및 효율성 결정요인...

펀드 투자의 성과효율성 측정 및 효율성 결정요인 분석*

이 의 준** Ui Joon Lee ‧ 이 한 식***3)Hahn Shik Lee초 록

주식시장의 규모가 확대되고 자본시장이 발달함에 따라 간접투자가 시장에서 차지하는 비중은 지

속적으로 증가하고 있다. 본 연구는 간접투자시장의 큰 축을 이루고 있는 국내 자산운용사의 성과

효율성을 분석하고, 펀드 투자의 효율성에 영향을 미치는 요인에 대한 실증분석을 시도했다. 먼저

자료포락분석을 이용하여 자산운용사의 성과효율성을 추정하고, 토빗모형을 적용하여 효율성 결정

요인에 대한 실증분석을 시행했다. 본 연구의 주요 분석결과는 다음과 같다. 첫째, 국내 자산운용

사의 평균적인 성과효율성 수준은 금융위기 이전에 비해 금융위기 이후 구간에서 더 높게 도출됐다.

둘째, 펀드 투자의 효율성 결정요인 분석에 의하면, 표준편차가 클수록 효율성 수준이 높아지는

것으로 나타나‘고수익-고위험’의 자산가격결정이론과 부합하는 결과가 도출됐다. 한편 체계적

위험을 나타내는 베타계수는 효율성에 (-)효과를 보이는 것으로 분석됐다. 이는 자산운용에서

베타를 낮은 수준으로 조절하여 운용하면 성과효율성 제고를 기대할 수 있음을 의미한다.

키워드 : 펀드 투자, 자산운용사, 성과효율성, 자료포락분석(DEA), 토빗모형

Efficiency of Fund Investment and Its Determinants

ABSTRACT

In this paper, we measure the efficiency of fund investment by examining the

performance efficiency of Korean asset management companies, and investigate the

factors which affect the performance efficiency. We first apply the DEA(data envelopment

analysis) to estimate the efficiency measure, and then use the Tobit model to examine

whether and to what extent the performance efficiency is affected by market factors

such as variances and beta coefficients. The main findings are the following. First, the

efficiency measures on average are higher after the financial crisis than before the

crisis. Second, the regression analysis shows that a larger standard deviation leads to

better performance efficiency, which is consistent with the usual asset pricing theory

of‘high risk for high return’. On the other hand, the beta coefficient is negatively related

with the efficiency measure, indicating that we can enhance the performance efficiency

by using a portfolio strategy which keeps the beta coefficient as low as possible.

Keywords : Fund Investment, Asset Management, Efficiency, DEA, Tobit Model

*** 이 연구는 한국연구재단의 지원(NRF-2010-330-B00091)을 받아 정부재원(교육과학기술부 인문 사회연구비)으로 수행됨.

*** 문화체육관광부 관광진흥개발기금 기금운용팀장([email protected]), 제1저자*** 서강대학교 경제학과 교수([email protected]), 교신저자

28 POSRI경영경제연구 제13권 제2호 2013

Ⅰ. 서 론

자본시장이 발전하고 주식시장의 규모가 지속적으로 커짐에 따라 수익증권이나 뮤추얼펀드를 통한 간접투자가 금융시장에서 차지하는 비중이 확대됐다. 특히 최근 국민연금 · 퇴직연금 등 기관투자가의 자산운용 규모가 커지고, 은행 및 증권사 등의 펀드 판매와 보험사들의 변액보험과 변액연금 상품이 증가함에 따라 간접투자의 역할은 더욱 확대될 것으로 기대된다. 연기금 및 금융기관 등의 기관투자가들이 자금을 위탁하여 투자할 때에는 투자자산을 위탁 운용하는 주체인 집합투자사업자(이하 자산운용사)들을 대상으로 수익률 및 위험지표 등을 비교한 성과평가 관련 정보가 필요하다1). 국내에서는 소수의 펀드평가사가 자산운용사의 수익증권에 대한 성과평가 정보를 제공하고 있지만, 간접투자시장의 큰 축인 자산운용사에 대한 공식적인 평가는 시행되지 않고 있으며, 이를 대상으로 한 연구도 매우 적은 실정이다2). 또한 국내외 펀드 산업에 대한 연구는 주로 펀드와 펀드매니저의 성과평가의 관점에서 수행되었으며, 대부분 시장 포트폴리오를 벤치마크로 하는 전통적 지표를 이용해서 운용의 성과평가를 중심으로 분석해왔다.

