌 서버에서 돌아가므로, 심지어 휴대폰이나 태블릿PC 에서도 동일한 웹페이지가 구현됩니다. 위는 태블릿PC로 shiny url에 접속한 화면이며, PC로 실행한 것과 동일한 결과를 보여줍니다.

본인의 포트폴리오 내역 혹은 각종 정보를 대쉬보드 형태로 만든 후 shiny에 업로드하면, 언제 어디서나 간편하게 이를 확인할 수 있습니다.

2019년 5월 2일 목요일

퀀트투자(팩터투자)에 도움이 되는 펀드매니저들이 쓴 책 12선








PanAgora Asset Management의 유명한 에드워드 퀴안이 쓴 책입니다. 저 또한 예전부터 워낙 극찬을 많이 받은 책이라 사놓기는 했는데 바빠서 아직 읽지는 못했습니다. 개인적으로는 Qian이 쓴 다른책 Risk Parity Fundamentals을 매우 재밌게 읽었습니다.

비슷한 제목인 Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management 이라는 책도 있습니다. 공저자가 무려 김대환 교수님이며, 너무 재밌게 봤던 책입니다.

(두 책 모두 국내 번역본은 없습니다.)




Expected Returns: An Investor's Guide to Harvesting Market Rewards by [Ilmanen, Antti]


무려 AQR의 Antti Ilmanen가 쓰신 책입니다. (그래서 서평도 Asness가..) 이 책도 워낙 추천을 많이 받아서 아마존 카트에 몇년째 넣어둔 듯 합니다... 이 참에 사야겠습니다.

(국내 번역본은 없습니다.)




Quantitative Value: A Practitioner's Guide to Automating Intelligent Investment and Eliminating Behavioral Errors (Wiley Finance) by [Gray, Wesley R., Carlisle, Tobias E.]


알파 아키텍트의 웨슬리 그레이가 쓴 계량적 (우량)가치 포트폴리오 구성방법에 대해 쓴 책입니다. 가치투자에 대한 철학이나 좋은 문구가 많기는 하지만, 기술적인 내용들은 본인들이 운용중인 Quantitative Value ETF의 상품설명서에 거의 다 나와있기는 합니다.

하지만 생각할 거리가 많아 한번쯤 사서 읽으면 좋은 책이기는 합니다.

(국내 번역본은 없습니다.)




Quantitative Momentum: A Practitioner's Guide to Building a Momentum-Based Stock Selection System (Wiley Finance) by [Gray, Wesley R., Vogel, Jack R.]

역시나 알파 아키텍트의 웨슬리가 쓴 책이며, 계량적 모멘텀 포트폴리오 운용방법에 대한 책입니다. Quantitative Value가 읽을만한 내용이 많았다면 사실 이책은 볼 내용이 별로 없습니다. 본인들 Quantitative Momentum ETF의 White Paper 보는 것만으로도 충분할 듯 합니다.

(국내 번역본은 없습니다.)






최근에 워낙 유명한 듀얼 모멘텀에 관련된 내용입니다. 책 내용은 전반적으로 좋지만 저자 본인이 올려둔 강의용 summary 자료가 너무 좋기에 굳이 책을 사지 않아도 내용을 알 수 있습니다.





The Little Book That Still Beats the Market (Little Books. Big Profits 29) by [Greenblatt, Joel]


두말할 필요 없는 주식계의 명작, 고엘 그린블라트의 마법공식에 관한 책입니다. 퀀트를 떠나서 주식이 무엇인지에 대해 어린아이의 관점에서도 이해할 수 있게 설명해주는 면이 너무나 좋았습니다. 







Your Complete Guide to Factor-Based Investing: The Way Smart Money Invests Today by [Berkin, Andrew L., Swedroe, Larry E.]


팩터 투자에 대한 입문서로 이보다 좋은 책은 없다고 생각될 정도로 좋은 책입니다. 각 팩터들이 작동하는 원리, 관련 논문, 실제 성과에 대해 매우 자세하게 풀어 놓았습니다. 처음 책을 보고 놀랐던게 '스마트베타'와 내용 흐름이 너무 비슷했던 점이고, 그래서 자극적인 내용을 좋아하시는 분이라면 책이 다소 재미없을 수도 있습니다.

(국내 번역본은 없습니다.)






'다우의 개' 및 각종 계량 투자전략으로 유명한 제임스 오쇼너시의 책입니다. 사실 이정도로 유명한 책이 왜 아직도 번역본이 없는게 신기할 정도입니다. (제가 한번....??)

