탄소 리스크의 영향과 포트폴리오 탄소중립의 중요성 3

[힘힘]

3

이를 수식으로 표현하면 아래 식(25)와 같다. 

과 

은 각각 저탄소 포트폴리오와 벤치마크 유니버스의 일별 수익률을 나타낸다.61) 괴리율은 두 수익률 차이의 표준편차(standard deviation)로 정의한다. 괴리율이 낮을수록 저탄소 포트폴리오가 위험-수익률 관점에서 벤치마크와 유사한 특징을 가질 것이다. 한편, 아래 제약조건 식은 저탄소 포트폴리오의 탄소 위험(=가중평균 탄소집약도) 수준을 벤치마크 탄소 위험의 일정 비율

 이하로 맞출 것을 의미한다. 여기서 

는 벤치마크 포트폴리오의 가중평균 탄소집약도이며, 

은 개별종목 단위 탄소집약도이다. 제약조건에서 가장 중요한 변수는 

인데, 

은 포트폴리오의 탄소 위험 감축률(reduction rate)을 의미한다. 만약 벤치마크 대비 50% 정도의 탄소 위험을 줄인 포트폴리오를 구성하고자 한다면 

을 0.5로 설정하면 된다. 본 절의 분석에서는 편의상 

을 20%(0.2)부터 80%(0.8)까지 5%(0.05) 단위로 변경하면서 최적화 문제를 푼다. 이 외 식(25)의 다른 제약조건 식은 포트폴리오 비중에 관한 일반적인 조건이다.62)

수치적인 방법을 이용하여 식(25)의 최적화 문제의 근사해를 찾으려면 목적함수와 제약조건을 매개변수인 투자비중

으로 나타낼 필요가 있다. 식(25)의 목적함수는 식(26)과 같이 투자비중의 함수로 표현할 수 있는데, 최종적으로 투자비중 벡터

와 벤치마크 모지수의 비중

 및 개별종목 간 수익률 분산-공분산 행렬(variance-covariance matrix) 

의 함수로 정의된다. 식(26)의 

과 

는 개별종목 

의 벤치마크 유니버스 내 비중 및 주식 수익률이며 이를 벡터(vector) 형태로 나타낸 것이 

과 

이다. 여기서 매개변수인 투자비중 

을 제외하면, 나머지 변수는 데이터를 통해 추정한 값을 사용하였다. 제약조건의 경우 

에 대해 간단한 1차 방정식 또는 부등식 형태로 정의되어 있으므로 추가적인 설명은 생략한다.
 

식(26)에서 

은 12월 말 벤치마크 유니버스 내 종목별 시가총액 비중으로 정의하고, 

는 벤치마크에 포함된 모든 종목별 수익률 표준편차와 종목 간 수익률 상관계수로 산출할 수 있을 것이다. 다만 선행연구(예: Andersson et al., 2016)에서 지적했듯이, 종목별 상관계수의 경우 계산 부담과 더불어 추정하는 과정에서 오차(estimation error)가 발생할 수 있어 허위 상관관계(spurious correlation)가 나타날 가능성이 있다. 따라서 선행연구를 참조하여 식(26)의 종목별 분산-공분산 행렬을 공통 위험요인(risk factor, 팩터)의 분산-공분산 행렬과 위험요인에 대한 베타(beta, factor loading)로 치환하여 추정한다. 이는 개별종목 수익률에 비해 팩터 간 상관계수의 추정 오차가 작고, 무엇보다 최적화의 목적인 공통 위험요인에 대한 노출도를 벤치마크와 유사하게 가져가는 목적에 부합하기 때문이다. 팩터 모형의 활용 방법은 관련 연구의 방법론을 참고하였다(MSCI Barra, 2007; Andersson et al., 2016, Bolton et al., 2022).
식(27)은 식(26)의 목적함수를 팩터의 분산-공분산 행렬 및 종목별 베타를 바탕으로 표현한 것이다. 개별종목의 수익률 벡터

를 팩터 모형으로 표현하면 

와 같고(

: 위험요인 벡터, 

: 잔차), 이를 토대로 식(26)의 

는 팩터의 분산-공분산 행렬인 

와 종목별 팩터에 대한 베타

, 잔차항의 분산

으로 표현된다.63) 따라서 종목별 분산-공분산 행렬을 계산하는 대신 팩터의 분산-공분산 행렬과 팩터에 대한 베타를 계산하여 최적화 문제를 해결하였다. 여기서 팩터의 분산-공분산 행렬과 베타는 최근 5년 팩터 수익률을 활용하여 계산하였다. 정리하면, 식(25)의 제약조건을 만족하면서 식(27)의 목적함수를 최소화하는 최적화 문제를 수치적인 방법을 이용한 근사해를 산출하였고(numerically approximate solution), 이를 최적화 방법을 활용한 저탄소 포트폴리오의 최적 비중으로 정의한다.
 

전술한 최적화 모형을 풀기 위해서는 적절한 팩터 모형을 설정해야 하는데, 본 연구에서는 주식 기대수익률의 횡단면과 관련된 많은 연구를 참고하여 한국 주식시장의 수익률 횡단면을 잘 설명하는 팩터 모형을 구축하였다. 수많은 요인 변수를 고려하였고 최종적으로 35개의 공통요인과 18개의 산업 요인을 포함한 모형을 선택하였다. 선행연구에서는 미국 주식시장 내 68개의 요인 모형을 사용한 바 있다(Andersson et al., 2016). 한국 주식시장의 팩터 모형에 대한 자세한 구축 과정에 대한 설명은 부록 2을 참조한다.
다. 분석 결과

앞서 설명한 방법론을 토대로 한국 주식시장의 저탄소 포트폴리오를 구축해보자. 크게 스크리닝, 틸팅, 최적화 방법에 관한 결과를 차례로 요약하고 각 방법의 특징을 비교해봄으로써, 우리나라 주식시장에서 저탄소 포트폴리오의 구축 및 실행 가능성(feasibility)을 검증한다. 이 절에서 사용한 포트폴리오 구성 방법은 해외의 주요 지수사업자와 기관투자자가 포트폴리오 탄소중립을 위한 탈탄소 지수를 구성할 때 활용하고 있는 방식으로, 분석 결과를 토대로 우리나라 주식시장 내 저탄소 투자의 활용 가능성을 확인할 수 있을 것이다.

1) 스크리닝 및 틸팅 방식의 저탄소 포트폴리오 구성 결과

먼저 스크리닝 방식을 활용한 저탄소 포트폴리오의 효과를 살펴보자. <그림 Ⅲ-6>은 종목 스크리닝 결과를 나타내고 있다. 상위 

%의 고위험 종목을 투자 유니버스에서 제외할 때마다 포트폴리오의 가중평균 탄소집약도(식(21))의 변화(그림 A)와 벤치마크 대비 감소율(그림 B)을 산출하였다.64) 스크리닝 파라미터 

는 2%부터 40%까지 2% 간격으로 변경한다. 분석 결과 탄소 위험 지표 상위 10%의 종목을 제거하면 포트폴리오의 탄소 위험이 벤치마크 대비 50% 감소하는 것으로 나타난다. 또한 포트폴리오 탄소 위험 수준이 파라미터가 작을 때 빠르게 감소하다가 이후 일정 수준을 넘어가면 감소율의 한계 변화가 줄어든다. 이는 벤치마크 기업의 온실가스 배출량 및 탄소집약도 등 탄소 위험 지표가 표본 내에서 비대칭적으로 분포해 있기 때문으로 추정된다(Koch & Bassen, 2013). 즉, 탄소 위험 지표가 연속적인 값을 가질 수 있지만, 일부 기업에서는 매우 큰 값을 보이는 것으로 해석된다. 이러한 결과는 단순 배출량을 기반으로 해도 질적으로 유사하다. 실무적인 관점에서 스크리닝 방식을 활용할 때 탄소 위험 지표의 분포에 따라 최적 파라미터를 설정해야 할 것으로 판단된다.
 

<그림 Ⅲ-7>은 탄소 위험 지표를 합산 탄소집약도(식(22))와 가중평균 탄소 배출량(식(20))으로 변경하여, 각 위험 지표의 감소율을 스크리닝 정도(

)에 따라 그림으로 나타낸 것이다. 가중평균 탄소집약도와 달리 일정 비율(예: 

=10%)을 넘어가면 탄소 위험의 감소가 크게 관찰되지 않는다. 이는 기업 단위 양적 지표(배출량)가 비율 지표(탄소집약도)보다 더욱 비대칭적으로 분포해 있는 것을 시사한다. 적정 수준의 스크리닝 비율을 선정하면 괴리율을 최대한 낮추면서 적절한 수준의 탄소 위험에 노출된 포트폴리오를 구축할 수 있을 것으로 판단된다.

탄소 위험의 감소도 중요하지만, 벤치마크 모지수 대비 괴리율도 투자 수익률 관점에서 중요한 지표라고 할 수 있다. 특히 대형 기관투자자 관점에서 탄소 위험을 줄이기 위해 투자 대상을 많이 배제할수록 모지수와의 격차가 커질 수 있어서, 저탄소 투자의 기회비용을 최소화할 수 있는 적절한 수준의 벤치마크 괴리율을 유지하는 것이 중요하다.
 

