자산배분 에이전트 파이프라인

실행 개요 중간발표

2026년 3분기 전략적 자산배분 정기 재검토. 54개 에이전트가 IPS v4.2의 통제 아래 자본시장 가정을 산출하고, 22개 방법론으로 구성한 포트폴리오를 순위 투표와 위험 심사를 거쳐 결합했습니다.

결합 포트폴리오 기대수익률

—

시장균형 대비 −0.56%p

기대 변동성

—

시장균형 대비 −2.05%p

결합에 참여한 방법론

7

22개 중 IPS·위험심사 통과

백테스트 신뢰도

낮음

룩어헤드 확인 · 화면 10

결합 포트폴리오 7개 방법론 가중 결합

단계별 실행 결과

메타 에이전트 예측 대비 실현 · 자기수정 이력

실행	예측	실현	오차	조치
2025Q3	5.10%	3.82%	−1.28%p	과거평균 가중치 하향
2025Q4	4.88%	4.41%	−0.47%p	변경 없음
2026Q1	4.62%	5.03%	+0.41%p	변경 없음
2026Q2	4.71%	4.55%	−0.16%p	대체투자 확신도 상한 도입

수정 내역 자산군 에이전트 프롬프트에서 과거평균 추정치 가중치를 0.33 → 0.18로 하향. 4개 분기 연속 상방 편향에 따른 조치입니다.

투자정책서(IPS) 중간발표

사람 운용역을 규율하던 문서가 그대로 에이전트의 제약이 됩니다. 각 조항은 기계 검증 가능한 규칙으로 번역되며, 모든 산출물이 이 규칙을 통과해야 결합 대상에 포함됩니다.

입력

▸ips_document.md — 이사회 승인 원문
▸approval_meta — 버전, 승인일, 차기 검토일

출력

▸constraints[] — 조항 ID, 검증식, 심각도
▸bands{asset:[lo,hi]} — 자산군 허용범위
▸objective — 목적함수 정의

조항 → 검증 규칙 번역

조항	원문	검증 규칙	심각도	상태
§3-1	기금의 장기 목표수익률은 소비자물가상승률에 실질경제성장률을 더한 수준으로 한다.	target ≥ cpi + gdp_real_5y	경고	통과
§4-2	각 자산군 비중은 전략적 배분 기준비중 대비 허용범위 이내를 유지한다.	lo[a] ≤ w[a] ≤ hi[a] ∀a	반려	위반 1
§4-5	주식성 자산의 합계 비중은 55%를 초과할 수 없다.	Σ w[EQUITY] ≤ 0.55	반려	통과
§5-1	연간 급여지출을 충당할 유동성 자산을 상시 보유한다.	liquid_ratio ≥ liq_floor	반려	통과
§6-3	투기적 목적의 파생상품 거래를 금지한다.	derivative_intent = 'hedge'	반려	통과
§7-2	연금 지급의무의 듀레이션을 고려하여 자산 듀레이션을 관리한다.	\|dur_a − dur_l\| ≤ 3.0	검토	미구현
§9-1	모든 배분 결정의 근거를 문서화하고 이사회에 보고한다.	audit_trail.complete	반려	통과

§4-2 위반 · 계층적 리스크 패리티(HRP) 단기자금 비중 11.5%가 허용범위 상한 8.0%를 초과했습니다. 클리핑 후 재정규화 과정에서 상한을 다시 벗어난 것으로, 반복 투영 방식으로 수정이 필요합니다. 해당 후보는 투표와 결합에서 제외됐습니다.

§7-2 미구현 · 팀 결정 필요 목적함수가 자산 수익률 기준이라 연금 지급의무의 현재가치 변동이 최적화에 반영되지 않습니다. LDI 관점을 범위에 포함할지 결정해야 합니다.