펀드 투자의 운용성과를 측정하는 전통적 방법으로는 샤프지수, 젠센알파, 정보비율 등이 있다. 이 지수들은 표준편차나 베타 등 위험에 대한 초과수익률의 크기를 비교하기 때문에 계산이 단순하며 이해가 쉽다는 장점이 있으나, 펀드 평가에 영향을 미치는 다양한 정보들을 충분히 반영하지 못한다는 것이 단점으로 지적되고 있다. 이에 따라 최근 들어 전통적인 성과측정 지표들의 단점을 보완할 수 있는 새로운 방법에 대한 요구가 증가하고 있다.

본 연구에서는 자료포락분석(DEA: Data Envelopment Analysis)을 이용한 자산운용사의 성과효율성 분석을 토대로 효율성 추정치를 도출하고, 토빗 회귀모형을 적용하여 펀드 투자의 효율성 결정요인에 대한 실증분석을 시도했다. DEA 방법은 투입과

1) 자산운용사의 성과평가를 원하는 주체로는 자기자산을 위탁하는 금융기관과 연기금, 간접투자상품을 판매하는 판매회사, 펀드상품에 가입한 개인 등의 일반투자자가 있다. 이들은 자신의 자금을 위탁한 후 지속적으로 수익률 또는 위험지표 등을 관찰하면서 자금의 위탁운용자들에 대한 객관적이고 신뢰성 있는 평가 지표를 필요로 한다. 또한 투자자들은 과거 성과를 참고로 각 자산운용사의 펀드를 비교하여 투자나 자금집행에 대한 의사결정을 한다.

2) 국내 펀드평가사로는 KG제로인, KBP펀드평가, FN가이드가 있는데, 대상 펀드에 대해 기간별 수익률, 표준편차 및 베타 등의 위험지표, 샤프지수, 젠센알파 등의 계량적 정보를 제공한다.

펀드 투자의 성과효율성 측정 및 효율성 결정요인 분석 29

산출관계를 통해 생산단위의 효율성을 측정하는 기법으로 학교, 병원, 금융기관, 통신산업 등 다양한 분야의 효율성 평가에 많이 이용되는 방법이다. 이는 복수의 투입변수와 복수의 산출변수를 동시에 다룰 수 있으며, 생산함수를 가정하지 않는 비모수적 방법이다. DEA 방법의 장점은 효율성 비교 대상인 의사결정단위 간의 비교가 가능하며, 투입변수와 산출변수의 측정단위가 다른 경우에도 분석이 가능하다는 것이다.

그러나 이 방법은 의사결정단위의 수가 증가할수록 계산이 복잡해지고, 극단치에 의해 효율성 추정치가 영향을 받을 수 있다는 단점이 있다. 또한 투입변수와 산출변수의 선정과정에서 연구자의 자의성이 개입될 수 있고, 투입 ‧ 산출변수에 따라 효율성 측정치가 민감하게 변할 수 있다는 것도 단점으로 지적된다. 그러나 일반적인 투자성과 평가에 널리 사용되는 샤프지수나 젠센알파 등의 전통적 지표들이 시장 포트폴리오를 벤치마크로 설정함에 따라 발생하는 한계를 극복할 수 있다는 면에서 DEA를 통한 펀드 성과 측정 지수의 실용성은 더욱 높아질 것으로 판단된다.

본 연구에서 사용하는 DEA 방법을 적용하여 펀드 또는 자산운용사의 효율성을 분석한 국내 연구는 지홍민 ‧ 권수연(2006), 김종기 외(2008) 정도로 아직 초기 단계라 할 수 있다. 기존 연구들은 효율성 측정 과정에서 출력변수가 (-) 값을 포함하지 않은 기간만을 다루어 분석 기간이 짧거나 횡단면 자료를 이용한 정태적인 분석에 그치고 있어, 효율성의 변화 추이를 제대로 파악할 수 없으며, 또한 자산운용사의 효율성에 미치는 요인에 대한 체계적 분석이 부족하다.