<그림 Ⅲ-8>은 스크리닝 비율 변경에 따른 벤치마크 괴리율을 나타낸 것이다. 괴리율은 포트폴리오 구성 후 스크리닝 포트폴리오의 수익률과 벤치마크 수익률 간 편차의 표준편차로 계산하였다(ex-post tracking error). 그림에서 알 수 있듯이 벤치마크 괴리율은 스크리닝 비율이 증가할수록 꾸준히 상승하는 형태를 보인다. 앞서 포트폴리오의 탄소 위험 수준의 감소가 일정 비율 이상에서 정체하는 점을 고려하면, 지나친 스크리닝은 투자의 편익보다는 비용이 클 것을 암시한다. <그림 Ⅲ-6, 7, 8>을 모두 고려했을 때, 적절한 수준의 괴리율을 유지하면서 탄소 위험을 줄일 수 있는 스크리닝 비율은 10%인 것으로 평가된다. 물론, 이러한 결과는 탄소 위험 대용치 및 투자 대상 유니버스의 변경에 따라 달라질 수 있다.
추가로 섹터 스크리닝의 특징과 성과를 간략히 살펴보기 위해, 연도별 포트폴리오 조정 시점에 상위 10% 고위험 섹터를 제거하는 전략을 살펴보았다. 원자료의 특성상 표본 상장기업이 10개의 섹터로 분류되므로65), 섹터 단위의 탄소 위험이 가장 큰 1개 섹터를 표본에서 제거하는 스크리닝 포트폴리오를 고려하였다.66) 섹터 단위 탄소 위험은 포트폴리오와 마찬가지로 시가총액 비중을 가중평균한 탄소집약도로 추정하였다.

<표 Ⅲ-10>은 섹터 스크리닝 결과를 벤치마크 및 종목 스크리닝 결과와 비교하여 나타낸 표이다. 먼저 가중평균(weighted average: WA) 탄소집약도(식(21))의 경우, 섹터 스크리닝 포트폴리오의 탄소 위험이 벤치마크 대비 62% 감소하여, 같은 10% 비율의 종목 스크리닝(50% 감소)에 비해 탄소 위험을 더 낮추는 것으로 보인다. 합산 탄소집약도(식(22))의 감소율도 더 크게 나타난다. 반면 괴리율 측면에서 평가할 경우, 섹터 스크리닝이 종목 스크리닝에 비해 벤치마크 괴리가 더 큰 것으로 확인된다. 섹터 스크리닝의 일별 괴리율은 약 0.146%로 같은 비율의 종목 스크리닝 포트폴리오(0.063%)에 비해 2배 이상 크다. 이는 <표 Ⅲ-10>에서도 알 수 있듯이 위험 지표 상위 34%를 제거하는 종목 스크리닝의 괴리율과 유사한데, 섹터 스크리닝(=10%)과 유사한 수준의 괴리율을 갖는 종목 스크리닝(=34%) 포트폴리오의 탄소 위험 지표 감소율이 오히려 더 크게 관찰된다. 종목 대신 섹터를 스크리닝할 경우에는 괴리율 관점에서 편익 대비 비용이 큰 것을 알 수 있다. 이러한 요인을 데이터와 표본의 특성에서 찾을 수도 있겠지만, 섹터 스크리닝을 종목 스크리닝과 비교했을 때 산업 분산(industry diversification) 측면에서 효과적인 포트폴리오를 구성하기 어렵기 때문이다. 물론 특정 산업군을 잘 정의하여 해당 그룹을 제거하는 포트폴리오(예: 화석연료 배제)를 고려할 수 있지만, 이 경우 투자자의 지속적인 기업 관여(engagement)가 어렵고 꾸준한 탈탄소 유인을 제공하기 어려운 단점이 남게 된다. 전반적으로 스크리닝 방식의 저탄소 포트폴리오 구성은 실행이 간단하고, 적절한 파라미터를 설정하면 유의미한 탄소 위험과 적절한 수준의 괴리율을 만족하는 포트폴리오를 찾을 수 있는 장점이 있는 것으로 판단된다. 다만 지속적인 투자가 어려운 점과 과도한 섹터 스크리닝이 높은 괴리율로 이어질 수 있으므로 투자자 관점에서 적절한 기준을 선택할 필요가 있다.
 

다음으로 틸팅 방식의 저탄소 포트폴리오 구성 결과를 확인해보자. 앞서 스크리닝 방식과 비교하기 위해 포트폴리오의 탄소 위험을 모지수 대비 약 50%를 줄이는 포트폴리오를 기준으로 살펴보았다(EU PAB 기준 참고). 종목(섹터) 틸팅 방식은 리벨런싱 시점에 표본 기업(섹터)을 10개 그룹으로 나눈 뒤 분위별로 비중을 틸팅하는 방법을 적용하였다.

<그림 Ⅲ-9>와 <그림 Ⅲ-10>은 종목 틸팅(security tilting)을 실행한 저탄소 포트폴리오의 탄소 위험 감소 수준을 여러 지표를 기준으로 나타낸 결과이다. 앞서 스크리닝 결과와 마찬가지로 벤치마크 포트폴리오의 탄소 위험 대비 감소율로 저탄소 포트폴리오 성과를 측정하였다. <그림 Ⅲ-9>는 틸팅 포트폴리오의 가중평균 탄소집약도(그림 A, 식(21) 참고))와 벤치마크 대비 탄소 위험 감소율(그림 B)을 보여주는데, 틸팅 비중이 파라미터에 따라 선형적으로 결정되므로 감소율도 선형으로 증가하는 것을 알 수 있다. 특히 탄소 위험을 50% 정도 줄이기 위해서는 종목 틸팅 파라미터(

)가 1.6이 되어야 하며, 이는 탄소 위험 최상‧하위 10분위 그룹의 비중을 벤치마크 대비 64% 조정한 포트폴리오를 의미한다.67) 틸팅 방식은 스크리닝과 달리 탄소 위험이 큰 종목에 대한 투자도 고려하므로, 투자비중을 크게 조정해야 유의미하게 포트폴리오 단위 탄소 위험을 낮출 수 있는 것으로 평가된다.

한편 <그림 Ⅲ-10>에서 알 수 있듯이, 가중평균 탄소집약도를 50% 줄이는 틸팅 포트폴리오(=1.6)는 같은 수준의 스크리닝 포트폴리오(

=10%)에 비해 다른 탄소 위험 지표가 다소 높게 측정된다. 예를 들어, 포트폴리오 가중평균 온실가스 배출량(식(20))의 경우 틸팅 포트폴리오(

=1.6)가 4.12백만tCO2(벤치마크 대비 29% 감소)이고 비교 대상 스크리닝 포트폴리오(

10%)는 3.74백만tCO2(벤치마크 대비 36% 감소)로 계산된다. 개별종목 단위 온실가스 배출량이 일부 종목과 섹터에 집중되어 있으므로, 스크리닝과 같은 투자배제(divest) 기반의 비중 조절 방식이 틸팅 방식에 비해 효율적으로 포트폴리오 탄소 위험 관리가 가능할 것으로 판단된다.
 

한편, <그림 Ⅲ-11>과 <그림 Ⅲ-12>는 각각 섹터 틸팅(sector tilting) 포트폴리오의 탄소 위험 감소 효과를 보여주고 있다. 가중평균 탄소집약도(식(21))를 기준으로 할 때 벤치마크 포트폴리오 대비 약 50% 수준으로 탄소 위험을 줄이기 위해서는 틸팅 파라미터(

)가 최소 1.9 정도 되어야 함을 알 수 있다. 이는 같은 50% 수준의 탄소 위험 감소를 위한 종목 틸팅 파라미터(

=1.6)보다 높게 설정되는 것이다. 탄소 위험을 절반으로 줄이기 위한 

가 1.9라는 점은 탄소집약도 10분위 포트폴리오 내 최대 76%의 벤치마크 비중 틸팅이 발생하는 것을 의미한다. 섹터 틸팅의 최소 파라미터 크기가 상대적으로 크기 때문에, 종목 틸팅에 비해 섹터 틸팅의 벤치마크 괴리율이 높을 것으로 예상된다.

<그림 Ⅲ-13>은 앞서 구성한 종목 및 섹터 틸팅 포트폴리오의 파라미터별 벤치마크 괴리율을 나타내고 있다. 스크리닝과 달리 틸팅 방식은 개별종목의 탄소 위험 수준이 매우 높아도 최소한의 투자비중은 유지되기 때문에, 같은 수준의 탄소 위험 감소를 달성하려면 벤치마크와의 투자비중 괴리가 더욱 커질 필요가 있다. 따라서 벤치마크 포트폴리오 대비 약 50% 수준의 탄소 위험 감소를 유지하기 위한 괴리율은 종목 틸팅 포트폴리오가 0.095%(

=1.6), 섹터 틸팅의 경우 0.156%(

=1.9)로 나타난다. 앞서 살펴보았던 종목 스크리닝(

10%)의 괴리율인 0.063%와 비교했을 때 틸팅 포트폴리오의 괴리율이 더 높게 나타난다. 다만 틸팅 방식의 경우, 탈탄소화를 진행해야 하는 기업 또는 섹터에 대한 지속적인 투자를 통해 최소한의 탈탄소 유인을 제공할 수 있다는 점에서, 스크리닝 방식에 비해 상대적으로 지속가능성이 크고 그린워싱의 위험이 적다고 볼 수 있다. 탄소 위험 지표를 변경해도 분석 결과상 관찰되는 틸팅 방식의 특징은 질적으로 유사하게 나타났다.
 

2) 최적화 방식의 저탄소 포트폴리오 구성 결과

마지막으로 한국 주식시장 내 최적 저탄소 포트폴리오를 앞서 설명한 최적화 방법론을 바탕으로 구성해보자. 이를 수행하기 위해 일정 수준 이상 포트폴리오의 탄소 위험을 줄이면서 벤치마크 괴리율을 최소화하는 최적 투자비중을 찾아보았다. 최적화 방식은 틸팅, 스크리닝 방식과 달리 사전에 정의된 투자비중 결정식이 없으므로 수치적인 방법을 활용하여 근사해(numerical solution)를 찾는다. 이 절에서는 미래참조편향(look-ahead bias)을 사전에 차단하기 위해, 목적함수를 사후적 괴리율이 아닌 사전적 괴리율(ex-ante tracking error)로 표현한다. 포트폴리오를 1년마다 교체하므로 사전적 괴리율은 리벨런싱 시점으로부터 과거 1년 동안의 벤치마크 모지수 대비 괴리율로 정의된다.68) 또한, 제약조건으로 벤치마크 대비 탄소 감축 목표치를 20%에서 80% 사이로 두고 최적화 문제를 풀었다.