(국내 번역본은 없습니다.)






1번에 있는 퀴안 책이나 김대환 교수님 책이랑 내용은 비슷하며, 그거 읽으시는걸 더 추천드립니다.

(국내 번역본은 없습니다.)






너무나 유명한 앤드류 앙 교수님의 책입니다. 경제적 이론부터 라이프 사이클, 주식, 채권, 부동산 등 다양한 자산에서 리스크 프리미엄 관점에서의 팩터에 대해 설명해줍니다.

책 자체는 매우 좋고 배울게 많습니다. 700 페이지가 넘어 읽다가 지치지만 않는다면요.

(국내 번역본은 없습니다.)






인덱스펀드, 그리고 인핸스드 인덱스의 일종인 펀더멘털 지수에 대한 내용입니다. 퀀트 매니저 대부분의 업무가 (인핸스드) 인덱스 운용이며 이에 대한 책이 거의 없는 만큼, 해당 커리어를 생각하시는 분이라면 한번쯤 읽어봐도 좋을 듯 합니다. 


(국내 번역본은 없습니다.)




Shareholder Yield: A Better Approach to Dividend Investing by [Faber, Mebane]


퀀트 쪽에서는 워낙 유명한 메브 파버의 책입니다. 배당에 관한 전반적 내용을 다루고 있다고 하며, 개인적으로 파버의 책을 별로 좋아하지 않고 평점도 그다지 좋은 책은 아닙니다.

(국내 번역본은 없습니다.)

2019년 4월 25일 목요일

ETF는 과연 폭락의 '촉매'가 될 것인가?




최근 몇년새 패시브 투자로의 자금유입은 놀랄만큼 증가하는 추세이며, 그 중심에는 ETF가 있습니다. 그러나 이러한 ETF로의 지나친 쏠림이 다음 금융위기의 주범이 될 가능성이 높다는 경고 또한 계속 나오고 있습니다.


최근 시장을 보면 이러한 경고들이 기우가 아니다는 것을 느낄 수 있습니다. 현물시장 - 선물시장 - ETF시장을 동시에 관찰하면, 어떻게 시장의 변동성이 확대되고, 이 변동성이 잠재적 위험이 될 수 있다는 것을 느낄 수 있습니다.




코스피200과 코스닥150 시장의 시가총액 비교입니다. 코스피200 시장이 코스닥150 시장 대비 10배 가량 큽니다. (19-4-24 기준 코스피200 1,200조 vs 코스닥150 123조, 유동비 미적용)







각 시장의 연결선물 거래대금의 비교입니다. 코스피 선물 시장이 코스닥 선물 시장 대비 압도적으로 사이즈가 큰 마켓입니다. 그나마 2018년 이후로는 코스닥 선물 시장 역시 거래대금이 늘긴 했지만, 여전히 코스피 선물 시장이 코스닥 대비 30배 정도 시장의 Depth가 큽니다. (19-4-24 기준 코스피200 17조 vs 코스닥150 5천억)






그러나 우리가 어떤 민족입니까? 가즈아의 민족 입니다. 코스피200과 코스닥150 지수의 30일 이동 표준편차(연율화)를 비교해보면, 코스닥의 변동성이 코스피 변동성 대비 훨씬 높습니다. 이런 화끈한 변동성 만큼 개인투자자들이 좋아할 만한 소재는 없죠






이번엔 각 지수를 추종하는 레버리지 ETF의 시가총액 비교입니다. 2018년부터 코스닥 레버리지 ETF가 무서운 속도로 증가하는 것이 보입니다. (당시 모 은행의 신탁에서 해당 ETF를 조 단위로 팔았던 기억이 나실겁니다.)

그 결과 코스피200 레버리지 ETF와 코스닥150 레버리지 ETF의 시가총액 차이가 2배 밖에 나지 않는 기현상이 벌어지게 되었습니다. 기초지수는 시장 차이가 10배 이상 나는데, 이를 추종하는 (레버리지) ETF의 시장 차이는 겨우 2배인.. 코스닥 레버리지 ETF가 비이상적으로 커지게 되는 현상이 발생하게 된 것입니다.



사실 단순히 1X ETF의 사이즈가 커지는 것은 그리 큰 문제가 안됩니다. 그러나 레버리지 ETF가 커진다는 점, 그것도 시장의 depth가 얕은 코스닥 ETF가 커진다는 점은 잠재적으로 큰 문제가 될 수도 있습니다.