자산군 허용범위

매크로 에이전트 중간발표

경기 국면을 분류하여 후속 자산군 에이전트에 공통 전제를 제공합니다. 국면 판단이 틀리면 14개 자산군 추정이 모두 같은 방향으로 틀립니다.

입력

▸macro_series[] — 12개 지표 시계열
▸as_of_date — 기준일 (이후 데이터 차단)

출력

▸regime — 확장 / 후기 / 침체 / 회복
▸regime_probs{} — 4개 국면 확률
▸confidence · rationale

판단 근거 지표

지표	현재	과거 평균	시사점
장단기 금리차 (10Y−2Y)	+0.24%p	+0.91%p	후기 순환
제조업 PMI	49.6	52.1	수축 진입
실업률 갭	−0.4%p	0.0%p	노동시장 과열
신용스프레드 (IG)	1.18%p	1.34%p	확장 잔존
근원 CPI	2.6%	2.2%	목표 상회
실질 정책금리	+1.1%p	+0.3%p	긴축적

국면 확률분포 확신도 0.62

확장		14%
후기 순환		58%
침체		21%
회복		7%

에이전트 서술

장단기 금리차가 역전 직전 수준까지 축소되고 제조업 PMI가 기준선을 하회한 반면, 신용스프레드는 여전히 낮고 노동시장은 타이트합니다. 실물 지표는 둔화를 가리키나 금융 여건은 아직 경색되지 않은 상태로, 후기 순환 국면으로 판단합니다. 침체 확률 21%는 PMI 하회가 2개월 연속이라는 점을 반영한 것입니다.

검증 대상 LLM은 특정 시점의 사후 국면 분류를 이미 학습했을 가능성이 높습니다. 화면 11의 날짜 마스킹 테스트가 이 단계에도 적용됩니다.

자산군 에이전트 · 자본시장 가정 중간발표

자산군별 에이전트가 병렬로 세 가지 방법론으로 기대수익률을 추정한 뒤, 판정 에이전트가 최종값과 확신도를 결정합니다. 확신도는 Black-Litterman의 입력으로 사용됩니다.

입력

▸regime — 매크로 에이전트 출력
▸valuation{} — CAPE, 배당수익률, 자사주
▸growth{} — 실질성장, 인플레 전망

출력

▸mu[asset] · sigma[asset]
▸confidence[asset] — BL 입력값
▸method_votes[] — 방법론별 원값 보존

방법론별 추정치와 판정 결과 단위 %

과거평균의 상방 편향 14개 자산군 중 —개에서 과거평균이 최종 채택값보다 높습니다. 많이 오른 자산일수록 이미 비싸졌다는 점이 반영되지 않기 때문입니다.

판정 에이전트 서술 사모주식(PE) 사례

세 방법론의 결과가 7.16% ~ 9.96%로 크게 갈렸습니다.

과거평균 9.96%는 최근 10년 저금리 국면의 밸류에이션 확대 효과를
포함하고 있어 그대로 채택하기 어렵습니다. CAPE 기반 7.16%는
공개시장 배수를 준용한 것이라 사모 특유의 유동성 프리미엄이
반영되지 않았습니다.

Grinold-Kroner 분해 7.85%를 기준으로 하되, 후기 순환 국면에서
사모주식의 실현 배수가 하락하는 경향을 반영해 8.2%로 제시합니다.

확신도는 0.53으로 둡니다. 방법론 간 편차가 2.8%p로 크고,
사모주식은 평가가격 기반이라 관측 자체의 신뢰도가 낮습니다.

검증 대상 서술은 절차적으로 타당해 보이지만, 모델이 해당 기간의 실현 수익률을 이미 알고 있었을 가능성을 배제할 수 없습니다.

공분산 에이전트 중간발표

추정할 파라미터가 105개인데 월간 관측치는 60개뿐입니다. Ledoit-Wolf 축소로 극단적 상관계수를 안쪽으로 당겨 최적화의 불안정을 완화합니다.

