In this dissertation, we study a series of diversification strategies in order to improve the understanding of the diversification of investments that was mathematically established by Harry Markowitz. Even though Modern Portfolio Theory considers a trade-off between generating high returns and lowering risks, investment processes inspired by the concept of diversification are generally only addressed with their diversification benefits. Therefore, we analyze the diversification strategies by using portfolio optimization techniques that primarily originated from the mean-variance framework, which considers returns as well as risks with equal importance, in order to more fully understand the quantifiable consequences of various diversification strategies.
First, we investigate passive investing and performance benchmarking through analyzing the two most popular equity benchmark portfolios: the cap-weighted portfolio, and the equally-weighted portfolio. As conventional portfolio performance evaluations occur relative to benchmarks, the performance evaluation of the benchmark itself has never been a trivial issue. Thus, an alternative methodology for portfolio performance evaluation that can be conducted without peer information is proposed, and we find little or no evidence of either benchmark portfolio performing better than the average portfolio. In terms of performance benchmarking, however, equally-weighted portfolios exhibit more desirable properties than cap-weighted portfolios.
Second, we examine the quantitative properties of asset allocation and asset classification. We derive and compare the closed form expressions for the portfolio performances of asset allocation and direct security selection, and we find that the majority of investors can benefit from employing asset allocation. Furthermore, our analysis indicates that the design of asset classes is a critical factor in determining the portfolio performance of employing asset allocation. Hence, we further test the two most widely used within-stock asset classification schemes, i.e. style and industry classifications, and find that the asset designs should not focus on diversification benefits only.
Third, we discuss the viability of robo-advising, which was recently developed during the on-going expansion of financial technology (FinTech). Robo-advising attempts to lower the entry barrier to financial advising through utilizing automated but personalized algorithms, in order to attract investors with smaller accounts, who are ineligible to receive traditional financial advising services. We investigate the relationship between portfolio size and risk in order to examine the viability of robo-advisers in providing diversification benefits with limited portfolio sizes. The results indicate that a substantial investment is not necessary to gain diversification benefits.
현대 포트폴리오 이론(Modern Portfolio Theory)이 높은 수익률의 추구와 투자 위험 감소라는 두 가지 대립되는 투자 목표 사이의 균형을 체계적으로 정립하고 있음에도 불구하고, 분산 투자 기법들은 일반적으로 이들의 분산 투자 효과에 의해서만 분석되고 평가되어왔다. 따라서 본 연구에서는 투자 위험 감소만이 아닌 수익률 증대 효과까지 고려하는 분산-평균 포트폴리오 최적화 기법(mean-variance portfolio optimization)에 기반을 둔 포트폴리오 최적화 기법들을 활용하여 분산 투자 기법들의 정량적 성질에 대해 분석할 것이며, 이러한 새로운 관점에서의 분석은 투자자들의 분산 투자에 대한 이해 증대에 기여 할 수 있을 것이다.
첫 번째로 패시브 투자(passive investing)와 투자 성과의 벤치마킹 (performance benchmarking)에 대하여 분석하였다. 패시브 투자는 시장의 장기적인 성장률 추종을 목표로 시장의 벤치마크 인덱스에 투자하는 투자의 한 방법이며, 최근 전 세계적인 금융 위기 이후로 크게 성장하고 있는 추세이다. 이러한 패시브 투자의 성과는 벤치마크 인덱스의 성과와 직접적으로 연관될 수 밖에 없는데, 기존의 포트폴리오 성과 분석은 벤치마크와의 비교 분석을 통해 이루어져왔기 때문에, 벤치마크 자체의 성과 분석은 쉽게 이루어질 수 없었다. 따라서 본 연구에서는 다른 포트폴리오들에 대한 정보 없이 이루어질 수 있는 새로운 투자 성과 분석 방법론을 제시하였다. 모든 실현 가능한 포트폴리오의 샤프 지수(Sharpe ratio) 분포를 이론적으로 도출 해냄으로써, 전체 집단에서 특정 포트폴리오의 성과 순위를 이론적으로 계산할 수 있었다. 이를 기반으로 시장에서 가장 널리 통용되는 벤치마크 포트폴리오인 시가총액가중평균 포트폴리오(cap-weighted portfolio)와 동일가중평균 포트폴리오 (equally-weighted portfolio)의 성과 분석을 할 수 있었고, 그 결과 두 포트폴리오 모두 평균적인 포트폴리오보다 지속적으로 꾸준히 나은 성과를 보인다는 증거를 찾기 어려웠다. 하지만 벤치마킹의 측면에서는 동일가중평균 포트폴리오가 시가총액 가중평균 포트폴리오에 비해 평균 포트폴리오와 유사한 성과를 안정적으로 보여주었기 때문에, 포트폴리오의 성과 측면에서는 벤치마크로서 더 적합한 성질을 보이는 것을 확인할 수 있었다.
두 번째로는 자산 배분(asset allocation)과 자산 분류(asset classification)의 정량적인 성질에 대한 연구를 진행하였다. 실존하는 투자 가능한 대상은 수없이 많으며, 이를 대상으로 처음부터 투자 결정을 내린다는 것은 불가능에 가깝다. 따라서 일반적으로 투자자들은 투자 대상을 특성에 따라 여러 개의 자산군(asset class)으로 분류하고, 이 각각의 자산군에 대한 투자 금액을 결정하고, 다시 여러 자산군들을 세부적으로 분류하고, 투자 결정을 내리는 식으로 개별 자산에 다다를 때까지 계속되는 하향식(top-down) 의사결정 방법을 따르며 이를 자산 배분이라 칭한다. 본 연구에서는 자산 배분을 할 때와 하지 않을 때의 투자 성과를 수식으로 나타내고, 이를 기반으로 실제로 투자자들이 자산 배분을 할 때에 더 좋은 투자 성과를 얻을 수 있다는 것을 이론적으로 보일 수 있었다. 이 과정에서 자산 분류법이 투자 성과에 미치는 영향이 크다는 사실을 알 수 있었고, 따라서 가장 널리 쓰이는 주식시장 분류법인 스타일 분류법(style classification)과 산업 분류법(industry classification)에 대하여 추가적인 분석을 수행하였다. 이를 통해 위 두 분류법을 포함해 분산 투자 효과만을 목적으로 설계 된 자산 분류법은 투자 성과에 악영향을 끼친다는 확인 할 수 있었다.
세 번째로는 로보-어드바이저(robo-adviser) 서비스의 실현 가능성에 대한 분석을 수행하였다. 로보-어드바이저는 최근 핀테크(Financial Technology, FinTech)의 발전과 함께 새로이 생겨난 온라인 투자자문 서비스로 현대 포트폴리오 이론에 기반한 자동화 알고리듬을 활용하여 비용을 절감함으로써 투자자문 서비스의 진입 장벽을 낮추어 기존의 투자자문 서비스를 받지 못했던 소규모 자산을 가진 개인 투자자들의 유치를 목표로 하고 있다. 본 연구에서는 작은 자산이 분산 투자 효과에 어떠한 영향을 미치는 지를 정량적으로 분석함으로써 로보-어드바이저가 소규모 자산을 가진 투자자들에게도 충분한 분산투자 효과를 제공할 수 있는지를 알아보았다. 그 결과 분산 투자 효과를 얻는 데에 천문학적인 금액이 필요한 것은 아니라는 것을 확인 할 수 있었고, 이를 통해 개인 투자자들에게도 로보-어드바이저가 충분히 훌륭한 투자처가 될 수 있을 것이라는 결론을 내릴 수 있었다.