<그림 Ⅲ-14>는 목표 탄소 위험 감소율(식(25)의 

) 별로 산출된 최적 저탄소 포트폴리오의 최적화 결과를 요약한 것이다. 그림 A는 최적화 결과 계산된 사전적 괴리율(목적함수)을 보여주고 있고, 그림 B는 제약조건을 만족하는 최종 저탄소 포트폴리오의 탄소 위험 지표를 나타낸 것이다. 포트폴리오 탄소 위험으로 가중평균 탄소집약도(식(21))를 사용하였다. 먼저, 최적화 결과 최적 포트폴리오의 근사해를 찾을 수 있었다. 최적화 비중으로 계산한 포트폴리오 가중평균 탄소집약도는 제약조건을 정확히 만족한다(그림 B). 가령 

이 50%인 제약조건의 경우, 최적 포트폴리오의 탄소 위험 지표는 0.078(단위: 톤/백만원)로 벤치마크 포트폴리오의 탄소 위험 지표(0.157)와 비교했을 때 50% 이상 위험 수준이 감소하였다. 이 외에도 각각의 

에 따른 제약조건을 만족하는 최적 투자비중이 산출되었다. 또한, 제약조건이 강화될수록 사전적 괴리율(목적함수 값)이 증가한다. 제약조건이 보수적일수록 이를 만족하는 최적 투자비중의 벤치마크 괴리도가 증가함을 알 수 있다. 따라서 적정 수준의 탄소 감축 목표치를 기준으로 최적 포트폴리오를 추정하는 접근이 요구된다.
 

<그림 Ⅲ-15>는 탄소 위험 대용치를 변경하여, 최적화 방식으로 추정한 저탄소 포트폴리오의 벤치마크 대비 탄소 위험 감소 효과를 보여주고 있다. 그림 A와 B에서 알 수 있듯이, 벤치마크 포트폴리오 대비 약 50% 수준으로 탄소 위험(가중평균 탄소집약도 기준)을 줄이는 최적 포트폴리오의 합산 탄소집약도(식(22)) 및 가중평균 배출량(식(20)) 감소율은 24%로 동일하다. 이는 같은 수준의 탄소 위험을 낮추는 종목 스크리닝(

10%), 종목 틸팅(

=1.6), 섹터 틸팅(

=1.9) 방식에 비해 합산 지표의 감소율이 낮다. 종목 스크리닝, 종목 틸팅, 섹터 틸팅의 합산 탄소집약도의 벤치마크 대비 감소율은 각각 37%, 33%, 34%이며, 가중평균 온실가스 배출량 감소율은 36%, 29%, 38%이다(<그림 Ⅲ-7, 10, 12> 참고). 이는 최적화 문제의 제약조건 식에 가중평균 탄소집약도만 포함되었기 때문으로 판단된다. 만약 제약조건에 사용된 포트폴리오 탄소 위험 대용치를 변경하면 해당 제약조건을 만족하는 최적 투자비중을 찾을 수 있을 것이다. 이처럼 최적화 방식은 제약조건과 목적함수 상에 사용된 지표에 대해서는 최적화된 결과를 제시하지만, 그 외 지표의 경우 성과가 다소 저조할 수 있다.
 

다음으로 목적함수로 사용된 괴리율 관점에서 최적 포트폴리오의 벤치마크 대비 사후적 괴리율(ex-post tracking error)을 살펴보자. 미래참조편향을 배제하기 위해 사전적 괴리율을 목적함수로 사용했기 때문에, 최적 비중으로 투자한 포트폴리오의 실제 사후적 괴리율은 달라질 수 있다. <그림 Ⅲ-16>은 제약조건

별 사후적 괴리율 보여주는데, 이는 앞서 스크리닝 및 틸팅 방식과 마찬가지로 분석 기간 수익률 편차(표트폴리오 – 벤치마크)의 표준편차로 정의하였다. 그림에서 표시한 것처럼 목표 탄소 위험 감축률(=50%)을 만족하는 최적 저탄소 포트폴리오의 괴리율은 0.048%이다. 이는 앞선 절에서 대조군으로 설정한 종목 스크리닝(

10%), 종목 틸팅(

=1.6), 섹터 틸팅(

=1.9)의 괴리율인 0.063%, 0.095%, 0.156%에 비해 유의미하게 낮은 수치로 판단된다. 이는 두 가지를 시사하는데, 첫째 사전적 괴리율을 목적함수로 설정해도 제약조건이 까다롭지 않으면 포트폴리오의 사후적 괴리율도 유의미하게 낮출 수 있다. 둘째, 최적화 방식의 저탄소 포트폴리오는 다른 방식과 유사한 수준의 탄소 위험을 감소시키면서(제약조건) 벤치마크 대비 괴리율을 최소화할 수 있는 방법이다. 만약 모지수를 어느 정도 추종하면서 저탄소 투자를 병행하고자 한다면, 최적화 방식이 틸팅 및 스크리닝 방식에 비해 투자 수익률 관점에서 기회비용이 가장 작다고 볼 수 있다.

<그림 Ⅲ-17>은 비교 대상으로 선정한 세 가지 방식의 일별 벤치마크 괴리도(=포트폴리오 수익률 – 벤치마크 수익률)를 그린 것이다. 점선은 괴리도의 평균  표준편차(=괴리율)를 나타낸다. 그림에서도 알 수 있듯이 분석 기간 내 최적화 방식의 괴리도가 가장 낮게 관찰된다. 따라서 벤치마크를 최대한 추종하는 포트폴리오를 구성한다면 최적화 방식이 제일 적합하다.
 

위험-수익률 측면에서 저탄소 포트폴리오의 다른 특징을 비교해보자(<표 Ⅲ-11>). 비교가능성을 제고하기 위해 포트폴리오의 가중평균 탄소집약도를 벤치마크 대비 50% 낮춘 포트폴리오를 비교하였다(최적화: 

=50%, 스크리닝: 

=10%, 틸팅(종목): =

1.6, 틸팅(섹터): 

=1.9). 먼저 연간 수익률과 위험(수익률 표준편차), 샤프 비율(Sharpe ratio)의 경우, 최적화 및 종목 스크리닝 방식의 위험 대비 수익률이 상대적으로 높게 관찰된다. 초과 수익률과 정보 비율(information ratio) 관점에서도 유사한 결과가 도출되는데, 분석 기간 내 탄소집약도가 큰 종목의 위험 대비 수익률이 상대적으로 저조했던 것으로 추정된다.
 

둘째, 앞서 언급한 바와 같이 벤치마크 대비 괴리율은 최적화 방식이 가장 낮게 관찰된다. 최적화 방식은 모지수를 가장 잘 추종하는 방식이며, 다른 공통 위험요인에 대한 노출도 벤치마크와 가장 유사하게 가져갈 수 있다. <표 Ⅲ-11>의 하단에 Fama & French(1993) 3-요인 모형의 시장요인

, 규모요인

, 가치요인

에 대한 베타(위험 노출 수준)를 벤치마크와 비교한 결과를 보여주고 있다. 최적화 방식의 베타는 벤치마크 베타와 차이가 0.01 미만으로 벤치마크와 거의 유사한 위험 노출 수준을 보여준다. 한편 이러한 베타의 차이는 최적화 방식에 비해 다른 방식에서 최소 2~3배 이상 발생하는 것을 알 수 있다. 즉, 최적화 방식은 모지수를 가장 효과적으로 추종하면서 다른 공통 위험요인에 대한 노출 수준을 유사하게 가져갈 수 있는 전략이다.

다만 이러한 최적화 방식의 강점을 다소 상쇄하는 단점이 있는데, <표 Ⅲ-11>에서 보여주듯 포트폴리오 회전율이 벤치마크 대비 높은 수준으로 나타난다(모지수 대비 +2.9%). 포트폴리오 회전율은 종목 투자비중 변화에 따른 평균 리벨런싱 수준을 의미하는데, 회전율이 높을수록 투자비중의 변화가 크고 결과적으로 전략을 유지하기 위한 리벨런싱 비용(rebalancing costs)이 커지게 된다.69) 리벨런싱 비용은 경제적으로 포트폴리오의 순자산에 부정적인 영향을 끼치기 때문에, 실무적인 관점에서 최적화 방식을 활용한다면 적정 수준의 비중 변경에 대한 요건이 필요할 것으로 판단된다.

3) 소결

이상의 분석 결과를 바탕으로 저탄소 포트폴리오를 구성하는 전략별 장단점을 비교하면 <표 Ⅲ-12>와 같다. 먼저 스크리닝 방식의 경우, 전략 방법의 이해가 쉽고 투자실행이 간단한 장점이 있고, 분석 결과 간단한 방식임에도 괴리율 및 탄소 위험 감소 측면에서 효과적인 포트폴리오를 구성할 수 있었다. 또한, 벤치마크 대비 차이점(특정 그룹 배제)이 명확하므로 성과를 비교하기 쉽다. 반면 스크리닝 비율이 높거나 특정 섹터를 아예 배제하는 등 과도하게 투자를 배제할 경우, 벤치마크 대비 괴리율이 증가할 수 있다. 무엇보다 탈탄소화를 진행해야 할 산업이나 기업에 꾸준히 투자를 진행하지 않을 수 있어 지속적인 관여가 어렵고, 결과적으로 투자자 관점에서 그린워싱 위험이 큰 전략이 될 가능성이 존재한다.