입력

▸returns[T×N] — 월간 수익률 60×14
▸sigma[asset] — 자산군 에이전트 출력

출력

▸cov[N×N] — 축소 적용 공분산
▸alpha · cond_number

추정 파라미터 / 관측치

105 / 60

미지수가 관측보다 많음

축소 강도 α

0.31

타깃: 상수상관 0.327

최대 상관계수

0.88 → 0.71

국내주식 ↔ 해외주식(선진)

상관행렬 축소 전후 비교

표본 상관행렬 축소 적용 후

진할수록 상관이 높습니다. 축소 후에는 양 끝의 극단값이 평균 쪽으로 당겨집니다.

왜 필요한가 국내주식과 해외주식(선진)의 표본 상관이 0.88입니다. 역행렬을 계산하면 두 자산의 고유 변동분이 12%뿐이라 작은 추정오차가 8배 이상 증폭되어 극단적 롱숏으로 나타납니다.

포트폴리오 구축 중간발표

22개 방법론 에이전트가 동일한 CMA와 공분산을 입력받아 각자 포트폴리오를 구성합니다. 어느 방법이 옳은지 사전에 알 수 없으므로 모두 생성한 뒤 비교합니다.

입력

▸mu[N] · cov[N×N]
▸confidence[N] — BL 계열에만
▸bands{} — IPS 제약

출력

▸weights[method][N]
▸risk_contrib[method][N]
▸ips_check[method] — 통과 / 반려

방법론별 결과 IPS 통과 7개

금액 비중 위험 기여도

금액과 위험은 다릅니다 위험 기여도로 전환하면 Black-Litterman은 해외주식(선진)에 금액 기준 20.0%를 배분했으나 위험 기여도는 43.3%입니다. 사실상 그 자산 하나가 변동의 절반 가까이를 만듭니다.

제약을 제거하면 평균-분산 · IPS 밴드 미적용

오차 극대화기 IPS 밴드를 걷어내면 단기자금 +237%, 국내채권(크레딧) −72%처럼 실행 불가능한 해가 나옵니다. 상관이 높은 자산 쌍의 미세한 기대수익률 차이를 확정된 신호로 받아들인 결과입니다.

실행된 22개 방법론

평균-분산 · Black-Litterman · 리스크 패리티 · 계층적 리스크 패리티 · 최소분산 · 최대분산화 · 동일가중 · 시가총액가중 · 역변동성 · 로버스트 평균-분산 · 리샘플링 효율적경계 · CVaR 최소화 · 최대 다양화비율 · 엔트로피 최대화 · 목표변동성 · 리스크버짓 · BL(확신도 균등) · BL(역변동성 사전) · 축소 미적용 평균-분산 · HRP(워드연결) · HRP(완전연결) · 신규 제안 1건

리서처 에이전트 제안 Nested Clustered Optimization(NCO) — HRP의 군집 구조와 평균-분산의 최적성을 결합하는 방식이 미구현 상태입니다. 다음 실행 반영을 권고합니다.

상호 검토 · 순위 투표 중간발표

21개 에이전트가 서로의 결과를 비판한 뒤 전 후보에 순위를 부여합니다. 1위표만 세는 다수결과 달리, 순위 투표는 고르게 높은 평가를 받은 후보를 가려냅니다.

입력

▸weights[method][N] — 유효 후보
▸ips_check[method]

출력

▸critiques[] — 비판자, 대상, 내용
▸borda[method] — 순위 점수
▸avg_rank[method] · firsts[method]

순위 투표 집계 21개 에이전트 · 1위 6점 ~ 7위 0점

단순 다수결이었다면 순위가 뒤집혔습니다

상호 비판 기록 주요 5건

리스크 패리티 → 평균-분산

국내채권(크레딧) 12.0%는 밴드 상한에 정확히 붙어 있습니다. 최적해가 제약에 걸렸다는 것은 제약이 없었다면 더 극단으로 갔다는 뜻이며, 해당 추정치의 신뢰도를 먼저 점검해야 합니다.