본 연구에서는 효율성의 변화 추이를 체계적으로 파악하기 위해 수익률의 부호에 상관없이 적용할 수 있는 Gregoriou and Zhu(2005)의 방법으로 분석 기간을 확장하여 효율성의 변화 추이를 살펴보고, 이에 대한 기간별 비교를 시도했다. 또한 자산운용사의 효율성에 미치는 요인을 파악하기 위해 표준편차와 베타 등 위험수준 관련 변수들과 주식형펀드 증감액, 주식형펀드 비중, 매니저/임직원 비율 등 환경변수를 대상으로 토빗 회귀모형을 추정하여 효율성 결정요인에 대한 실증분석을 시행했다.

본 논문은 다음과 같이 구성됐다. 제2장에서는 성과효율성 추정과 관련한 변수에 대해 설명하고, 효율성 분석을 위한 DEA 방법을 소개한다. 제3장에서는 분석대상 자료에 대해 설명하고, 자산운용사의 성과효율성 측정 결과를 논의한다. 제4장에서는 DEA 모형으로부터 도출된 성과효율성 지표를 대상으로 동태적 패널자료를 적용한 토빗 회귀모형을 이용하여 효율성에 영향을 미치는 요인에 관한 실증분석을 시도한다.


펀드의 번째주 주간로그수익률

펀드 주간로그수익률의 평균

제5장은 주요 실증분석 결과를 요약하고, 본 연구의 결과가 자산운용사의 평가 정보에 대해 나타내는 함의에 관해 논의한다.

Ⅱ. 성과효율성 분석 기법

DEA 방법은 투입과 산출관계를 통해 생산단위의 효율성을 측정하는 기법으로 학교, 병원 등 비영리적인 공공기관의 효율성을 측정하는데 널리 사용되어 왔으나, 특정 함수가 필요 없고, 측정단위가 서로 다른 요소를 동시에 고려할 수 있다는 면에서 펀드 투자에 대한 성과 측정에도 유용하게 적용될 수 있다. 여기에서는 자산운용사의 성과효율성 분석을 위한 변수에 대해 설명하고, 효율성 추정에 적용하는 DEA 방법을 소개한다.

1. 전통적 성과평가 지표

기본적인 성과 평가는 일반적으로 위험 대비 수익률로 측정된다. 따라서 위험은 펀드 성과에 있어서 대표적인 투입변수라 할 수 있다. 본 연구에서는 대표적인 위험 측정치인 표준편차뿐만 아니라 기존 연구들을 참조하여 베타와 추적오차 등 다양한 위험 지표를 함께 고려한 모형을 사용했다. 여기에서는 자산운용사의 성과효율성 추정을 위한 투입변수와 산출변수에 대해 간략히 설명한다.

(1) 표준편차(Standard Deviation)표준편차는 일정 기간 동안 펀드 수익률이 평균 수익률에 대해 변동한 범위를 측정

하는 통계량으로 다음과 같이 도출된다.

(1)

여기서


펀드의 번째주 주간로그수익률

시장의 번째주 주간로그수익률

펀드 주간로그수익률의 평균 시장 주간로그수익률의 평균

×

표준편차는 대표적인 위험 측정치로 가장 많이 사용되고 있으며, 이를 ‘총위험(Total Risk)’이라고도 한다. 이 통계량의 값이 클수록 변동성이 심하므로 위험이 크고, 작을수록 위험이 작다는 것을 의미한다.

(2) 베타(Beta, β)베타는 시장수익률과 펀드수익률과의 상호변동관계를 나타내는 지표로 다음과 같이

산출된다.

(2)

여기서

베타는 시장(종합주가지수)이 1% 변동할 때 펀드수익률이 몇 % 변하는지를 나타내는 민감도를 측정하는 지표로, 이를‘체계적 위험’이라고도 한다. 일정 기간 동안 베타 계수가 1을 나타낸 펀드는 종합주가지수와 평균적으로 동일한 방향으로 동일한 비율만큼 움직였다는 것을 의미한다.

(3) 추적오차(Tracking Error, TE)추적오차는 일정 기간 동안 투자한 펀드의 수익률이 벤치마크 수익률과 비교하여

어느 정도 차이를 보이는가를 측정하는 지표이며, 다음과 같이 펀드의 초과수익률에 대한 표준편차로 측정된다.