한편 틸팅 방식은 분석 결과 틸팅 조건과 내용을 사전에 적절하게 정의하면 포트폴리오의 탄소 위험을 충분히 낮출 수 있는 것으로 나타났다. 또한 최적화 방식에 비해 투자비중을 결정하는 방식이 투명하며, 상대적으로 전략 자체를 이해하고 실행하는 것이 어렵지 않다. 그리고 투자배제를 가정하지 않으므로 모든 투자 대상에 대한 지속적인 투자와 관여를 할 수 있어 그린워싱의 위험이 상대적으로 적다.
 

최적화 방식의 경우 목적함수와 제약조건을 만족하는 최적의 저탄소 포트폴리오(optimal low-carbon portfolio)를 추정할 수 있다는 점에서 다른 방법에 비해 벤치마크 괴리율 관리가 용이하다. 분석 결과 최적화 방식의 괴리율이 가장 낮고 안정적으로 나타났으며, 탄소 위험을 제외하면 다른 공통 위험요인에 대해 모지수와 가장 유사한 위험 노출 수준을 갖는 저탄소 포트폴리오를 구성할 수 있었다. 또한 스크리닝 방식처럼 투자배제를 가정하지 않아서 상대적으로 그린워싱의 위험을 낮춘 포트폴리오를 구성할 수 있고, 전략을 실행하는 주체의 기호에 맞게 제약조건과 목적함수를 수정할 수 있어 전략의 확장성이 크다. 다만 최적 투자비중이 어떠한 방식으로 결정되는지 알기 어려워(black box) 투자 기준이 객관적이지 않을 수 있다. 그리고 실증분석 결과 최적화 포트폴리오의 괴리율이 가장 낮게 나타났지만, 잦은 투자비중의 변경으로 인해 포트폴리오의 회전율(turnover)이 벤치마크 대비 크게 관찰되었다.70) 비록 본 절에서는 최적 투자비중이 추정되었지만, 표본의 구성이나 주어진 파라미터가 변경됨에 따라 수치적인 근사해(numerical solution)가 추정되지 않을 수도 있을 것이다.

전반적으로 최적화 방식은 틸팅 방식과 유사하다고 판단된다. 최적화 방법도 결국엔 탄소 위험이 큰 기업의 비중을 낮추고, 그렇지 않은 기업의 투자비중을 높이는 방향으로 최적 지점을 찾는다. 차이점은 틸팅 방식의 경우 수학적으로 폐쇄적 형태(closed form)로 투자비중의 공식이 정해져 있다는 점이고, 최적화 방식은 정해져 있지 않다는 것이다. <표 Ⅲ-11>에서 알 수 있듯이 최적 비중에 대한 추정이 적절히 이루어진다면, 최적화 방법이 틸팅 방식에 비해 포트폴리오의 성능이 우수하게 나타난다. 적절한 설계 방식이 수반된다면 최적화 방식은 벤치마크를 최대한 추종하면서 탄소 위험과 그린워싱 위험을 효율적으로 줄이는 방법이 될 수 있다.

다만 최적화 방식의 경우 투자비중의 기준이 명확히 정해져 있지 않다는 점에서 전략의 객관성과 투명성을 담보하기 어려운 단점이 있다. 이를 어느 정도 해소하기 위해 관련 선행연구(Andersson et al., 2016)에서는 순수 최적화(pure optimization) 방식보다는 스크리닝을 활용한 방법을 제안하고 있다. 예를 들어, <표 Ⅲ-13>처럼 제약조건을 만족하는 순수 최적화 방식(①)에서 탄소 위험 지표(예: 탄소집약도)가 가장 큰 종목 

개를 배제(divest)하고(②)71), 나머지 투자 대상으로 벤치마크 괴리율을 최소화하는 해를 추정하는 방법이다. 제약조건을 ②번 방식처럼 변경하면, 제약조건 상 객관적인 조건이 추가되기 때문에 ①번 방식과 비교했을 때 객관성을 어느 정도 제고할 수 있다. 특히 범용화할 수 있는 탈탄소 지수를 구성한다면 ②번 방식과 같이 객관성을 높인 최적화 방법을 활용하는 것이 대안이 될 수 있다.72) 다만 이 경우 투자배제 기업에 대한 주주 관여가 불가능하다는 단점이 있어, 포트폴리오 탄소중립을 통한 탈탄소 유인을 적절히 제공하기 위해 투자배제 기준을 명확하고 보수적으로 수립할 필요가 있다.
 

Ⅳ. 결론 및 시사점

본 보고서는 탄소 가격 상승이 국내 기업과 산업에 미치는 재무적 영향을 분석하고, 해외에서 주로 활용되는 저탄소 포트폴리오 구성 방안을 조사하여 이를 한국 주식시장에 적용하고 각 방법의 특징을 비교 분석하였다.

탄소 위험이 기업에 미치는 영향을 분석한 결과(Ⅱ장)는 다음과 같이 요약할 수 있다. 첫째, 대체로 모든 산업에서 탄소중립 시나리오 경로에 따라 탄소 가격이 상승하면 기업의 재무적 손실률이 증가한다. 특히, 에너지 및 전력 공급, 운수업 등 다배출 산업에서 기업의 손실률이 크게 늘어났다. 둘째, 기업의 재무적 손실의 확대는 신용위험의 악화로 이어졌다. 부도 위험 확률모형을 토대로 추정한 산업별 예상 부도 확률은 탄소 가격 상승에 따라 마찬가지 증가하는 형태를 보인다. 또한 이러한 경향은 탄소 집약적인 산업에서 더욱 현저하게 나타났다. 다만, 모형으로 도출한 추정 결과는 기업의 재무구조와 기술력 등이 현재 상태일 때를 가정하여 산출한 것이기 때문에, 향후 이러한 요소들이 변화함에 따라 추정 결과는 충분히 달라질 수 있을 것으로 판단한다. 마지막으로, 산업 간의 상호작용을 반영한 모형을 구축하여 탄소 리스크의 파급효과를 분석한 결과, 탄소 가격 상승에 따른 비용충격은 고탄소 산업뿐만 아니라 이와 연계된 저탄소 산업에도 큰 파급효과를 가져오는 것으로 추정되었다. 저탄소 산업 중 산업간 연관 관계가 높은 산업일수록 탄소 가격 상승에 따른 손실률 증가가 급격히 확대되었다. 이러한 결과는 탄소 위험이 단순히 고배출 산업 위주로 영향을 끼치는 데에 그치지 않고, 연관된 저배출 산업에도 유의미한 영향을 미칠 수 있음을 시사한다. 전반적인 실증분석 결과는 국내 기업과 자본시장 참여자에게 탄소 리스크의 중요성과 향후 이에 대한 대응의 필요성을 강조하고 있다.

다음으로 이러한 배경하에서, 투자자가 탄소 위험을 효과적으로 관리할 수 있는 포트폴리오 구성 방법론을 조사, 분석한 결과(Ⅲ장)는 다음과 같이 요약할 수 있다. 첫째, 탄소 리스크 관리 및 포트폴리오의 탄소중립을 강조해왔던 해외의 경우, 탄소 리스크를 줄이면서 동시에 적절한 위험-수익률을 추구할 수 있는 투자 방안에 대한 고민이 지속된 것으로 파악된다. 그 결과 다양한 탈탄소 지수가 개발되고, 이러한 방법론을 토대로 관련 금융상품이 출시되었으며 기관투자자의 활용이 늘어나고 있다. 둘째, 포트폴리오 탄소중립의 핵심은 포트폴리오 수준의 탄소 발자국(탄소 위험)을 줄이며 동시에 투자 수익률의 불확실성과 그린워싱 가능성을 최소화하는 것이다. 이는 투자자의 지속가능한 투자와 탈탄소가 필요한 기업에 대한 관여가 무엇보다 중요하기 때문이다. 자본시장 내에서 이러한 사회적 책임 자본이 충분히 늘어난다면, 기업과 산업부문에 대한 탈탄소 유인을 충분히 제공할 수 있을 것이다. 셋째, 한국 주식시장의 상장기업 배출량 자료를 토대로 해외에서 활용 중인 저탄소 포트폴리오 구성 방법을 적용한 결과, 적절한 모수를 설정한다면 앞서 서술한 포트폴리오의 탄소중립을 달성하면서 동시에 투자자의 기회비용을 최소화할 수 있는 것으로 나타났다. 특히 투자자의 탄소중립 경로에 부합하는 최적 포트폴리오를 최적화 방식을 통해 추정할 수 있었으며, 이러한 방법론은 해외 사례와 같이 국내 투자자의 다양한 탈탄소 지수 및 저탄소 포트폴리오 구축에 활용될 수 있을 것으로 기대한다.

탄소 리스크가 기업과 산업에 미치는 영향과 해외에서 꾸준히 논의되어왔던 탈탄소 투자 방법 및 사례가 주는 시사점은 다음과 같다. 여전히 탄소 위험이 자산가치에 미치는 영향에 관한 불확실성은 남아있고 선행연구에 따라 실증된 결과는 상이하지만(Bolton & Kacperczyk, 2021; Aswani et al., 2023; Zhang, 2023), 향후 탄소 가격이 적정 수준으로 인상되고 탄소 위험이 자산가치에 적절히 반영된다면 투자기업과 포트폴리오에 끼칠 영향은 분명하다. 투자자는 이러한 탄소 리스크를 포트폴리오의 위험 관리 체계에서 중요한 요소로 고려해야 하며, 이와 관련된 대응 방안을 마련할 필요가 있다. 기업과 산업부문의 자구적인 노력도 긴요하지만, 장기 투자자의 포트폴리오를 탄소중립 경로와 부합하게 조정함으로써 자본시장을 통한 기후변화 대응 노력을 경주하는 것도 중요하다.