코스닥 레버리지 ETF의 PDF를 확인해보면, 구성종목 중 절반정도를 코스닥 선물로 보유하고 있으며, 이를 이용해 beta를 2로 맞추고 있습니다. 당연히 현물로는 레버리지 이펙트를 일으킬 수 없으니 선물을 이용해 포지션을 맞춰야 겠죠.

그러나 레버리지의 경우 매일매일 beta를 2로 맞추어야 된다는 점이 있습니다. 단순히 1X ETF의 경우기초지수에 해당하는 현물 바스켓을 보유하면 끝이지만, 2X ETF의 경우 그날의 상승/하락에 따른 효과로 인해 노출도(beta)가 2가 아닌 지속적으로 변하므로, 이를 맞춰주기 위해 매일 트레이딩을 해야 하며, 대부분 선물을 이용합니다.


예를 들어 AUM이 100억짜리인 레버리지 펀드가 있을 경우, 2X를 추종하기 위해 해당 펀드는 200억의 노출을 맞출 것입니다. 이를 위해 선물을 이용한다고 가정하고, 선물이 개당 8천만원일 경우 250개를 매수해야 합니다.

만약 다음날 기초지수가 1% 올랐다면 펀드의 AUM은 101억이 되며, 2배를 추종하기 위해 펀드의 노출 금액은 200억에서 1%의 2배, 즉 2%가 상승한 204억이 되야 합니다. 그러나 추종하는 선물 자체가 1% 상승했으므로 펀드의 노출 금액은 80,000,000 * 1.01 * 250 = 20,200,000,000 (202억)이 되어 목표금액에 2억이 모자라게 됩니다. 따라서 해당 금액만큼 선물을 추가 매수해야 합니다. 매수 혹은 매도해야 하는 선물의 양은 펀드의 AUM이 클수록, 혹은 당일 변동성이 클 수록 늘어나게 됩니다.



 
AUM
2X 노출도 (목표)
 
        10,000,000,000
        20,000,000,000
선물 노출
 
        20,000,000,000
선물 개당 금액
 
             80,000,000
선물 개수
 
                  250.00
1% 상승시
 
AUM
2X 노출도 (목표)
 
        10,100,000,000
        20,400,000,000
선물 금액
 
        20,200,000,000
선물 개당 금액
 
             80,800,000
차이
 
           200,000,000
추가 매수
 
2.5
2% 상승시
 
AUM
2X 노출도 (목표)
 
        10,200,000,000
        20,800,000,000
선물 금액
 
        20,400,000,000
선물 개당 금액
 
             81,600,000
차이
 
           400,000,000
추가 매수
 
4.9


물론 해당 선물시장의 거래대금이 충분히 크다면 ETF의 일간 리밸런싱으로 인한 효과는 시장에 전혀 충격이 되지 않을 겁니다. 그러나 선물시장이 얉다면 얘기는 다르죠







코스피200과 코스닥150 시장의 선물 거래대금과 추종 레버리지 ETF의 시가총액 비교입니다. 코스피 시장의 경우 선물 시장의 규모가 워낙 크므로 비중이 30% 정도에 불과합니다. 일간 리밸런싱으로 인한 물량이 있다 한들 충분히 소화하고도 남을 선물시장이 존재합니다.


그러나 코스닥 시장은 얘기가 완전 다릅니다. 선물시장의 거래대금이 그리 크지 않은 상황에서 레버리지 ETF가 지나치게 커져, 그 비중이 7~8배에 달합니다. 즉 레버리지 ETF의 리밸런싱 자금이 선물 시장에 상당한 충격으로 작용할 수 있을 가능성이, 아니 이미 충격으로 작용하고 있습니다. 만일 해당 ETF의 사이즈가 더욱 커진다면, 혹은 금융위기 급 충격이 온다면 해당 ETF에서 파생되는 물량으로 발생하는 선물 시장의 충격이 있을 수 있으며, 이로 인해 현물 시장에도 영향을 미치는 'wag the dog' 현상이 나올 가능성이 언제나 열려 있습니다.


물론 이러한 시장의 구조, 눈치(?), 지를 수 있는 용기만 있다면 오르든 내리든 달콤한 포도주는 언제나 마실 수 있겠죠. 그게 설령 누군가의 피일지라도...