최소분산 → 계층적 리스크 패리티

단기자금 11.5%가 IPS 상한을 초과합니다. 클리핑 후 재정규화 순서 문제로 보이며, 반복 투영 방식으로 수정해야 합니다.

Black-Litterman → 동일가중

동일가중은 추정오차에 강건하나, 14개 자산군의 변동성이 0.9%에서 21.0%까지 23배 차이 납니다. 금액 균등은 위험 균등과 무관하며 이 경우 사모주식이 위험의 대부분을 차지합니다.

로버스트 평균-분산 → Black-Litterman

신흥주식 견해의 확신도 0.35는 자산군 에이전트가 스스로 매긴 값입니다. 과거 실현치로 보정된 적이 없다면 사전분포 이탈 폭을 정당화할 근거가 부족합니다.

CVaR 최소화 → 전체

모든 후보가 정규분포를 가정한 분산 기준으로 평가되고 있습니다. 대체투자 비중이 20%를 넘는 포트폴리오에서 꼬리위험이 과소평가될 수 있습니다.

팀 논의 사항 · 투표의 독립성 21개 에이전트가 동일한 기반 모델을 사용하면 판단이 상관됩니다. 순위 투표는 집계 방식을 개선할 뿐 판단의 독립성 문제를 해결하지 못합니다. 에이전트별로 다른 모델을 쓰거나 의도적으로 반대 입장을 부여하는 설계가 필요한지 결정해야 합니다.

위험관리 에이전트 최종발표

투표 결과와 독립적으로 각 후보의 위험을 심사합니다. 득표가 높아도 위험 심사를 통과하지 못하면 결합 가중치가 축소되거나 제외됩니다.

입력

▸weights[method][N]
▸scenarios[] — 스트레스 시나리오 정의
▸liq_floor — 연간 급여지출 소요

출력

▸stress[method][scenario]
▸concentration · liquidity · cvar95
▸verdict[method] — 승인 / 조건부 / 반려

스트레스 시나리오 포트폴리오 손익 · %

위험 지표 심사

동일가중 · 조건부 판정 스트레스 손실 자체는 중간 수준이나 상위 3개 자산의 위험 기여도가 80%를 넘습니다. 금액 균등이 위험 집중을 낳는 전형적 사례로, 결합 가중치를 절반으로 축소했습니다.

결합 포트폴리오 최종 심사

승인 개별 후보 대비 스트레스 손실이 완화되고 상위 3개 집중도가 낮아졌습니다. 서로 다른 방법론을 섞으면서 특정 위험원에 대한 노출이 분산된 결과입니다.

CIO 결합 · 이사회 보고 최종발표

순위 투표 점수와 위험 심사 판정을 곱해 결합 가중치를 산출하고, 7개 포트폴리오를 결합합니다. 설명책임을 위해 최종 비중을 방법론별 기여로 분해합니다.

입력

▸borda[method] — 순위 투표 점수
▸verdict[method] — 위험 심사 판정
▸weights[method][N]

출력

▸combine_w[method] — 결합 가중치
▸final_weights[N]
▸attribution[method][N] — 기여 분해
▸board_memo.md

결합 가중치 산출

결합가중[m] = 보르다점수[m] × 위험계수[m] / Σ(전체)
             위험계수 = 승인 1.0 · 조건부 0.5 · 반려 0.0

최종 비중과 방법론별 기여 분해 설명책임 요건 대응

결합해도 설명이 가능한 이유 각 자산군의 최종 비중을 방법론별 기여로 분해하면 "국내채권을 왜 이만큼 담았는가"에 대해 어느 모델이 얼마나 밀었는지로 답할 수 있습니다. 결합 방식의 설명책임 약점을 보완하는 장치입니다.