탈탄소 투자에 관한 논의와 변화가 꾸준히 진행되어왔던 해외와 달리 우리나라는 관련 투자가 활성화되지 못한 것으로 평가된다(김민기, 2023). 현재까지 탈탄소 지수를 신규 자금의 벤치마크로 도입한 기관투자자는 없는 것으로 파악되고, 국민연금기금은 지난 2021년 5월 탈석탄(coal divestment)을 선언하고 2년이 넘는 시간이 지났으나 구체적인 투자 철회 전략과 방식을 수립하지 않고 있다. 또한 저탄소 투자의 저변 확대를 위해 해외 지수사업자와 협력하여 관련 탈탄소 지수를 개발하고 ETF를 상장했으나, 현재까지 유의미한 성과를 거두고 있다고 보기도 어렵다. 아래 <그림 Ⅳ-1>에서 알 수 있듯, 탈탄소 지수의 성과와 무관하게 관련 ETF의 순자산 합계가 상장 이후 지속해서 감소했고, 상품 대부분에서 자금의 순유출이 발생했다. 이는 개인투자자의 관심이 부족한 측면도 있으나, 무엇보다 국내 기관투자자의 수요가 거의 없었기 때문이다.
 

지금까지는 국내 배출권거래제(K-ETS)를 통해 형성된 탄소 가격이 산업부문에 대한 온실가스 감축 유인을 적절히 제공하지 못했던 것으로 평가된다. 다만 향후 탄소중립 목표를 달성하기 위해서는 탄소 가격의 인상은 불가피할 것이며, 탄소의 가격화(carbon pricing)가 정상적으로 이루어진다면 투자기업과 자산 포트폴리오에 미치는 영향은 분명할 것이다. 해외와 마찬가지로 우리나라 경제도 탄소 위험에서 완전히 벗어날 수 없으므로, 금융 부문과 자본시장을 통한 기후변화 대응 노력을 지속해야 할 것이다. 탄소 리스크의 중요성을 시장 참여자 모두가 인식하고, 본 고에서 살펴본 포트폴리오 탄소중립을 위한 탈탄소 투자를 앞으로 활성화할 필요가 있다.

---

1) World Bank(2023)
2) 비용발생도(=[배출량평균 배출권가격]/평균 부가가치 생산액)와 무역집약도(=[평균 수출액+수입액]/[평균 매출액+수입액])를 곱한 값이 2/1000 이상인 업종(배출권거래법 시행령 제19조, [별표 1])
3) 기존의 무상할당 대상에 해당하던 자동차, 섬유, 항공기 제조업 등 5개 업종이 유상할당 대상으로 추가되었다.
4) 전환리스크는 기후변화 완화를 위해 탄소 배출을 줄이고 친환경 에너지로 전환하는 과정에서 발생하는 위험을 의미하며, 탄소 가격 상승으로 인한 기업의 탄소 배출 비용의 증가는 이러한 전환리스크의 한 예로 볼 수 있다.
5) 구체적으로 이들은 IPCC의 SSP2-19, SSP2-26, SSP2-34, SSP2-Baseline 총 네 가지 시나리오를 이용하였으며, 이는 각각 2081~2100년 평균 기온이 1.5℃, 1.8℃, 2.2℃, 3.8℃까지 상승하는 경우를 의미한다.
6) 만일 기업이 현재의 탄소 배출 사업 관련 유‧무형자산에 대해 지속적인 재투자와 유지보수를 수행한다고 가정한다면, 감가상각비(DA)를 기업의 탄소 비용을 내부화하기 위한 재원으로 사용하는 것은 적절하지 않을 수 있다. 다만, 동시에 기업이 향후 탄소 가격의 상승에 따라 탄소 집약적인 자산의 좌초자산화 가능성을 인지하고 이에 대한 재투자와 유지보수를 수행하지 않을 것으로도 기대할 수도 있을 것이다. 본 장에서는 선행연구(Bouchet & Le Guenedal, 2020)를 참고하여 EBITDA로 분석을 진행하였다.
7) 즉, 추정 기간 다음과 같이 기업 가치는 EBITDA에 일정 상수(multiple)를 곱한 값으로 표현할 수 있다고 가정한다. 
   

8) 만약 추정 시점의 자본시장에서 탄소 위험이 기업 가치

에 일부라도 반영되어 있다면 탄소 위험의 영향이 상대적으로 크게 추정될 가능성이 있다. 또한 후술한 모형에서 부도 확률을 산출할 때, 

만큼 차감하여 기업의 청산가치를 산출하기 때문에 모형 설계상 마찬가지 탄소 위험의 영향이 크게 산출될 소지가 있다.
9) 일반적으로 온실가스 배출량 데이터가 공시된 이후 몇 차례 검증을 거쳐 공식적으로 확정될 때까지 최소 1년 이상의 시차가 존재한다. 이러한 시차를 감안하여 본 연구에서는 현재까지 가장 확정적이라 생각되는 2019년말 탄소 배출량 데이터를 기준으로 분석을 수행하였다. 2020년의 데이터를 사용하지 않은 다른 주요한 이유는 코로나19의 영향으로 인해 배출량이 평소보다 과소 추정될 우려가 있다고 판단하였기 때문이다. 2020년에는 코로나19 이후 산업 활동이 감소하면서 온실가스 배출량이 크게 줄어들었는데, 이러한 특수한 상황을 반영하는 2020년 배출량 데이터를 사용하면 탄소 가격 상승의 영향이 과소 추정될 수 있기 때문이다. 환경부에 따르면, 2020년 온실가스 배출량은 전년 대비 6.4% 감소한 6억 5,622만 톤으로 확정되었으며, 2021년 온실가스 잠정배출량은 6억 7,960만 톤으로 전년 대비 3.5% 증가할 것으로 예상된다.
10) 이상적으로는 미래 t시점에서 기업의 재무제표와 주가 변수를 예측하여 반영하는 방법을 생각해 볼 수 있겠으나, 수십 년 이상의 장기간에 걸쳐 기업과 시장의 변화를 예측하는 것은 현실적으로 거의 불가능하다. 물론, 분석 기간 기업과 시장의 상황이 기준시점과 동일하게 유지된다는 가정은 기후변화에 대응해서 기업의 행동이 내생적으로 변화할 수 있다는 점을 간과한다는 점에서 마찬가지로 한계점이 있다. 그러나 이러한 가정은 모형 설계를 용이하게 해주는 장점이 있으며, 기업에 기후변화 대응 노력을 현재와 같이 유지할 경우 향후 탄소 가격 상승 시 입게 될 손실 규모를 보여준다는 점에서 의미가 있을 수 있다. 이와 비슷한 이유에서 한국, 영국, EU, 중국, 일본 등을 비롯한 주요국 중앙은행과 감독기구에서도 정태적(static) 가정을 기반으로 기후 스트레스 테스트 모형을 개발하고 있는 것으로 전해지고 있으며(한국은행, 2021; NGFS, 2021), 현재 기후 스트레스 테스트 모형의 공통된 한계라 판단된다.
11) NGFS는 GCAM, MESSAGEix-GLOBIOM, REMIND의-MAgPIE 3개 유형의 IAM을 사용하여 지역별 기후변화를 시나리오를 도출하였다. 이 중 GCAM만이 한국에 대한 별도의 시나리오를 제공하고 있으며 김재윤‧전은경(2021)에서도 이러한 GCAM 기후 시나리오를 기반으로 분석을 수행한 바 있다.
12) 구체적으로 NGFS의 기후변화 시나리오는 질서있는 이행이 이뤄져 2050년 넷제로에 도달하는 시나리오(Orderly transition or Net Zero 2050), 산업화 이전 대비 2℃ 미만으로 기온 상승을 제한하는 시나리오(Below 2℃), 무질서한 이행 시나리오(Disorderly transition), 분산된 넷제로 시나리오(Divergent net Zero 1.5℃), 저탄소 전환 정책이 뒤늦게 시행되는 지연된 전환 시나리오(Delayed transition), 추가적인 탄소 배출 감축 노력이 이뤄지지 않는 온실세계 시나리오(Hot house world or Current policies)의 6가지 유형으로 구분할 수 있다.
13) NGFS에서 제시하는 CGAM 모형의 탄소 가격은 미국 달러(2010년 기준)로 제시되어 있다. 이에 본 연구에서는 2010년 연평균 환율(1,156원/$)을 적용하여 이를 원화로 환산하였다.
14) 이외에도 국내 기업의 탄소 배출량 정보는 국가 온실가스 종합관리 시스템(NGMS)에서 제공하는 배출량 데이터에서 입수할 수 있다. 이는 블룸버그, 톰슨로이터 등에 비해 비상장기업을 포함한 좀 더 확장된 표본을 대상으로 하고 있으며, 복수의 검증을 거쳐 공개되는 만큼 높은 신뢰도를 갖고 있다. 그러나 NGMS는 직간접배출량(Scope 1 & 2)을 모두 합한 총량만을 제시하고 있으며 블룸버그, 톰슨로이터는 이를 구분하여 제공하고 있다. 블룸버그와 톰슨로이터는 각 기업의 탄소 배출량을 비롯한 기업별 ESG 정보를 기업의 지속가능보고서, CDP 공시자료, 기업 웹페이지 등 다양한 출처로부터 입수하였다고 밝히고 있다. NGMS의 간접배출이 포함된 자료를 이용할 경우, 직접 배출에 비해 상대적으로 간접 배출 비중이 큰 기업의 배출 비용이 과대 추정될 가능성이 있을 수 있음을 고려하여 본 연구에서는 직접 배출에 초점을 맞추어 분석을 수행하였다.
15) 또한, 한국표준산업분류의 대분류 기준, 탄소 배출량 공시 기업 수가 매우 적어 적절한 표본 수를 확보하기 어려운 업종인 금융 및 보험업, 사업시설 관리, 사업지원 및 임대 서비스업, 예술, 스포츠 및 여가 관련 서비스업, 협회 및 단체, 수리 및 기타 개인 서비스업 등의 업종은 본 연구의 분석 대상에서 제외되었다.
16) 산업 구분은 한국표준산업분류의 대분류를 기준으로 하였다.
17) 다만 이러한 산업별 배출량 분포는 상장기업 중 배출량 정보가 존재하는 경우만을 기반으로 한 것이므로, 비상장기업 또는 배출량 정보가 공시되지 않은 기업까지 분석 대상에 포함되면 전체적인 산업별 배출량 분포는 다르게 나타날 수 있다. 따라서 이 결과는 배출량 정보가 존재하는 상장기업에 한정된 통계로 해석되어야 한다.
18) 현행 배출권거래법에 따르면 업종에 따라 유상할당률이 다르게 책정되나 분석의 용이성과 산업간 비교가능성을 제고하기 위해 같은 비율을 적용하였다. 무상할당률 가정을 완화한 추정 결과(예: 50% 무상할당)는 부록 1을 참조한다.
19) 산업을 구성하는 표본 기업의 부도 확률의 평균치이기 때문에, 산업 내 표본 수가 적을 경우 일부 기업의 높은 부도 확률 추정치로 인해 평균이 크게 측정되는 경향이 다소 존재하였다.
20) 참고로 Bouchet & Le Guenedal(2020)의 연구에서는 부도확률을 50%로 지정하여 탄소 가격 임계치를 계산하였다. 이때의 50%는 특별한 의미를 가진 값이 아니며, 이들이 언급한 바와 같이 계산의 편의를 위해 임의로 정한 값이다.
21) 물론 이러한 논리에는 배출량 이외의 다른 조건이 기업 간 유사하다는 가정이 전제되어야 할 것이다.
22) 예를 들면, 한국가스공사, 삼성전기의 탄소집약도는 모두 0.01로 유사하지만, 탄소 가격 임계치는 160만원, 1,660만원으로 10배 이상 차이가 난다.
23) 현실에서 산업연관표는 일반적으로 물량이 아닌 금액의 형태로 표시되는 경우가 많지만, 여기서는 Leontief(1936)을 따라 물량 단위로 설명하였다. Adenot et al.(2021)에 따르면 생산물의 가격을 1로 정규화(normalization)하면, 투입계수

