[투자] 머신러닝으로 경기 사이클을 분석 및 자산 비중 조절 아이디어

 

📈 머신러닝으로 경기 사이클을 분석하고 자산 비중 조절하기

거시경제 데이터를 이용한 동적 자산배분 전략

---

🌀 왜 경기 사이클이 중요한가?

경기 사이클은 경제의 건강 상태를 나타내는 주기적 흐름으로, 크게 다음 네 단계로 구분됩니다:

1. 침체 (Recession)
   → 생산과 소비가 위축되고 실업률이 증가

2. 회복 (Recovery)
   → 고용 회복, 생산 증가

3. 팽창 (Expansion)
   → 기업이익 증가, 소비 활발

4. 과열/수축 (Overheating/Slowdown)
   → 인플레이션 상승, 금리 인상 등

이 단계마다 주식과 채권이 보이는 성과는 크게 다릅니다. 예를 들어, 침체기에는 주식 수익률이 낮고 채권이 강세를 보이지만, 팽창기에는 주식이 우위를 보입니다.
👉 따라서 각 국면을 정확히 예측하면, 자산 비중을 동적으로 조절하여 수익률을 개선할 수 있습니다.

---

📊 각 단계별 특징 요약

🌱 1. 팽창기 (Expansion)

• 금리: 낮음 → 소비·투자 활성화

• 고용: 증가 시작

• 주식 시장: 점진적 상승

• 투자 전략: 주식형 ETF 비중 확대

🚀 2. 호황기 (Prosperity)

• 금리: 여전히 낮거나 상승 시작

• 인플레이션: 점차 가속화

• 기업 실적: 최대치 도달

• 투자 전략: 고베타 산업 ETF, 기술주 ETF 집중

⚠️ 3. 수축기 (Contraction)

• 금리: 인상 지속

• 기업 비용: 상승 (인건비, 원자재 등)

• 소비/투자: 둔화

• 투자 전략: 방어적 ETF, 채권 ETF로 리밸런싱

💣 4. 침체기 (Recession)

• 실업률: 상승

• 주식시장: 급락 가능성

• 심리: 소비 위축, 투자 심리 냉각

• 투자 전략: 단기 국채 ETF, 현금성 자산 비중 확대

---

📉 실제 사례: 대공황 vs 코로나19

• 1929~1932 대공황: 과열된 경기, 무역전쟁(관세 폭탄), 고금리가 겹치며 침체 장기화

• 2020 코로나19: 급격한 경기 침체 → 정부·연준의 초저금리 + 대규모 재정지출로 V자 회복

이처럼, 경기 사이클은 **정부의 재정정책(세금, 지출)**과 **중앙은행의 통화정책(금리 조절)**에 의해 크게 좌우됩니다.

---

🏦 금리와 주식시장: 밀접한 연관성

• 금리 인상기 → 소비·기업 투자 감소 → 주가 하락

• 금리 인하기 → 대출 활성화 → 주가 상승

또한, 금리가 오르면 안전자산인 채권의 수익률이 주식보다 높아질 수 있어 투자자들이 주식에서 빠져나가 채권 ETF로 이동하는 현상도 발생합니다.

---

💡 정리: 경제 사이클에 따른 ETF 전략

경기 단계	ETF 전략
팽창	미국 대형주 ETF, 성장주 ETF (예: QQQ)
호황	경기민감 섹터 ETF, 가치주 ETF
수축	고배당주 ETF, 금 ETF, 헬스케어 ETF
침체	단기채권 ETF (예: SHV), TIPS ETF (물가연동국채)

---

🤖 머신러닝을 활용한 경기 사이클 분류 방법

1️⃣ 경제 지표 수집 (Features)

머신러닝 모델에 넣을 대표적인 거시지표는 다음과 같습니다:

지표	설명
GDP 성장률	경제 전체의 생산 규모
실업률	노동시장 상태
소비자물가지수 (CPI)	인플레이션 수준
ISM 제조업/서비스업 PMI	기업 심리지표
소비자 신뢰지수 (CCI)	민간 소비 기대감
기준금리 및 장단기금리차	통화정책 방향

 

💡 데이터 출처:

• FRED (미국 연준)

• OECD CLI

• NBER 경기 순환 캘린더

---

2️⃣ 경기 국면 라벨링 (Labeling)

• NBER 경기 국면 데이터 또는 특정 기준(GDP 마이너스 2분기 연속 = 침체 등)을 이용해 학습 데이터에 경기 국면 레이블 부여

• 4단계 혹은 2단계 (확장/수축) 분류 가능

---

3️⃣ 모델 학습 및 평가

알고리즘	특징
Random Forest, XGBoost	범주형 경기 국면 분류에 적합
LSTM, GRU	시계열 흐름 반영 가능
KMeans, GMM	비지도 학습으로 군집 추출 가능

모델은 과거 데이터를 학습해, 현재 또는 가까운 미래의 경기 국면을 예측하게 됩니다.

---

4️⃣ 자산 비중 최적화

각 경기 국면에서 과거 주식 및 채권 ETF 수익률을 바탕으로, 다음과 같이 최적 비중을 산출할 수 있습니다:

경기 국면	주식:채권 비중	비고
침체기	30:70	방어적 포트폴리오
회복기	60:40	위험 감수 시작
팽창기	80:20	공격적 자산 배분
과열기	50:50	중립 또는 금리 상승 대비

 

📌 백테스트를 통해 각 국면에서 수익률, 최대 낙폭(MDD), 샤프지수 등을 비교하면 더욱 정교한 비중 조절이 가능

---

🛠️ 간단한 전략 설계 흐름

[과거 경제 지표 + 경기 국면 라벨링]
      ↓
머신러닝 모델 학습 (XGBoost 등)
      ↓
[최신 경제 지표 입력]
      ↓
예측된 경기 국면 도출
      ↓
해당 국면의 최적 자산 비중 제안

---

📚 참고할 만한 영문 도서

🧠 경기 순환과 자산배분 관련

1. "Big Debt Crises" – Ray Dalio
   → 경기 사이클의 구조와 반복 패턴에 대해 정량적이고 역사적으로 분석

2. "Adaptive Asset Allocation" – Adam Butler, Michael Philbrick
   → 동적 자산배분의 이론과 실전적 포트폴리오 전략 제시

3. "Machine Learning for Asset Managers" – Marcos López de Prado
   → 머신러닝을 자산운용에 적용하는 방법, 실전 코드 예제 포함

4. "Expected Returns" – Antti Ilmanen
   → 다양한 자산군의 기대수익률을 경제 환경에 따라 분석

5. "Quantitative Investment Analysis" – CFA Institute
   → 경기지표 분석 및 경제적 요인을 고려한 자산배분의 정석

---

✅ 마무리

기존의 정적 자산배분은 장기적인 안정성을 추구하지만, 경기 사이클을 반영한 동적 자산배분은 수익률 개선에 강력한 무기를 제공합니다. 머신러닝은 이 과정에서 경기국면을 빠르게 탐지하고 자산비중을 자동 조절하는 데 큰 도움을 줄 수 있습니다.

앞으로 여러분이 백테스트 기반 전략을 만들거나 실전 투자에서 방향성을 찾을 때, 이 전략이 하나의 좋은 출발점이 되길 바랍니다.