2026년 3분기 전략적 자산배분 재검토 결과

기금운용본부 · 2026년 9월 9일 · 투자정책서 v4.2 기준 · 자동 생성 초안

1. 결론

2026년 3분기 전략적 자산배분은 7개 방법론을 가중 결합한 배분안을 채택할 것을 제안합니다. 기대수익률 4.74%, 기대변동성 6.68% 수준이며, 투자정책서상 모든 자산군 허용범위를 충족합니다.

2. 결합 방식을 채택한 이유

단일 방법론을 선택하는 방식과 비교 검토한 결과, 결합 방식을 채택했습니다. 방법론 간 추정 전제가 서로 다르고 어느 쪽이 옳은지 사전에 판별할 수 없는 상황에서, 하나를 선택하면 그 방법론의 고유한 오류에 배분 전체가 노출됩니다. 위험 심사 결과 결합 포트폴리오의 스트레스 손실과 자산 집중도가 개별 후보 대비 모두 개선된 것도 이를 뒷받침합니다.

결합 방식의 약점으로 지적되는 설명책임 문제는 방법론별 기여 분해로 보완했습니다. 각 자산군 비중이 어느 방법론에서 얼마씩 나왔는지 추적할 수 있으며, 해당 내역을 별첨합니다.

3. 시장 균형 대비 주요 이탈

국내채권(국고)을 시장 균형 22.3% 대비 25.2%로 확대했습니다. 후기 순환 국면 판단이 Black-Litterman과 최소분산 양쪽에서 공통으로 반영된 결과입니다. 반대로 사모주식은 5.0%에서 2.4%로 축소했습니다. 기대수익률 자체는 8.2%로 가장 높으나 방법론 간 추정 편차가 2.8%p로 커 확신도가 0.53에 머물렀고, 위험 심사에서도 유동성 제약이 지적되었습니다.

4. 이사회 판단이 필요한 사항

첫째, 투자정책서 제7조 제2항의 부채 듀레이션 관리 조항이 파이프라인에 반영되어 있지 않습니다. 목적함수가 자산 수익률 기준으로 설정되어 있어 연금 지급의무의 현재가치 변동이 최적화에 들어가지 않습니다.

둘째, 본 배분안의 백테스트 성과는 신뢰할 수 없습니다. 검증 절차에서 모델 학습 시점 이전 구간의 초과성과가 학습 데이터 누출에 기인한 것으로 확인되었습니다. 학습 시점 이후 구간에서는 단순 고정 배분 대비 우위가 관측되지 않았습니다. 상세는 별첨 검증 보고서를 참조하시기 바랍니다.

5. 첨부

자본시장 가정 산출 내역, 방법론별 포트폴리오 비교표, 순위 투표 집계, 위험 심사 결과, 기여 분해 내역, 백테스트 및 검증 보고서.

백테스트 검증 최종발표

제안서 연구내용 1번의 실증 화면입니다. 결합 방식이 단일 방법론 대비 개선을 만드는지 확인하되, 모델 학습 시점을 기준으로 구간을 나누어 결과의 신뢰성을 함께 검증합니다.

입력

▸returns[T×N] — 2016-01 ~ 2026-08
▸final_weights[N] · 벤치마크 4종
▸model_cutoff — 2024-06

출력

▸nav[strategy][T]
▸metrics[strategy][segment]
▸leakage_gap — 구간 간 성과 차이

누적 수익 곡선 2016-01 = 100 · 세로선은 모델 학습 종료 시점

학습 컷오프 이전 2016-01 ~ 2024-06 · 102개월

학습 컷오프 이후 2024-07 ~ 2026-08 · 26개월

결론 · 초과성과는 학습 누출에 기인합니다 컷오프 이전 구간에서 결합 전략은 BL 고정 대비 연 —%p 초과했으나, 이후 구간에서는 —%p로 축소되었고 리스크 패리티 고정 배분에는 오히려 뒤졌습니다. 에이전트가 만든 자본시장 가정이 해당 기간의 실현 수익률을 이미 알고 있었을 때만 우위가 나타난다는 뜻입니다.