를 물량 비율(quantity ratios)이 아닌 금액 비율(monetary value ratios)로 표현하여도 동일한 값을 가지게 된다. 따라서, 이와 같은 가정하에서 물량 단위로 표현된 투입산출모형은 금액 단위로 표시된 산업연관표와 호환될 수 있다.
24) Leontief(1936)은 각 산업의 생산함수는 고정되어 있으며 투입요소 간 대체가 불가능하다고 가정하였다.
25) 한국은행의 투입산출표는 33개의 산업에 대해 작성되어 있지만, 여기서는 본 연구의 분석 대상 기업인 직접배출량 및 재무 정보가 존재하는 153개 상장기업과 매칭되지 않는 산업인 11개 산업(농림수산품, 광산품, 음식점 및 숙박서비스, 부동산서비스, 공공행정, 교육서비스, 보건 및 사회복지 서비스 등)을 제외하고 분석하였다. 따라서 실제 경제 전체에서 산업 간 총 투입액은 그림에 표시된 값보다 더 클 수 있다.
26) 이와 같이 레온티에프 가격모형은 비용 측면에서의 압력에 따라 가격이 결정된다는 관점이 반영되고 있으므로, 비용-압박(cost-push) 가격모형으로도 불린다.
27) 참고로 여기서는 손실률의 절대 수준 자체보다 산업간 상대적인 비교에 초점을 두므로, 앞 절에서와 달리 탄소 배출권이 90% 무상할당 되는 상황을 가정하지 않고 분석을 수행하였다.
28) 참고로 2019년 말 기준 사업지원서비스업의 탄소집약도는 약 0.01로 추정된다.
29) 본 장에서 저탄소(low-carbon)와 탈탄소(decarbonized)라는 표현은 혼용하여 사용한다. 기본적으로 포트폴리오 수준의 탄소 발자국 또는 탄소 리스크를 낮추는 형태를 저탄소 포트폴리오라고 부르지만, 이러한 투자가 장기적으로 탄소중립 달성을 위한 탈탄소 유인을 제공하는 기제로 작용한다면, 이를 탈탄소 포트폴리오라고 할 수 있다. 탈탄소 지수는 이러한 방법론과 활용 목표를 바탕으로 구성된 지수를 의미한다.
30) KOSPI100 지수를 살펴본 이유는 지수 구성종목 내 Bloomberg에서 제공하는 온실가스 배출량 자료의 결측치를 최소화하기 위함이다.
31) 탄소집약도 등 탄소 위험 지표에 관한 설명은 다음 절에서 후술한다.
32) 2017년 이후 KOSPI100 지수의 탄소집약도가 급격히 증가한 것은 한국전력(015760)이 지수 구성종목에 추가된 점과 연관되어 있다.
33) 연기금 등 자산소유사는 NZAOA(Net-Zero Asset Owner Alliance), 자산운용사는 NGAM(Net-Zero Asset Management initiative), 은행은 NZBA(Net-Zero Banking Alliance)를 결성하고 2050년까지 포트폴리오의 탄소중립을 선언하였다.
34) 탄소 발자국은 제품 및 서비스의 원료채취, 생산, 유통, 판매, 사용, 폐기 등 전 과정에서 발생하는 온실가스가 기후변화에 미치는 영향을 계량적으로 나타낸 지표를 의미한다.
35) 글로벌 지수사업자의 경우 Scope 3 배출량 자료를 확보하기 위해, 이를 아웃소싱하거나 자체적으로 자료를 수집 또는 추정 방법론을 개발하고 있다.
36) 예를 들어, 글로벌 지수사업자인 MSCI의 경우 자체 탈탄소 지수를 제작할 때 탄소집약도를 매출액이 아닌 기업 가치(enterprise value)로 표준화한 지표를 사용한다.
37) 합산 탄소집약도는 매출액 집약도 대비 탄소집약도(carbon emissions to revenue intensity)로 표현되기도 한다.
38) 이와 관련해서 Aswani et al.(2023)은 배출량 데이터 공급업체가 추정한 배출량과 실제 기업이 공시하는 배출량 사이의 상관관계가 작음을 지적하면서, 탄소 배출량 기반의 리스크 측정 방식의 불일치성(inconsistency) 문제를 제기했다.
39) 이는 일반적인 팩터 모형(예: Fama & French, 1993)의 방식을 활용한 것이다. 배출량이 많은(high carbon risk) 기업과 배출량이 적은(low carbon risk) 기업 간 수익률 차이를 토대로 탄소 위험요인(팩터)을 추출한다. Gorgen et al.(2020; 2021)은 이렇게 산출한 탄소 위험요인을 BMG(brown-minus-green) 팩터로 정의했고, Huij et al.(2022)의 경우 PMC(pollutive-minus-clean) 요인으로 이를 정의하였다.
40) 대표적으로 청정에너지 등 친환경 녹색 기술 기업에 집중적으로 투자하는 녹색 지수(green index)를 예로 들 수 있다.
41) Andersson et al.(2016)은 미국 내 친환경 집중 투자 ETF의 수익률을 벤치마크 지수와 비교한 결과, pure-play ETF 수익률이 저조하고 변동성이 큰 것으로 분석되었다. Ibikunle & Steffen(2017)은 유럽 내 녹색 뮤추얼 펀드(green fund)의 성과를 분석한 결과, 과거 녹색 펀드의 수익률은 일반적인 펀드에 비해 저조하였다. 다만, 시간이 흐를수록 녹색 펀드의 성과는 개선되었다고 보고한다. Naqvi et al.(2021)의 연구에서는 27개국 신흥국 시장의 친환경 에너지 펀드의 성과를 분석한 결과, 기존(conventional) 에너지 펀드에 비해 친환경 에너지 펀드의 성과가 저조한 것으로 나타났다.
42) MSCI의 MSCI ex Fossil Fuels Index 시리즈, FTSE Russell의 FTSE ex Fossil Fuels 지수, S&P Global의 S&P Fossil Fuel Free Index 시리즈가 있다. 관련 ETF로는 SPDR S&P 500 Fossil Fuel Reserves Free ETF(SPYX)가 있다.
43) S&P 탄소 효율 지수는 대륙, 시가총액 규모, 국가별로 다양한 모지수를 벤치마크로 하여 산출되고 있다(예: 미국, 일본, 호주, 유럽 대표지수 등).
44) 가령 비중 조정에 탄소집약도만 고려하는 것을 순수 틸팅(pure tilting)으로 부른다.
45) 틸팅 방식은 일반적으로 전환이 요구되는 고탄소 기업의 투자비중을 줄이는 식으로 투자비중이 조정되기 때문에, 해당 기업에 대한 주주 관여의 실효성은 크진 않을 것이다. 다만, 투자를 아예 배제하는 스크리닝과 비교했을 때 틸팅 방식은 지속적으로 투자한다는 점에서 그린워싱의 위험이 적을 것으로 생각한다. 한편 이러한 대안으로 탈탄소를 요구하려는 목표 기업의 투자비중을 제외한 나머지 구성종목의 비중을 틸팅하는 방법도 생각해볼 수 있다.
46) KODEX(삼성자산운용), TIGER(미래에셋자산운용), HANARO(NH-Amundi 자산운용), ARIRANG(한화자산운용) 탄소 효율 그린뉴딜 ETF가 상장되었다.
47) 예를 들어 MSCI의 경우, 최적 해(optimal solution)가 추정되지 않으면 최적화 문제의 제약조건을 단계별로 완화하여 재추정하고 있다(예: 괴리율 +10bp).
48) European Commission, 2019, Handbook on Climate Benchmarks and benchmark’s ESG disclosure.
49) 시민사회, 학계, 기업, 금융기관을 대표하는 35인으로 구성된 전문가 그룹
50) 주로 Bolton et al.(2022)에서 제시한 방법론에 기초한 지수이다. MSCI의 경우 PAB를 따르는 MSCI Climate Paris Aligned 지수와 CTB를 따르는 MSCI Climate Change 지수가 있고, S&P Global은 EU 기후 벤치마크를 기반으로 만든 PACT(Paris-Aligned & Climate Transition) 지수 시리즈가 있다.
51) 해당 지수는 모지수 대비 탄소 발자국을 50% 정도 감소시키며 괴리율이 0.5% 이하로 유지된 것으로 보고되고 있다.
52) FTSE Russell Climate Transition 지수 시리즈는 FTSE Russell이 개발하고 있는 탈탄소 지수 시리즈를 지칭하며, MSCI ACWI Low Carbon Target 지수는 MSCI ACWI 지수를 모지수로 하는 최적화 방식의 탈탄소 지수이다.
53) ngms.gir.go.kr
54) 탄소중립기본법 제2조⑥ 참고
55) 자료의 최초 공개 시점인 8월 말을 기준으로 해도 배출량 명세 자료의 큰 변동은 없고, 본 절의 분석 결과 또한 전반적으로 질적인 차이는 없는 것으로 나타났다.
56) 탄소중립기본법 시행령 제19조① 및 배출권거래법 제8조①에 따르면, 온실가스 배출량이 5만tCO2-eq 이상인 업체 및 1.5tCO2-eq 이상인 사업장은 목표관리업체로 지정되고, 12.5만tCO2-eq 이상인 업체 및 2.5만tCO2-eq 이상인 사업장은 할당대상업체로 지정된다. 원자료 중 업체 자료는 없으나 사업장 자료만 있는 경우에는, 사업장 배출량 자료로 업체의 배출량을 대체한다.
57) 상장기업 수를 기준으로 하면 2022년 말 기준, 유가증권시장 32.9%, 코스닥시장 4.5%, KOSPI200 지수의 경우 53.5%이다.
58) 전년도 탄소 배출량이 결측치(missing)인 기업은 벤치마크 유니버스로부터 제외하였다.
59) 본 절에서 언급한 탄소 위험은 기후변화 관련 규제로 인한 이행 위험(transition risk)의 성격으로 이해할 수 있다.
온실가스 배출량이 상대적으로 많은 기업의 경우, 향후 탄소 가격 상승에 따른 생산 및 판매 비용의 증가, 수익과 기업가치의 감소로 이어질 수 있다.
60) 앞선 절에서 소개한 MSCI Low Carbon Leaders 지수 시리즈와 EU 기후 벤치마크 기반 지수, S&P의 PACT(Paris-Aligned & Climate Transition) 지수 시리즈 등이 있다.
61) 벤치마크 유니버스의 구성과 수익률에 관한 정보는 가절을 참고한다(예: <그림 Ⅲ-4>).
62) 포트폴리오 투자비중이 양수이면서 동시에 비중의 합이 1이 되도록 하였다.
63) 식(27)의 최적화 문제를 풀 때 잔차항의 분산 △을 포함하지 않아도 수치적인 근사해(numerical solution)가 크게 다르지 않았다. 분석 결과의 간결성 제고를 위해 본 절에서는 △을 포함한 결과를 중심으로 논의한다.
64) 저탄소 포트폴리오와 벤치마크 포트폴리오의 탄소 위험 지표를 각각 