2019년 4월 9일 화요일

2018년 최고의 수익을 거둔 헤지펀드 매니저와 트레이더들



본 글은 포브스의 The Highest-Earning Hedge Fund Managers And Traders [Link] 를 번역하였습니다. 


2018년 최고의 수익을 거둔 헤지펀드 매니저와 트레이더들


컴퓨터 괴짜들이 월가를 점령하고 있습니다. 2018년은 대부분 헤지펀드 매니저들이 손실을 본 실망스러운 한 해 였지만, 특출난 퀀트 트레이더들은 주목을 끌었습니다. 2018년 최고의 수익을 거둔 헤지펀드 매니저와 트레이더 20명 중 절반 이상이 컴퓨터를 이용한 알고리즘 트레이딩과 관련 있습니다.

역대 퀀트 트레이더 중 가장 유명한 짐 사이먼스는, 16억 달러를 벌었습니다.  그는 현재 600억 달러를 운용하는 르네상스 테크놀러지를 설립하였으며, 일상적 업무에서는 2010년에 은퇴하였음에도 불구하고 여전히 회사 내에서 중요한 업무를 맡고 있습니다. 르네상스 테크놀러지의 헤지펀드는 2018년에도 훌륭한 성과를 기록하였습니다. 예를 들어, ‘Renaissance Institutional Equities’ 펀드는 지난해 8.5%의 수익률을, ‘Renaissance Institutional Diversified Global Equities’ 펀드는 10.3%의 수익률을 기록하였습니다. 짐 사이먼스의 수익은 르네상스의 메달리온 펀드 덕분에 더욱 커졌습니다.  이 펀드는 투자 전략이 외부에 전혀 알려지지 않은채 운용되는 100억 달러 가량의 펀드이며, 오직 짐 사이먼과 르네상스의 파트너 및 직원들을 위해서만 운용됩니다.

헤지펀드 업계는 2018년 비참한 한해를 보냈습니다. HFR(헤지펀드 수익률 인덱스)에 따르면, 헤지펀드 매니저는 평균 -4.07%의 성과를 기록하였습니다. 이는 지난해 -4.38%를 기록한 미국 주식시장보다 약간 나은 정도에 지나지 않습니다. 그러나 최고 연봉을 기록한 20명의 헤지 펀드 매니저와 트레이더들의 2018년 수익을 합치면 총 103억 달러에 이릅니다. 이는 매우 큰 숫자지만, 이러한 수익은 금융 위기 이후 여전히 가장 낮은 수준입니다. 포브스의 조사에 따르면, 2015년 최고의 수익을 거둔 20명의 합계는 114억 달러였으며, 2011년에는 117억 달러였습니다.

이러한 고수익자에는, 운용 자산의 대부분 혹은 전체가 본인의 자산인 헤지펀드 매니저와 트레이더도 포함하였으며, 그럼에도 불구하고 상위 20명에 이름을 올린 사람들이 있습니다. 예를 들어, 마이클 플랫의 BlueCrest Capital Management은 2015년 이후 모든 외부 자금을 고객들에게 돌려주었습니다. 그 후 그들은 매우 훌륭한 트레이딩 성과를 기록하였으며, 2018년 에는 모든 비용을 제하고도 25%의 놀라운 수익을 기록하였습니다. 플랫은 지난해 대략 12억 달러를 벌어들인 것으로 추정됩니다.

운용 자산이 1천 6백억 달러 정도로 세계에서 가장 큰 헤지펀드인 레이 달리오의 브릿지워터는, 2018년 혼재된 성과를 기록하였습니다. 브릿지워의 투자 프로세스는 경제 및 기타 신호를 검색하는 데이터 기반입니다. 회사는 전통적인 ’기본적 분석’을 수행한 후, 이를 트레이딩 알고리즘으로 녹여냅니다. ‘Pure Alpha’ 헤지펀드는 2018년 비용을 제한 후 14.6%의 수익을 기록하였습니다. 그러나 달리오의 심블이자 본인이 가장 많은 투자를 하고 있는 ‘All Weather’ 펀드는 6% 가량의 손실을 기록하였습니다. 달리오는 2018년에 대략 10억 달러의 수익을 기록하였습니다.