(3)


펀드의 번째 주 주간로그수익률

펀드 주간로그수익률의 평균 벤치마크 BM Benchmark 주간로그수익률의 평균

여기서

본 연구의 성과효율성 추정을 위한 산출변수로는 펀드의 운용 결과인 수익률과 관련된 지표를 설정했다. 이 경우 성과는 순수하게 수익률로 표현될 수 있지만 위험을 감안하여 샤프지수, 젠센알파, 정보비율 등으로 나타낼 수도 있다. 따라서 여기에서는 수익률 이외에 샤프지수, 젠센알파, 정보비율의 네 가지 지표를 사용했다. 이러한 산출변수들은 모두 그 수치가 높을수록 우수한 지표를 의미한다.

(4) 샤프지수(Sharpe ratio, S)와 수정샤프지수(MS)샤프지수는 펀드의 총위험 1단위 당 실현된 위험 프레미엄의 크기를 나타내는 지

표로 포트폴리오 수익률의 표준편차를 위험의 측정치로 이용하여 다음과 같이 펀드의 성과를 측정한다.

(4)

이는 1이라는 위험을 부담하는 대신 얻은 대가, 즉 초과수익이 얼마인가를 측정하는 지표이며, 이 지수가 클수록 총위험 대비 투자 성과가 우수하다고 할 수 있다. 실제로 많은 펀드 운용 실무에서 베타의 불안전성을 고려하여 이 지수를 많이 사용하고 있다. 한편 펀드의 위험 프레미엄이 (-) 값을 갖는 경우 샤프지수에 대한 해석이나 실증분석 적용에 문제가 있다는 점을 고려하여, 다음과 같이 수정된 샤프지수를 사용하기도 한다.

(5)

(5) 젠센알파(Jensen’s Alpha, α)


무위험이자율 주간로그수익률의 평균

젠센알파는 실제로 실현된 평균 수익률과 체계적 위험에 기초하여 예측된 평균 수익률 간의 차이, 또는 실제로 실현된 위험 프리미엄과 체계적 위험에 기초하여 예측된 위험 프리미엄 간의 차이를 토대로 펀드의 투자 성과를 측정하는 지수이다.

(6)여기서

이는 펀드의 수익률이 자산가격결정모형(CAPM)이 의미하는 균형상태에서의 수익률을 초과한 정도를 나타내는 지표로, 이 값이 클수록 성공적인 투자 성과를 나타낸다.

(6) 정보비율(Information Ratio, IR)정보비율은 적극적인 투자활동의 결과로 얻어지는 초과수익률과 적극적인 활동에

따른 수익률의 표준편차의 비율을 의미한다.

(7)

이 지수의 값이 클수록 더 높은 초과수익률을 달성한 것을 의미하므로, 우수한 성과를 나타낸다.

이러한 산출변수들은 모두 (+) 성과를 나타내면서 그 값이 클수록 우수한 투자성과를 반영한다. 이상에서 소개한 투입변수와 산출변수의 조합인 성과효율성 지표는 “위험은 작을수록 좋고, 성과는 높을수록 좋게 측정하는” 지표라고 할 수 있다.

2. 자료포락분석(DEA) 방법

여기에서는 효율성 추정을 위한 자료포락분석의 기본 개념을 설명하고, 이를 활용한 기존 연구 결과를 간략히 소개한다. 또한 자료포락분석 접근법을 이용하기 위한 모형설정 과정에서의 문제점 및 해결방안에 대해 논의한다.


(1) 효율성의 개념경제학적 관점에서 효율성은 다른 투입의 증가 없이 산출을 증가시킬 수 없거나

산출의 감소 없이 투입을 감소시킬 수 없는 상태를 의미하는 Koopmans(1957)의 효율적 상태를 기준으로 한다. 이 개념은 후생경제학에서의 파레토 효율성과 연관이 높으며, 경제학에서 이러한 효율성 조건을 파레토-쿠프만 효율성 조건이라 한다. Debreu(1951)의 자원활용계수 개념과 방사척도(Radial Measure)로서의 효율성 개념, 그리고 효율성을 측정하기 위한 목적은 아니었지만 Shephard(1953)가 제안한 거리함수의 개념 또한 경제학적 관점에서 효율성을 측정하는 이론적 근거를 제시했다.

