퀀트 수렴: 고전적 가치 투자와 현대적 요인 모델을 결합한 체계적 주식 선정

현대 금융은 주식 시장의 패턴을 찾기 위해 복잡한 머신러닝 (Machine Learning) 모델에 크게 의존하고 있습니다. 그러나 이러한 AI 모델들이 점점 더 복잡해짐에 따라, 실제적이고 지속적인 가치를 지닌 기업을 찾는 대신 단기적인 시장 노이즈 (Market Noise)를 암기하는 경우가 빈번해지고 있습니다. 우리는 Benjamin Graham의 고전적인 가치 투자 (Value Investing) 규칙이 이러한 현대적 모델들을 제어하는 수학적 '저역 통과 필터 (Low-pass Filter)' 역할을 할 수 있는지 테스트하기 위해 이 연구를 설계했습니다. 우리는 세 가지 서로 다른 특징 집합(순수 Graham 규칙, 현대적 시장 요인, 그리고 이 둘의 혼합)을 구축하였으며, 20년간의 S&P 500 데이터를 사용하여 매우 복잡한 모델들(XGBoost 및 AutoGluon)을 대상으로 이를 테스트했습니다. 4년의 테스트 기간(2022년 3월부터 2026년 3월까지) 동안 엄격한 매수 후 보유 (Buy-and-hold) 전략을 적용한 결과, 더 복잡한 알고리즘이 항상 승리하는 것은 아니라는 점이 드러났습니다. AutoGluon 모델은 높은 수익률(222.68%)을 기록했지만, 시장이 폭락하기 직전에 변동성이 큰 기술주를 매수했기 때문에 39.78%라는 상당한 하락을 겪었습니다. 반면, 순수 Graham Random Forest는 훨씬 적은 리스크(1.38 Calmar Ratio)와 함께 가장 높은 전체 수익률(232.13%)을 달성했습니다. 또한, Combined Random Forest는 모멘텀 (Momentum)과 Graham의 규칙을 성공적으로 혼합하여, 테스트된 모델 중 가장 낮은 최대 낙폭(34.53%)을 유지하면서도 202.91%의 수익률을 기록했습니다. 궁극적으로, 이 연구는 Graham의 '안전 마진 (Margin of Safety)'이 시대에 뒤떨어진 것이 아니라, 현대 AI가 과도한 리스크를 감수하는 것을 방지하는 매우 효과적인 방법임을 입증합니다.