Sector Required Return

# Required Return

 

우리는 CAPM 또는 다양한 Factor Model을 통해 주식의 요구수익률을 구하려 한다. 하지만 이 방법은 아직 현실적으로 완벽하게 적용할 수 있을 정도의 완성된 이론 체계가 없다. 때문에 개별 증권(주식)에 대한 요구수익률을 파악하는 것은 오차의 가능성이 크다고 볼 수 있다. 한가지 확실한 것은, 요구수익률이 리스크에 비례하여 프리미엄을 받는다는 사실이지만, 현재까지 리스크를 측정하기 위한 방법론은 정립되지 않았다.

 

기업에 적용되는 리스크는 크게 두 가지로, 영업 리스크(Operating Risk)와 재무 리스크(Financial Risk)이다. CAPM은 Beta를 통해 증권의 리스크를 측정한다. 이때 측정되는 리스크는 앞서 말한 두 가지 모두일 것이다. 재무 리스크의 경우 차입성 부채의 비율이 높아질수록 높아지기 때문에, 기업의 재무구조에 따라 어느 정도 추정이 가능하다. 예를 들어 무차입 기업 A와 차입비중이 50%인 기업 B가 동일한 영업을 영위한다고 했을 때, 기업 B의 리스크(CAPM에서의 Beta)는 기업 A보다 크게 계산되어야 할 것이다.

이러한 분석적 프레임워크를 영업 리스크에도 도입하고자, Sector별 분석을 실시해 보았다.

 

 

# Industry Classification

 

기업들은 저마다 고유의 Business Model을 가지고 있다. 유가증권시장의 경우 약 700~800개의 기업이 상장되어 있으며, 그 수만큼 다양한 사업을 영위할 것이다. 이렇게 많고 다양한 영업구조를 단순화시키는 것은 시장을 분석하는데 큰 편의를 제공한다.

 

하지만 분류를 어떻게 하냐는 매우 주관적인 문제일 수 있다. 때문에 다양한 기관에서 각자 나름의 분류체계를 고안해 제공하고 있다. 그 중에서도 미국에서, 또는 국제적으로 사용되는 것 중 하나가 GICS(Global Industry Classification)이다. 이는 MSCI와 S&P에 의해 1999년에 개발된 분류체계로서 11개의 Sector로 구성된 Level 1 분류부터 157개의 Sub-Industries로 구성된 Level 4 분류까지로 구성되어 있다.

출처: MSCI

한국의 경우 한국은행 및 민간 기업에서 각각 분류체계를 제공하고 있지만, KOSPI의 경우 GICS로도 분류할 수 있으며 이 글에서 활용된 Sector는 모두 GICS기준으로 분류된 것이다.

 

GICS의 각 Level별 분류는 모두 유사한 영업을 영위하는 기업을 묶은 것이다. Level이 높아질 수록 이 유사성의 정도는 강화되지만, 이 글에서는 분석의 편의를 위해 총 11개 만으로 전체 시장을 분류할 수 있는 Level 1의 Sector기준 분류를 활용하였다. 한국의 경우 유가증권시장 상장기업 중 부동산 Sector로 분류되는 기업이 없다. 따라서 다음과 같은 10개 Sector를 기준으로 분석을 진행하였다. (한국 시장을 설명하는 것이 목적이기 때문에, 미국 시장에 대한 분석 시에도 10개 Sector 기준으로 진행하였다.)

# Business Cycle

 

Sector 별로 각각 고유한 영업환경과 Business Model을 가지고 있다. 하지만 이들은 Business Cycle에 연동되는 정도를 통해 다시 분류 될 수 있다. 1~10년 주기로 시장과 경제전반의 호황과 불황이 반복적으로 나타나는 현상을 Business Cycle이라고 한다. 국면을 두 가지로 분류하면 호황과 불황일 것이다. 또한 국면을 더 세분화하여 본다면 Recovery, Prosperity, Recession, Depression으로 나눌 수 있다. 경제전반적인 이 흐름에 민감하게 반응 하는 기업은 Cyclical하다고 하며, 반대로 흐름을 타지 않는 기업은 Defensive하다고 한다. Sector를 이와 같은 방법으로 분류하면 다음과 같다.

이러한 분석은 사실 정립된 표준은 아니지만, 불황(Recession, 또는 Depression)에 상대적으로 수익률을 방어하는 Sector는 Defensive, 호황에 수익률이 더 민감하게 상승하는 Sector를 Cyclical로 정의한다면 위와 같이 Sector를 분류해 볼 수 있다.