Charnes et al.(1978)은 Farrell(1957)이 제시한 효율성의 개념을 구체적으로 측정하기 위해 자료포락분석(DEA)과 관련한 방법론을 정립했다. 이들이 제시한 방법은 연구자들의 첫 글자를 따서 CCR 모형으로 불린다. 이는 생산변경집합의 불변수익규모를 가정했는데, 이후 Banker et al.(1984)에 의해 가변수익규모를 포함하는 BCC 모형으로 발전됐다. CCR 모형과 BCC 모형은 기능적으로 유사한 활동을 하는 의사결정단위 간의 상대적인 비교를 통해 효율성을 측정하는 대표적인 접근법으로 최근까지 널리 사용되고 있다. 그 밖에 다양한 형태의 효율성 측정 모형이 개발됐는데, 이 경우 효율성은 기본적으로 투입량 조합에 대한 산출량 조합의 비율로 정의된다.

(2) DEA 방법을 활용한 기존 연구DEA 방법을 활용한 펀드평가의 초기 연구로는 총 731개 펀드를 대상으로 포트폴

리오 성과측정지수인 DPEI(DEA Portfolio Efficiency Index)를 제안한 Murthi et al.(1997)을 들 수 있다. 이 연구는 전통적인 성과평가지표인 샤프지수 등이 성과 비교를 위한 적절한 벤치마크를 설정하는 데에 어려움이 있고, 거래비용을 고려하지 못한다는 한계를 보완하여 이를 대신할 수 있는 새로운 방법을 제안했다는 평가를 받고 있다.

Basso and Funari(2001)와 Galagedera and Silvapulle(2002)는 각각 이탈리아와 호주의 펀드를 대상으로 DEA 방법으로부터 도출된 효율성 지표의 유용성을 분석했다. Joro et al.(2003)은 전통적인 샤프지수의 한계를 극복하기 위한 방법으로 DEA의 활용방안을 논의했으며, Gregoriou et al.(2005)는 헤지펀드를 대상으로 수익률, 분산, 왜도, 첨도 등의 모멘트 지표를 이용한 DEA 효율성 분석이 투자자의 펀드


선정 과정에서 유용한 정보를 제공할 수 있다는 결론을 도출했다.이러한 외국의 연구에 비해 펀드 성과분석에 관한 국내 연구는 아직 미진한 실정

이다. 국내 펀드 관련 초기 연구로는 조담(1994), 이상빈 ‧ 오윤주(1995) 등을 들 수 있다. 조담(1994)은 국내 3대 투신사의 29개 주식형 펀드를 대상으로 시장예측능력과 포트폴리오 선택능력을 측정했으며, 이상빈 ‧ 오윤주(1995)는 국내 주식형 펀드 투자에서 펀드매니저의 예측능력이 유의성 높게 추정된다는 결과를 발견했다. 그 밖에 박영규 ‧ 장욱(2001)은 국내 주식형 펀드 자료를 이용하여 전통적인 펀드평가지수들과 계량경제모형으로부터 도출된 펀드평가지수들의 성과를 비교했으며, 김훈용(2002)은 주식형 뮤추얼 펀드의 순자산가치를 사용하여 펀드 매니저의 알파 및 투자성과를 분석했다.

본 연구에서 사용하는 DEA 방법을 적용하여 펀드 또는 자산운용사의 효율성을 분석한 국내 연구는 지홍민 ‧ 권수연(2006), 김종기 외(2008) 정도를 들 수 있다. 지홍민 ‧ 권수연(2006)은 Basso and Funari(2001)가 제시한 모형을 이용하여 펀드의 성과측정에 대한 실증분석을 시도했으며, 김종기 외(2008)는 33개의 자산운용사를 대상으로 다양한 DEA 모형을 적용하여 규모에 대한 수익성 분석 및 효율성 분석을 시행했다.

(3) DEA 접근법 적용에서의 고려 사항자료포락분석 방법을 적용할 때, 효율성 측정 단계에서 고려해야 할 사항은 산출변

수인 수익률이 (-) 값을 기록할 수 있다는 것이다. 실제로 수익률이 (-) 값으로 도출되면 그와 연관된 샤프지수, 정보비율 등의 지표들 또한 (-) 값으로 측정될 가능성이 높아져 일반적인 CCR 모형이나 BCC 모형을 적용할 수 없게 된다. 본 연구에서는 Gregoriou and Zhu(2005), 유금록(2005)에서 제안한 것 같이 투입기준 BCC 모형을 적용하고, 음수인 산출변수에 일정 상수를 더해주어 양수로 변환시킴으로써 이 문제를 해결했다.

