멀티팩터 모델을 만들 때 각 팩터에 동일 가중치를 줄지, 다르게 줄지는 어떤 기준으로 정하나요?

멀티팩터 모델에서 팩터 가중치를 정하는 방식은 크게 규칙 기반(rule-based)과 최적화 기반(optimization-based)으로 나뉘며, 어느 쪽이 우월한가는 이론적 우아함보다 추정오차(estimation error)를 감당할 수 있느냐로 결정됩니다. ①동일가중(equal-weight, 1/N)은 가치·모멘텀·퀄리티·저변동성 등 각 팩터에 같은 비중을 주는 방식입니다. 겉보기엔 순진해 보이지만, DeMiguel·Garlappi·Uppal(2009)의 유명한 연구는 14개 최적화 모델 중 어느 것도 표본외(out-of-sample)에서 샤프지수·확실성등가수익·회전율 기준으로 1/N 규칙을 일관되게 이기지 못했으며, 이는 최적 분산의 이론적 이득이 추정오차로 상쇄되기 때문이라고 밝혔습니다^[1]. 즉 팩터의 기대수익·공분산을 정밀하게 추정할수록 그 추정치 자체의 오차가 커져 최적화 결과를 오염시키므로, 표본이 충분히 길지 않으면 단순 동일가중이 오히려 견고(robust)합니다. ②차등가중을 쓴다면 그 근거는 보통 세 축입니다. 첫째는 리스크 기준으로, 팩터별 변동성의 역수로 비중을 주는 역변동성(inverse volatility)이나, 팩터 간 상관관계까지 반영해 각 팩터가 포트폴리오 총위험에 동일하게 기여하도록 맞추는 리스크 패리티(risk parity)·동일위험기여(ERC)가 대표적입니다. 변동성이 큰 팩터가 전체 위험을 지배하는 것을 막아 분산 효과를 높이는 논리입니다. 둘째는 수익·정보비율 기준으로, 팩터별 기대 정보비율(IR)이나 과거 성과에 비례해 비중을 주거나 최대 정보비율·평균분산 최적화를 쓰는 방식인데, 성과가 검증된 팩터에 더 싣는다는 직관은 명확하나 표본외에서 추정오차를 증폭시키기 쉬워 반드시 비중 상·하한, 회전율 제약 같은 제약(constraint)을 걸어야 실전에서 작동합니다. 셋째는 신념·경제적 근거 기준으로, 팩터의 경제적 논리가 얼마나 견고한지, 데이터마이닝(과최적화) 위험이 낮은지, 팩터 간 중복(예: 밸류와 저PBR)이 없는지 등 질적 판단을 반영합니다. 실무에서는 팩터 점수를 먼저 표준화(z-score)한 뒤 결합하는 통합형(integrated) 방식과, 팩터별 포트폴리오를 따로 만들어 사후에 합치는 혼합형(mixed) 방식 중 무엇을 쓰느냐에 따라 가중치의 의미도 달라집니다. 정리하면 팩터 수가 적고 상관관계·변동성 격차가 크지 않다면 동일가중이 견고하고 검증 부담도 낮은 기본값이며, 팩터 간 위험 편중이 뚜렷하면 리스크 기반 차등가중이, 팩터별 성과 차이에 대한 통계적 확신이 충분하고 제약과 표본외 검증을 병행할 수 있다면 최적화 기반 차등가중이 정당화됩니다. 어떤 방식이든 표본외 검증과 회전비용·거래비용을 함께 따져야 하며, 최종 판단과 책임은 투자자 본인에게 있습니다.