 

아래의 표는 Business Cycle과 Sector별 수익률의 관계를 역사적으로 분석한 것이다. 호황을 Early, Mid, Late로 나누어 앞서 언급한 Business Cycle 구분과는 조금 다르긴 하지만, Recession을 불황으로 본다면 Defensive Sector를 잘 설명해주는 것으로 볼 수 있다.

자료: The Business Cycle Approach to Equity Sector Investing, Fidelity Investments (AART)

이 글은 미국 시장 대용치(S&P500 편입 기업)와 한국 시장 대용치(MSCI Korea 편입 기업)의 Sector별 초과수익률(무위험 수익률 대비) 데이터를 통해 분석을 시도하였다. 무위험 수익률로는 Treasury Bill 3개월물의 Total Return Index를 사용하였다. 각각의 시장의 세부분류는 GICS Level 1 Sector와 앞서 언급한 Cyclical/Defensive 분류로 나누어 접근하였다. 모든 자료는 Bloomberg를 통해 Raw 데이터를 받은 뒤 직접 가공하였다.

# 역사적 초과수익률

 

Sector별 적절한 리스크 프리미엄이 얼마일까를 알아보기 위해, 우선 역사적으로 실현된 초과수익률을 살펴 보았다. 국내 Sector별 수익률의 자료는 1995년 이전의 자료를 얻는 것에 한계가 있었다. 2017년 9월까지의 데이터를 기준으로 Sector별 초과수익률의 평균과 표준편차(SD, Standard Deviation)는 다음과 같다. 

Industrials(산업재)의 경우 초과수익률이 상당히 낮아 Outlier로 볼 수 있다. 초과수익률에는 다양한 요인이 영향을 미치는데, 때문에 Business Cycle의 영향만을 확인하긴 어렵다. 특히 산업 또는 기업의 구조적 변화(Structural Movement)는 계량화하여 분석하는데 큰 어려움이 있다. Industrials의 경우 구조적 변화 또는 여타 요인에 의해 평균 수익률이 낮은 것으로 보인다.

Industrials를 제외하면 전반적으로 Defensive에 비해 Cyclical의 실현 수익률이 높은 것으로 나타나는데, 이는 다시 말해 역사적 데이터를 통해 추정되는 리스크 프리미엄이 더욱 크다는 뜻이다.

 

좀더 성숙하며 선진화된 금융시장인 미국의 데이터를 통해 분석을 보완하고자 한다. 미국 시장의 경우 1989년 9월부터의 데이터가 활용 가능했다.

미국의 경우 Industrials의 수익률이 저조하지 않는데 이를 통해 한국의 경우 Outlier일 가능성이 크다는 것이 다시 한 번 입증되었다. 미국의 경우 Health Care의 수익률이 상당히 높은 편이다. Health Care의 경우 Business Cycle 관점에서 Defensive한 것은 맞지만, 생명공학기술과 함께 구조적으로 많은 성장을 이룬 것으로 해석할 수 있다.

 

이를 감안하고 본다면 미국의 경우도 Cyclical의 전반적인 초과수익률이 Defensive를 상회하고 있는 것을 확인 할 수 있다.

# 체계적 리스크(Systematic Risk)

 

역사적 초과수익률 데이터를 통해서는 적절한 리스크 프리미엄을 추정하는데 한계가 크다. 따라서 금융 경제학적 Pricing Model을 통해 리스크 프리미엄을 계산해 보았다. 이를 위해 전통적인 CAPM(Capital Asset Pricing Model) 관점을 도입하여, Beta를 통한 체계적 리스크를 측정해 보았다.

 

각 Sector 별 역사적 표본(Sample) Beta를 구하는 데는 5년, 월간 초과 수익률을 기준으로 하였다. 그리고 시계열 분석을 위해 Rolling 기준으로 Beta를 구해보았다. 이렇게 구한 역사적 Beta의 평균과 분산을 먼저 확인해보면 다음과 같다.

Cyclical Sector들의 평균치가 확연히 Defensive Sector들 보다 높은 것을 확인 할 수 있다. 또한 단순히 표준편차 수치로는 눈에 띄는 차이는 없지만, 평균값을 고려했을 때 Defensive의 경우 Beta 값이 시간이 흐름에 따라 변동하는 폭이 상대적으로 더 크다. 다시 말해, Cyclical Sector가 0.20의 표준편차를 가졌다 해도 평균이 1근처이기 때문에 약 20%의 변동 폭을 의미한다. 반면 Defensive Sector가 동일한 0.2의 표준편차를 가질 때는 평균이 0.5 정도이기 때문에 40%정도의 변동 폭을 의미하게 되는 것이다. 이러한 시계열 변동을 확인해보기 위하여 Cyclical과 Defensive 각각의 Rolling Beta를 그래프로 나타내면 다음과 같다.