, 

라 할 때, 탄소 위험 감소율은 

로 계산한다.
65) <그림 Ⅲ-5>에서 알 수 있듯이, FnGuide의 기업 섹터는 크게 에너지, 소재, 산업재, 경기소비재, 필수소비재, 의료기기‧바이오, 금융, IT‧전자, 통신서비스, 유틸리티 섹터로 분류된다.
66) 시점마다 제거되는 섹터가 일부 변경되었지만 주로 소재 섹터가 표본 내에서 고위험 섹터로 나타났다. 벤치마크 표본 내 소재 섹터의 시가총액 비중은 평균 12.5%이다.
67) 예를 들어 벤치마크 포트폴리오 비중이 10%라면, 벤치마크 비중 대비 64% 수준으로 비중을 조절할 경우, 각각 6.4% 증감한 3.6%, 16.4%로 산출된다(<표 Ⅲ-9> 참고).
68) 포트폴리오 리벨런싱 시기는 2012년부터 2022년까지 매년 12월 말로 설정하였다. 예를 들어, 2012년 12월 기준 최적 투자비중은 같은 해 1월부터 12월까지의 일간 포트폴리오 수익률을 바탕으로 한 벤치마크 괴리율을 최소화하는 비중을 의미한다.
69) 리벨런싱(포트폴리오 재조정) 비용은 수수료와 같은 명목적 거래비용과 시장 충격 비용(market impact costs) 등 거래에 수반된 암묵적 거래비용을 포괄하는 개념이다.
70) 이러한 점은 표본이 변경될 시 달라질 수 있는 특징이지만, 최적화 결과의 정해진 공식이 없으므로 표본에 따라 투자비중이 어떻게 산출될지는 불확실하다.
71) 이 외에도 해당 전략을 수행하는 투자자의 철학과 정책에 맞는 배제 기준을 수립할 수 있다.
72) 일반적으로 특정 지수에 포함(또는 퇴출)되는 것은 중요한 정보이자 이벤트로 작용할 수 있다. 따라서 범용화할 수 있는 최적화된 탈탄소 지수를 구성할 때 객관성을 높이는 방안이 실무적으로 요구된다. 특히 스크리닝을 활용한 방식은 지수 포함(또는 퇴출) 여부가 기업 관점에서 탈탄소화에 대한 보상(또는 페널티)으로 작용할 수 있어, 탈탄소화에 대한 유인을 제공할 수 있다. 다만 이 경우 과도한 투자배제에 따른 그린워싱 가능성을 최소화하기 위한 적당한 수준의 스크리닝이 적절하다고 생각된다.
73) Andersson et al.(2016)에서는 MSCI Barra(2007) 모델을 활용하여 산업 요인을 포함한 68개의 공통요인으로 차원을 축소했다.
74) 각 요인의 검증과 가능한 요인 조합에 따른 팩터 모형의 asset pricing test 결과는 간결성 확보를 위해 생략한다. 또한 <부록 표 1>의 각 요인 변수의 산출방식은 참고문헌 또는 Jensen et al.(2022)의 부록을 참고하길 바란다.
75) 무위험 수익률은 기간별 통화안정(364일) 금리로 정의한다.
76) FnGuide는 기업의 섹터를 총 10개로 분류하며, 이 중 금융‧통신‧유틸리티 섹터를 제외하면 7개 섹터와 각 섹터 내 하위 산업군이 있다(규제산업 제외 총 18개 산업군).
77) 소형주의 영향을 최소화하기 위해 5분위 기준을 유가증권시장 상장기업을 대상으로 계산한다. 이는 미국 주식시장의 팩터 산출을 위해 NYSE(뉴욕증권거래소) 상장기업으로 요인 변수의 기준을 정하고 그 밖의 시장(예: 나스닥)에 해당 기준을 적용하는 선행연구(예: Fama & French, 1993)의 방법을 한국 주식시장에 적용한 것이다.
78) 초소형주는 시가총액 하위 20%에 해당하는 종목으로 정의하고, 그 외 상위 80% 종목을 대상으로 규모장부가-시장가 비율로 분류한 55개 포트폴리오의 수익률을 산출한다. 동일 가중 수익률을 고려하지 않은 25개 시험 포트폴리오로 분석해도 결과의 질적인 차이는 발견되지 않았다.
79) GRS 통계량 공식에서 T, K, N는 각각 기간 길이(=228개), 팩터 개수(모형에 따라 상이), 시험 포트폴리오 개수(=50개)이며, 

와 

은 회귀분석(alpha test)에서 추정된 각 시험 포트폴리오의 알파와 잔차의 분산-공분산 행렬이다. 

와 

은 팩터의 평균과 분산-공분산 행렬이다.