한계 · 사후 구간이 짧습니다 컷오프 이후 표본이 26개월에 불과해 통계적 유의성을 주장하기 어렵습니다. 최종 보고서에서는 이 점을 명시하고, 우위가 있다는 주장 대신 누출이 없을 때 우위가 관측되지 않았다는 형태로 서술하는 것이 정확합니다.

룩어헤드 · 보정 검증 최종발표

에이전트가 산출한 값이 실제 추론의 결과인지, 학습 과정에서 이미 알고 있던 결과를 절차로 포장한 것인지 검증합니다. 백테스트 결과의 해석은 이 화면에 달려 있습니다.

입력

▸agent_outputs[] — 전 단계 산출물
▸as_of_date · model_cutoff
▸control_runs[] — 마스킹·대조군 결과

출력

▸leakage_flags[] — 단계별 신호등
▸calibration_curve
▸gate — 통과 / 조건부 / 반려

종합 판정 · 조건부 파이프라인 산출물 자체는 유효하나, 백테스트 성과를 모델 성능의 근거로 제시할 수 없습니다.

룩어헤드 감사 3개 테스트 · 단계별

단계	컷오프	날짜 마스킹	대조군
매크로 국면 분류	위반	불안정	위반
CMA · 주식군	위반	불안정	불안정
CMA · 채권군	위반	통과	통과
CMA · 대체투자	위반	통과	통과
공분산 추정	통과	통과	통과
포트폴리오 구축	통과	통과	통과

컷오프 테스트

평가 구간의 80%가 모델 학습 시점 이전입니다. 해당 기간의 실현 수익률이 가중치에 포함되어 있을 수 있습니다.

날짜 마스킹 테스트

기준일과 고유명사를 제거하고 수치만 제공했을 때 주식군 추정치가 원본 대비 평균 1.4%p 변동했습니다. 채권·대체는 0.3%p 이내로 안정적입니다.

대조군 테스트

동일 통계 패턴에 가상 날짜를 부여한 대조군에서 국면 분류가 달라졌습니다. 지표가 아니라 시점 자체가 판단에 영향을 준 증거입니다.

확신도 보정 에이전트 자기평가 vs 실제 적중률

대각선은 완전 보정 상태입니다. 곡선이 아래에 있으면 과신 — 에이전트가 말한 확신도보다 실제 적중률이 낮다는 뜻입니다.

과신 확인 확신도 0.8 구간의 실제 적중률은 0.58입니다. 이 값은 Black-Litterman에서 시장 균형으로부터의 이탈 폭을 직접 결정하므로, 보정 없이 사용하면 확신이 없는 견해에 근거해 배분을 과도하게 기울이게 됩니다.

결합 방식에서 더 중요한 이유 BL은 결합 가중치 —%로 가장 큰 비중을 차지합니다. 확신도 과신이 BL 포트폴리오를 왜곡하면 그 왜곡이 결합 결과에도 가장 크게 전달됩니다.

완화 설계 제안 구현 담당 배정 필요

방안	내용	난이도	효과
컷오프 이후 구간 평가	모델 학습 종료 이후 기간만 평가 구간으로 사용. 표본이 짧아지는 대신 누출이 원천 차단됨	낮음	근본 해결
날짜·고유명사 마스킹	프롬프트에서 기준일과 국가·기업명을 제거하고 수치 패턴만 제공	낮음	부분 완화
합성 대조군	동일 통계 특성의 가상 시계열을 생성해 실제 데이터와 결과 비교	중간	진단 가능
확신도 사후 보정	과거 실행의 확신도-적중률 관계로 보정 함수를 학습해 적용	중간	직접 개선
편차 기반 확신도	자기평가 대신 방법론 간 추정 편차의 역수를 확신도로 사용	낮음	의존성 제거