성과효율성 추정 단계에서 나타날 수 있는 또 다른 문제점은 적절한 자산운용사의 수를 선정하는 것이다. 평가대상이 되는 자산운용사의 수가 증가할수록 효율성의 값이 1로 산출되는 자산운용사의 수가 많아진다. 이와 같이 효율적으로 평가되는 자산운용사의 수가 너무 많아지면 비효율적인 자산운용사를 판별하는데 어려움이 있다. 여기에서는 Banker et al.(1984), Boussofiane et al.(1991) 등 적절한 의사결정단위의


min

≥

ynj j ≥ynk

≥

수에 대한 기존 연구의 논의를 토대로 의사결정단위의 수가 투입변수와 산출변수의 수를 합한 것 보다 3배 이상이 되고, 그 수가 최소한 투입변수 수와 산출변수 수의 곱보다 크게 설정했다.

(4) DEA 모형의 선택효율성 측정은 접근방법에 따라 투입기준(Input-Oriented) 모형과 산출기준

(Output-Oriented) 모형으로 구분된다. 본 연구에서는 위에서 논의한 문제점을 해결하고, 기존 연구들과의 일관성을 유지하기 위해 투입기준 BCC 모형을 선택했다.

본 연구에서 사용된 산출변수는 수익률 관련 요소이기 때문에 의사결정단위에서 임의로 조절하기 어렵다. 이에 반해 투입변수인 표준편차, 베타, 추적오차는 자산운용사 운용전략의 기초가 되는 지표들이라 의사결정단위가 일정 부분 조절할 수 있는 요소이다3). 따라서 투입기준 모형을 적용하는 것이 적합하며, 또한 BCC 모형을 선택함으로써 산출변수인 수익률이 음수를 기록하는 경우에 발생할 수 있는 모형 선택의 오류도 해결된다.

투입기준 BCC 모형의 구조는 다음과 같이 선형계획모형으로 표현된다. (8)

m= 1, 2, …, M(M은 투입변수의 수) n= 1, 2, …, N(N은 산출변수의 수) j= 1, 2, …, k, …, J(J는 의사결정단위의 수) (k는 k번째 의사결정단위)x는 투입변수y는 산출변수

여기서 효율성 측정치인 *kBCCq 는 0에서 1의 사이의 값을 갖는데, 개별 의사결정단

위의 효율성이 1이라는 것은 생산변경(Frontier)에 위치하고 있음을 나타낸다.

3) 실제로 자산운용사들은 포트폴리오를 구성할 때 이들 투입요소의 값들이 일정 수준 내에서 움직이도록 조절하는 전략을 취한다. 인덱스 펀드의 대표적인 운용전략의 한 예로 추적오차를 일정수준 (보통 1%) 이내로 유지하는 것을 들 수 있다.


한편 효율성 추정치가 0으로 도출되는 경우는 현실적으로 거의 발생하지 않는다. 이러한 BCC 모형은 기존의 CCR 모형에 각 의사결정단위에 대한 참조집합 λ의 크기를 1로 제한하는 볼록성(Convexity)의 조건을 추가한 것으로, 규모에 따른 수익성 증가, 불변, 감소 상태를 모두 포괄한다4).

Ⅲ. 자산운용사의 성과효율성 측정 결과

여기에서는 본 연구의 분석대상 자료에 대해 설명하고, 제2장에서 소개한 자료포락분석을 적용하여 산출된 자산운용사의 성과효율성 측정 결과를 논의한다.

1. 분석 자료

본 연구에서는 국내에서 사업을 영위하고 있는 33개의 자산운용사를 대상으로 2006년부터 2011년까지의 분기별 자료를 수집하여 총 660개의 균형패널자료(Balanced Panel Data)를 구축했다. 여기에서는 순수 국내 회사만을 국내 회사로 분류하였으며, 국내 회사에 외국 회사가 지분을 출자한 경우와 외국 회사가 국내에 법인을 설립한 경우는 외국계 운용사로 구분했다. 표본기간 중 합병된 회사는 없었으며, 금융위기 전후의 성과효율성 비교 및 분석의 일관성을 위해 표본기간 중간에 생겨난 운용사들은 분석 대상에서 제외했다.