참고문헌

김민기, 2023, 저탄소 포트폴리오와 자본시장의 기후변화 대응, 자본시장연구원『자본시장포커스』2023-16호.
김재윤‧전은경, 2021, 『기후변화 이행리스크와 금융안정』, 한국은행.
박혜진, 2023, 『기후리스크와 자산가격의 관계에 대한 조사 및 분석』, 자본시장연구원 조사보고서 23-01.
송홍선, 2022, 2050 탄소중립을 위한 자본시장의 변화와 발전 과제, 자본시장연구원『자본시장포커스』2022-02호.
이인형, 2023, 탄소중립 이행을 위한 전환금융의 역할, 자본시장연구원『자본시장포커스』2023-08호.
Adenot, T., Briere, M., Counathe, P., Jouanneau, M., Le Berthe, T., Le Guenedal, T., 2022, Cascading effects of carbon price through the value chain: Impact on firm's valuation, SSRN working paper.
Andersson, M., Bolton, P., Samama, F., 2016, Hedging climate risk, Financial Analysts Journal 72(3), 13-32.
Ardia, D., Bluteau, K., Boudth, K., Inghelbrecht, K., 2023, Climate change concerns and the performance of green vs. brown stocks, Management Science 69(12), 7607-7632.
Aswani, J., Raghunandan, A., Rajgopal, S., 2023, Are carbon emissions associated with stock returns? Review of Finance, Forthcoming.
Bharath, S. T., Shumway, T., 2008, Forecasting default with the Merton distance to default model, Review of Financial Studies 21(3), 1339-1369.
Bender, J., Beyhan, M., Mohamed, R., Sun, X., 2022, Reducing Carbon in Equity Portfolio, State Street Global Advisors.
Berk, J.B., van Binsbergen, J.H., 2022, The impact of impact investing, SSRN working paper.
Black, F., Scholes, M., 1973, The pricing of options and corporate liabilities, Journal of political economy 81(3), 637-654.
Bolton, P., Kacperczyk, M., 2021, Do investors care about carbon risk? Journal of Financial Economics 142(2), 517-549.
Bolton, P., Kacperczyk, M., Samama, F., 2022, Net-zero carbon portfolio alignment, Financial Analysts Journal 78(2), 19-33.
Bouchet, V., Le Guenedal, T., 2020, Credit risk sensitivity to carbon price, SSRN working paper.
Capasso, G., Gianfrate, G., Spinelli, M., 2020, Climate change and credit risk, Journal of Cleaner Production 266, 121634.
Colas, J., Khaykin, I., Pyanet, A., Westheim, J., 2018, Extending our horizons: Assessing credit risk and opportunity in a changing climate: Outputs of a working group of 16 banks piloting the TCFD recommendations, UNEP FI.
De Nard, G., Engle, R.F., Kelly, B.T., 2023, Factor mimicking portfolios for climate risk, University of Zurich Working Paper 429.
Fama, E.F., French, K.R., 1993, Common risk factors in returns on stocks and bonds, Journal of Financial Economics 33(1), 3-56.
Gavriilidis, K., 2021, Measuring climate policy uncertainty, SSRN working paper.
Gorgen, M., Jacob, A., Nerlinger, M., Riordan, R., Rohleder, M., Wilkens, M., 2020, Carbon risk, SSRN working paper.
Gorgen, M., Jacob, A., Nerlinger, M., 2021, Get green or die trying? Carbon risk integration into portfolio management, Journal of Portfolio Management 47(3), 77-93.
Huij, J., Laurs, D., Stork, P., Zwinkels, R., 2022, Carbon beta: a market-based measure of climate risk, SSRN working paper.
Ibikunle, G., Steffen, T., 2017, European green mutual fund performance: A comparative analysis with their conventional and black peers, Journal of Business Ethics 145, 337-355.
Ilhan, E., Sautner, Z., Vilkov, G., 2021, Carbon tail risk, Review of Financial Studies 34(3), 1540-1571.
Koch, N., Bassen, A., 2013, Valuing the carbon exposure of European utilities. The role of fule mix, permit allocation and replacement investments, Energy Economics 36, 431-443.
Le Guenedal, T., Roncalli, T., 2022, Portfolio construction with climate risk measures, SSRN working paper.
Leontief, W., 1936, Quantitative input and output relations in the economic systems of the United States, Review of Economic Statistics, 105-125.
Leontief, W., 1974, Environmental repercussions and the economic structure: an input-output approach: a reply, Review of Economics and Statistics 56(1), 109-110.
Merton, R.C., 1974, On the pricing of corporate debt: The risk structure of interest rates, Journal of Finance 29(2), 449-470.
Monnin, P., 2018, Central banks and the transition to a low-carbon economy. Council On Economic Policies, Discussion Note 1.
MSCI Barra, 2007, Barra Risk Model Handbook.
Naqvi, B., Mirza, N., Rizvi, S., Porada-Rochon, M., Itani, R., 2021, Is there a green fund premium? Evidence from twenty-seven emerging markets, Global Finance Journal 50, 100656.
NGFS, 2021, NGFS Scenarios for central banks and supervisors. NGFS.
Seltzer, L.H., Starks, L., Zhu, Q., 2022, Climate regulatory risk and corporate bonds, NBER working paper.
State Street Global Advisors, 2020a, Carbon Footprinting: An Investor Toolkit.
State Street Global Advisors, 2020b, EU Climate Benchmarks: A Guide.
TCFD, 2017, Recommendations of the task force on climate-related financial disclosures.
Thomae, J., Ralite, S., 2019, Storm ahead, a proposal for a climate stress-test scenario, 2 Investing Initiative.
World Bank, 2023, State and Trends of Carbon Pricing 2023.
Zhang, S., 2023, Carbon premium: Is it there? SSRN working paper.


<부록>

1. 무상 할당량 50% 가정 시 손실률 추정 결과

<부록 그림 1>은 탄소 배출권의 무상 할당량 50%로 줄어드는 상황에서 동일한 분석을 수행한 결과를 보여준다. 본문에서 무상 할당량이 90%일 때와 비교해서 모든 시나리오에서 예상 손실률이 전반적으로 증가하고 있으며, 탄소 가격의 상승에 따른 산업별 손실률의 증가 속도도 마찬가지로 더 빨라지는 것을 확인할 수 있다. 예를 들면, ‘Net Zero 2050’ 시나리오에서 전기, 가스, 증기 및 공기조절 공급업의 예상 손실률이 2025년 42%로, 앞서 무상 할당이 90%인 경우와 비교해 25%p 이상 높게 나타난다. 그러나 이후에는 좀 더 완만한 증가세를 보이며 2050년에는 손실률이 54%로 상승하며 무상 할당이 90%인 경우와 유사한 결과를 보인다. 특히 주목할 점은 운수 및 창고업의 손실률 증가 속도이다. 이는 2025년 25% 수준에서 시작해 이후 빠른 속도로 상승하여 2050년에는 전기, 가스, 증기 및 공기조절 공급업의 평균 손실률인 54%를 상회하는 수준인 70%에 이르는 모습을 보이고 있다. 그러나 이러한 결과는 운수 및 창고업 내의 특정 기업들로 인해 산업 평균 손실률이 높게 측정되었을 수 있으므로, 이를 해당 산업 내 모든 기업에 일반화하는 것은 적절하지 않을 수 있다.

그리고 본문에서 서술하였듯이, 고탄소 업종인 운수 및 창고업, 전기, 가스, 증기 및 공기조절 공급업은 다른 저탄소 업종에 비해 탄소 가격 상승으로 인한 손실률이 상대적으로 높은 것을 알 수 있다. 제조업, 전문, 과학 및 기술 서비스업, 건설업 등 상대적으로 탄소집약도가 낮은 업종은 탄소 가격이 최고치에 이르는 2050년에도 30% 미만의 손실률을 보인다. 마찬가지로 ‘Below 2℃’와 ‘Delayed Transition’ 시나리오에서도 산업별 순위는 크게 바뀌지 않으며 유사한 양상이 나타난다.
 

2. 한국 주식시장 팩터 모형 설계

본 연구에서는 개별주식 간 분산-공분산 행렬 추정의 용이성을 제고하기 위해 선행연구(예: Andersson et al., 2016)의 방법론을 참조하여 팩터 모형(factor model)을 통해 개별주식 분산-공분산 행렬의 차원을 축소하였다.73)

이를 수행하기 위해 한국 주식시장 내 개별주식 수익률의 횡단면을 잘 설명하는 팩터 모형을 선별해야 하는데, 자산 가격 실증연구 분야의 수많은 선행연구를 바탕으로 한국 주식시장의 수익률 횡단면을 통계적으로 잘 설명하는 요인(factor)을 찾는다. 이러한 방법론은 Ross(1976)의 차익거래 가격결정 이론(Arbitrage Pricing Theory: APT)을 근간으로 하는 것으로, 개별 자산의 기대수익률을 다수의 공통요인에 대한 선형함수로 표현하는 모형이다. APT는 CAPM보다 일반화된 시장균형 모형으로 볼 수 있는데, 시장에서 관찰되며 충분히 분산된 포트폴리오를 바탕으로 위험자산의 균형가격 결정 원리를 설명한다. 본 연구에서는 팩터 모형 설계의 목적인 ‘분산-공분산 행렬의 차원 축소’를 어느 정도 해결하기 위해 충분히 많은 수의 공통요인을 한국 주식시장 자료로부터 추출하여 최적의 모형을 선택한다.
먼저 공통요인 추출을 위해 우리나라 주식시장 개별주식 단위 수익률 패널 자료를 토대로 수익률의 횡단면을 설명할 것으로 예상되는 100개 이상의 요인을 검증했다. 그 결과 <부록 표 1>과 같이 Fama-French(1993) 3요인 모형을 포함한 35개의 공통요인을 선별했고74), 이 외에 산업 요인(industry factor)을 포함하여 자산 가격결정 검증(asset pricing test)을 수행한다.

개별 요인의 산출 자산 가격결정 검증의 대상은 유가증권‧코스닥시장에 상장된 보통 주식으로 SPAC‧REITs‧외국 상장기업 등은 제외하며, 선행연구를 따라 규제산업(금융‧통신‧유틸리티)을 표본에서 제거한다.
 

각 팩터를 산출하는 방법은 다음과 같다. 먼저 시장요인(<부록 표 1>의 ‘MKTRF’)은 전체 분석 대상 종목의 수익률을 직전 시점의 시가총액으로 가중평균한 수익률(value-weighted returns)에서 무위험 수익률을 차감한 초과수익률로 정의한다.75) 마찬가지 산업 요인은 각 산업에 해당하는 종목군의 시가총액 가중평균 초과수익률로 정의하는데, 개별 기업의 산업 분류를 위해 FnGuide 섹터 및 산업군 기준을 사용한다(총 7개 섹터 및 하위 18개 산업군).76) 이 외 <부록 표 1>의 기술된 모든 팩터는 개별종목 단위로 산출한 요인 변수를 기준으로77) 5분위로 정렬한 포트폴리오의 상‧하위 그룹의 수익률 편차(spread)로 정의한다. 선행연구를 참고하여 연간 재무제표 정보 반영 시기를 고려해 매년 6월 말에 5분위 포트폴리오를 정의하며, 모멘텀, 시장마찰에 관한 요인은 매달 말 5분위 포트폴리오를 선정하여 다음 달의 수익률 편차로 팩터를 계산한다. 각 포트폴리오의 수익률은 모두 시가총액 가중평균 초과수익률이고, 분석 기간은 적절한 표본 수를 확보하기 위해 2004년 7월부터 2023년 6월까지로 한다(총 19년 = 228개월).