켄 그리핀은 정량적, 기본적 트레이딩 기술을 사용하여 시타델을 300억 달러 짜리 헤지펀드로 만들었습니다. 그는 2018년에도 견고한 성과를 기록하였으며, 금융위기로 인한 파멸의 위기에서 벗어난 후  꾸준한 성과를 보이고 있습니다. 시타델의 대표적 펀드는 지난해 9.1%의 수익을 기록하였으며, 다른 펀드들 역시 각각 수수료 이후 6%에서 9% 가량의 수익을 기록하였습니다. 그리핀은 지난해 대략 8억 7천만 달러를 벌었습니다.

John Overdeck 과 David Siegel은 그들이 설립한  퀀트 트레이딩 회사인 ‘투 시그마’를 세계에서 가장 큰 헤지펀드 중 하나로 키웠습니다. 그들의 펀드 역시 2018년 훌륭한 성과를 기록하였습니다. 예를 들어, 투 시그마의 ‘Absolute Return’ 펀드는 11%의 수익을, ‘Compass’ 펀드는 14%의 순 수익률을 기록하였습니다. Overdeck과 Siegel은 지난해 각각 7억 달러 가량의 수익을 거두었습니다.

이 두명은 콜럼비아 대학교의 컴퓨터 사이언스 교수 출신인 데이비드 쇼가 설립한 퀀트 트레이딩 회사인 D.E.Shaw에서 직장생활을 시작할 때 만나게 되었습니다. 데이비드 쇼는 회사 운영 관리에서는 한 걸음 물러 났지만 여전히 회사에 관여하고 있습니다. D.E.Shaw는 현재 500억 달러 가량을 운용하고 있으며, ‘Composite Fund’는 지난해 11%의 성과를 기록하였습니다. 쇼는 작년동안 5억 달러 가량을 벌었습니다.

Israel Englander은 퀀트로 알려져 있지는 않습니다. 그는 밀레니엄 매니지먼트를 설립하였으며, 이 회사는 모든 자산에서 다양한 스타일의 팀으로 운용하는 멀티-매니저 전략을 이용하여 350억 달러 가량을 운용하고 있습니다. 밀레니엄의 성공 중 많은 부분은 퀀트 트레이딩 자회사인 월드퀀트에서 찾을 수 있습니다. 지난해 밀레니엄의 헤지펀드는 4.8%의 순 수익률을 기록하였으며, Englander는 약 5억 달러를 벌었습니다.

2018년 최고의 수익을 기록한 헤지펀드 매니저와 트레이더를 결정하기 위해, 포브스는 헤지펀드의 수익률들을 조사했고 여러 운용사의 수수료와 소유 구조를 이해하기 위해 노력했습니다. 헤지펀드는 일반적으로 2%의 운용보수와 20%의 성과 보수를 부과하지만, 조사 결과 여러 종류의 수수료 형태 또한 존재했습니다. 또한, 우리의 조사에는 각 펀드에 매니저들의 투자지분에 따른 이익과 손실 분도 포함됩니다. 



순위
이름
회사 (직위)
수익 (달러)
1
Jim Simons
Renaissance Technologies (Founder)
16억
2
Mike Platt
BlueCrest Capital Management (Founder)
12억
3
Ray Dalio
Bridgewater Associates (Founder)
10억
4
Ken Griffin
Citadel (Founder)
8억 7천
5
John Overdeck
Two Sigma Investments (Founder)
7억
5
David Siegel
Two Sigma Investments (Founder)
7억
7
David Shaw
D.E.Shaw (Founder)
5억
7
Israel Englander
Millennium Management (Founder)
5억
7
Paul Tudor Jones
Tudor Investments Corporation (Founder)
5억
7
Jeffrey Talpins
Element Capital Management (Founder)
5억
11
Carl Icahn
Icahn Capital Management (Founder)
4억 8천
12
Chase Coleman
Tiger Global Management (Founder)
4억 5천
13
Alan Howard
Brevan Howard Asset Management (Founder)
3억
14
Crispin Odey
Odey Asset Management (Founder)
2억
15
Greg Jensen
Bridgewater Associates (Co-CIO)
1억 5천
15
Robert Prince
Bridgewater Associates (Co-CIO)
1억 5천
15
Robert Prince
Bridgewater Associates (Co-CIO)
1억 5천
15
Peter Muller
PDT Partners (Founder)
1억 5천
18
Steven Schonfeld
Schonfeld Strategic Advisors (Founder)
1억 3천
19
Peter Brown
Renaissance Technologies (CEO)
1억
19
Paul Singer
Elliott Management (Founder)
1억