<그림 1>은 증권형 펀드 대비 주식형 펀드의 설정액 비중 추이를 나타낸다. 이를 보면 주식형, 혼합형, 채권형 펀드 중에서 주식형 펀드의 비중이 매우 높은 것을 알 수 있다. 이와 같이 각 자산운용사에서 운용되는 자산에서 주식형 펀드가 절대적인 비중을 차지하는 것을 고려하여, 자산운용사를 대표하는 펀드 유형으로 인덱스 유형 등을 제외한 순수 주식형 펀드를 대상으로 분석을 시행했다5).

4) DEA 모형에 대한 상세한 설명은 Banker et al.(1984) 또는 지홍민 ‧ 권수연(2006) 등 참조.5) 채권형이나 혼합형 등 다른 펀드유형에 대한 연구도 동일한 맥락에서 시행할 수 있다. 이 경우 주식

형과 채권형 펀드 등은 각 유형별로 기대수익률과 위험수준이 상이하기 때문에 동일 유형의 펀드를 비교하는 것이 적합하며, 김종기 외(2008)의 연구와 같이 자산운용사의 성과를 대표하는 변수로 자산운용사의 전체 펀드의 수익률을 사용하면 합리적인 결과가 도출되지 않을 우려가 있다.


(%)1009080706050403020100

2,500(pt)902,000701,500501,00030500100

2006 2007 2008 2009 2010

주식형주식형*KOSPI

주 : 여기서 주식형*는 (주식형+주식혼합형×0.6+채권혼합형×0.4)을 나타냄.출처 : 금융투자협회

<그림 1> 증권형 펀드 내 주식형 펀드 설정액 비중 추이

주식형 펀드의 성과를 측정할 때에는 펀드 수익률 등의 절대적인 성과 평가의 비교 기준이 되는 벤치마크 대비 상대성과, 위험요소를 고려한 위험조정성과 등의 평가 기준을 적용하는 것이 일반적이다. 또한 표준편차, 추적오차, 베타 등 펀드의 성과를 제고하기 위해 일정수준으로 조절하거나 감내할 수 있는 변수들도 다양하게 존재한다. 여기에서는 제2장에서 논의한 바와 같이 자료포락분석을 위한 산출변수로 수익률, (수정)샤프지수, 젠센알파, 정보비율 등을 설정했으며, 투입변수로는 표준편차, 베타, 추적오차를 사용했다6). 각 자산운용사에 대한 수익률, 위험지표, 위험조정 성과지표 등은 펀드평가사 KG제로인의 자료를 이용했다. 여기서 위험지표 등의 산출 기준은

6) 투입변수로 지홍민 ‧ 권수연(2006)은 운용보수, 판매보수 등을 추가로 사용했으며, 김종기 외(2008)에서는 종업원 수, 자본금, 펀드 수를 사용했다. 그러나 이에 관한 자료는 신뢰성이 낮을 뿐만 아니라 각 자산운용사에 따라 큰 차이를 보이고 있다. 그 결과 효율성 추정치의 변동폭을 크게 만드는 작용만 할 뿐이며, 상대적 효율성 측정에는 영향을 미치지 않는 것으로 나타나 본 연구에서는 이런 자료들을 사용하지 않았다.


기초통계량 변수 관측수 평균 표준편차 최소값 최대값

투입변수

표준편차 660 11.0555 6.8476 3.7540 41.4742베타 660 0.9595 0.1193 0.4598 1.4202

추적오차 660 2.7960 1.1737 0.9748 8.6860

산출변수

젠센알파 660 0.7486 2.7783 -7.4327 11.9230샤프지수 660 0.7090 1.1097 -0.5527 5.7888정보비율 660 0.1861 1.0566 -4.0231 3.8630

KG제로인의 평가방법을 적용했으며, 순수 주식형 펀드의 벤치마크로는 KOSPI200을 설정했다. 그 밖에 제4장의 회귀분석에 이용된 환경변수는 금융감독원과 금융투자협회를 통해 수집했다.

