"포트폴리오 구성 — 종목 배분과 리밸런싱의 수학"

**결론 먼저:** 좋은 종목을 골라도, 배분이 잘못되면 전략이 망가진다. 동일 가중, 리스크 기반 가중, 리밸런싱 주기 — 이 선택들이 실전 수익률에 결정적 영향을 미친다.

## 1. 몇 종목을 보유할 것인가

종목 수가 너무 적으면 분산이 불충분하고, 너무 많으면 팩터 효과가 희석된다.

| 종목 수 | 장점 | 단점 |
|--------|------|------|
| 10개 이하 | 집중 투자, 관리 편함 | 개별 주식 리스크 높음 |
| **20~40개** | 팩터 효과 + 분산 균형 | 최적 범위 |
| 50개 이상 | 리스크 분산 최대화 | 시장 수익률에 수렴, 알파 희석 |

코스피 전체(800여 종목)에서 팩터 상위 20%를 고른다면 약 160종목이다. 실전에서는 이를 **30~50종목**으로 압축한다.

## 2. 배분 방식 — 어떻게 가중치를 줄 것인가

### 동일 가중 (Equal Weight)

가장 단순하다. 종목 수로 나눠서 똑같이 투자.

```
30종목이면 각 종목에 1/30 = 3.33% 투자
```

장점: 구현이 쉽고 소형주 노출이 자연스럽게 높아짐  
단점: 대형주 안정성 부족, 변동성 높을 수 있음

### 시가총액 가중 (Market Cap Weight)

시가총액 비중대로 투자. 인덱스 펀드의 방식과 같다.  
팩터 투자에서는 잘 쓰지 않는다 — 대형주 편중으로 팩터 효과가 줄기 때문.

### 팩터 스코어 가중 (Score-Proportional Weight)

팩터 점수에 비례해서 배분. 스코어 상위 종목에 더 많이 투자.

```python
df['weight'] = df['combined_score'] / df['combined_score'].sum()
```

장점: 팩터 효과를 극대화  
단점: 특정 종목 집중 가능성

### 리스크 패리티 (Risk Parity)

각 종목의 변동성에 반비례해서 배분. 변동성 낮은 종목에 더 많이.

```python
df['inv_vol'] = 1 / df['volatility_20d']
df['weight'] = df['inv_vol'] / df['inv_vol'].sum()
```

> 실전 권장: **동일 가중** 또는 **팩터 스코어 가중**이 대부분의 경우 충분하다.

## 3. 리밸런싱 — 언제, 어떻게

리밸런싱은 포트폴리오를 다시 팩터 기준으로 재구성하는 것이다.

| 방식 | 설명 | 특징 |
|------|------|------|
| 월별 | 매월 말 전체 교체 | 회전율 높음, 거래비용 부담 |
| **분기별** | 3개월마다 교체 | 가장 일반적, 균형 잡힘 |
| 반기·연간 | 6~12개월마다 | 거래비용 낮지만 팩터 반응 느림 |
| 밴드 기반 | 이탈폭이 일정 이상 될 때 | 복잡하지만 효율적 |

**팩터 투자의 최적 리밸런싱 주기는 일반적으로 분기(3개월)다.** 모멘텀은 더 자주(월별), 가치는 더 느리게(반기) 하는 팩터별 조합도 있다.

## 4. 회전율과 거래비용 관리

회전율이 높으면 거래비용이 높아지고 실질 수익이 낮아진다.

```
연간 회전율 100% = 보유 종목 전체를 1년에 한 번 교체
연간 회전율 200% = 전체를 2번 교체 (분기별 전체 교체 시 약 이 수준)
```

| 회전율 | 거래비용 부담 (코스피 기준) | 권장 여부 |
|--------|----------------------|---------|
| 100% 이하 | 낮음 (연 ~0.3%) | ✅ |
| 200~400% | 중간 (연 ~0.8~1.5%) | △ |
| 400% 초과 | 높음 (연 2% 이상) | ❌ |

> ⚠️ 소형주는 거래비용이 더 높다. 스프레드(호가 차이)가 넓어 실질 거래비용이 대형주 대비 2~3배 될 수 있다.

→ 다음 챕터에서는 이 모든 것을 **실제로 엑셀과 파이썬으로 구현**하는 방법을 단계별로 설명한다.

"포트폴리오 구성 — 종목 배분과 리밸런싱의 수학"

// COMMENTS

ON THIS PAGE