 

LHS: Beta, RHS: 수익률

시장의 움직임과 Beta의 움직임간의 관계를 보기 위해 시장 대용치 Index의 60개월 Rolling 수익률도 표시하였지만, 별다른 관계를 포착할 수 없었다. 특이한 점으로, Defensive의 경우 과거 1에 가까웠던 Beta는 지속적으로 하락하는 추세를 보여주고 있다.

 

이상은 한국 시장을 기준으로 한 60개월 Beta의 움직임이었다. 더 많은 정보를 얻기 위해 동일한 분석을 미국 시장 기준으로 행한 결과는 다음과 같다.

미국의 경우도 Cyclical이 Defensive 대비 높은 Beta를 보여주는 것은 한국과 다르지 않았다. 하지만 한국과 달리 같은 Cyclical이라도 Sector 간 편차가 있었고, Defensive Sector 간에도 마찬가지였다. Rolling 기준 Beta의 분산 정도도 한국과 유사하게 Defensive가 더 높은 경향을 보여준다. 나아가 Beta의 역사적 추세를 살펴보면 다음과 같다.

LHS: Beta, RHS: 수익률

Defensive Sector의 Beta 변동폭이 비교적 큰 것은 한국과 미국이 비슷한 양상을 보인다. 하지만 한국의 경우 지속적으로 하락하는 추세였기 때문에, 해당 자료만으로는 미래의 Beta를 추정하는데 한계가 있다. 미국의 경우 베타의 변동폭이 크지만 일정한 상승 또는 하락의 추세가 있는 것은 아니기 때문에, 과거 평균치를 통해 미래의 베타를 예측할 때 오차가 적을 것으로 판단된다.

#  해석

 

위의 자료를 통해 추론할 수 있는 것 중 첫 번째는, 각 Sector 별 영업 리스크는 Business Cycle에 대한 민감도로 분류하는 것이 유의미하다는 것이다. Cyclical Sector의 경우 높은 Beta를 가지고 있으며 대체로 높은 영업 리스크를 보유한다. 반면, Defensive의 경우 낮은 Beta 및 영업 리스크를 가지고 있다.

 

Cyclical의 경우 1에 가까운 Beta를 비교적 안정적으로 유지한다. Beta가 개별 포트폴리오의 변동성과 시장과의 상관계수의 곱인 것을 상기해본다면, 이를 시장과의 상관계수가 일정하게 유지된 결과로 해석할 수 있다. Defensive의 경우 전반적으로 0.5 수준의 Beta를 가지고 있지만 이 변동폭 또한 컸다. 따라서 기본적으로 시장에 대한 민감도가 높은 수준은 아니나, 때에 따라 더 민감도가 떨어지거나 오를 수도 있을 것으로 보인다.

 

현재 활용 가능한 자료로는 한국 시장의 Defensive Sector들의 장기적인 Beta를 예측하기 어렵다. 관측 기간 동안 지속적으로 하락하는 추세를 보였기 때문이다. 따라서 뚜렷한 추세가 없는 미국 시장의 Defensive Sector의 Beta를 기준으로 생각하여도 무방할 것으로 보인다.

 

분석을 진행하면서, 각 Sector별 Beta의 움직임이 시장의 환경 변화와 어떠한 관계가 있는지 확인해 보고자 하였다. 하지만 위의 그래프를 통해 알 수 있듯이 베타의 방향성, 추세변환 등의 요소에 시장 환경이 어떠한 영향을 하는지는 파악 할 수 없었다.

 

많은 기업을 계량적 방법으로 Valuation할 경우, 각 개별 기업의 적정 요구수익률을 추정하는 것은 어려울 뿐만 아니라 오차도 클 것으로 기대된다. 이를 해결하기 위해 Sector별 평균 또는 기대 Beta 값을 활용할 수 있을 것으로 기대된다.

 

뿐만 아니라 개별 기업 자체를 Valuation할 때도, CAPM이나 Multi-Factor 모델을 이용해 자기자본을 추정하는데 한계와 오차가 있을 것이다. 이런 경우에도 해당 기업이 속한 산업 또는 Sector의 Beta를 통해 CAPM을 사용한다면, 한계와 오차를 상당수준 보완 할 수 있을 것으로 기대된다.