<표 1>은 자산운용사의 성과효율성 측정을 위해 수집된 투입변수와 산출변수의 기초통계량을 나타낸다. 이를 보면 베타 계수를 제외한 다른 투입 ‧ 산출변수들은 분석대상 자산운용사들 사이에 큰 차이를 나타냄을 알 수 있다. 특히 산출변수의 추정결과를 보면 (-) 값으로 도출되는 경우가 발생해 앞에서 논의한 것과 같이 일정 상수를 더해서 양수로 변환시키는 과정이 필요함을 알 수 있다. 이러한 (-) 값은 주로 글로벌 금융위기 기간에 나타난 추정치이며, 최대값은 금융위기 이후 급속한 회복 기간에 도출된 것이다. 베타 계수의 평균은 0.96으로 1에 가깝게 추정됐는데, 이는 주식형 펀드에 대한 지홍민 ‧ 권수연(2006)의 추정치와 거의 동일한 결과이다.

<표 1> 투입 및 산출 변수들의 기초통계량(전체 기간)

2. 성과효율성 추정 결과

총 660개의 균형패널자료에 대해 R 프로그램에서 적용할 수 있는 DEA 방법을 사용하여 33개 자산운용사의 각 분기별 성과효율성을 추정했다7). 국내 자산운용사의 경우 규모의 경제 여부가 분명하지 않으므로 이에 대한 제약 없이 효율성을 추정하는 BCC 모형을 이용했다. 7) R 프로그램의 패키지 library로는 “Benchmarking”을 이용했다.


<표 2> 자산운용사별 성과효율성 추정치

DMU01 0.9207 1.0000 1.0000 1.0000 0.9018 0.9199 0.9777 0.9836 0.9625 0.9632 1.0000 1.0000 1.0000 0.9168 1.0000 1.0000 1.0000 0.9462 1.0000 1.0000 0.9746DMU02 0.9416 1.0000 0.8653 0.9131 0.7667 0.8640 0.8121 0.9371 0.9745 0.9926 1.0000 0.9860 0.8999 0.8302 0.9589 0.8846 0.8886 0.8871 0.9041 0.9356 0.9121DMU03 0.9048 0.9702 0.9492 1.0000 0.7679 0.8241 0.6468 0.8385 0.9861 0.9575 0.9714 1.0000 0.9712 0.8053 0.9637 0.9062 0.8434 0.9054 1.0000 1.0000 0.9106DMU04 0.9714 0.9062 0.8562 0.9355 0.6601 0.8477 0.6567 0.7703 0.9840 0.7863 0.8802 0.9661 0.8892 0.9670 0.9691 0.9348 0.8323 0.9534 0.9230 0.9786 0.8834DMU05 0.9641 0.7867 0.7714 0.8836 0.6985 0.8188 0.5946 0.7602 0.9645 0.9437 0.9810 0.9611 0.9250 0.9488 0.9118 0.7816 1.0000 0.9235 0.9466 0.9675 0.8767DMU06 0.9210 0.9087 0.8436 0.8160 0.7062 0.8106 0.7440 1.0000 0.9833 0.9910 0.9703 1.0000 0.7836 0.8784 0.9654 0.9287 1.0000 0.9073 0.9353 0.9123 0.9003DMU07 0.9639 0.9481 0.8013 0.9029 0.6514 0.8716 0.8575 1.0000 0.9749 0.9303 0.9529 0.9711 0.6907 0.8448 0.9814 0.8565 0.9173 0.9714 0.7549 0.9745 0.8909DMU08 0.8097 0.8874 0.8571 0.9040 0.6239 0.7834 0.7604 0.8747 1.0000 0.9158 0.9505 1.0000 0.9797 0.9283 1.0000 0.9680 0.9416 0.9014 0.8886 1.0000 0.8987DMU09 0.8746 0.9100 0.8513 0.9560 0.6460 0.8891 0.7654 0.6956 0.9721 0.9376 0.9817 1.0000 0.8653 0.8957 0.9423 0.8120 0.8266 0.9398 0.9325 0.9556 0.8824DMU10 0.8049 0.9091 0.8354 0.9655 0.7531 0.9669 0.9826 0.9527 0.9474 0.8384 0.9979 0.9794 0.8581 0.8530 0.9467 1.0000 0.8105 1.0000 1.0000 1.0000 0.9201DMU11 1.0000 0.9805 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9673 0.9258 0.9248 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9899DMU12 0.9444 0.9493 0.9281 0.9938 0.9778 1.0000 0.9015 0.9949 0.9792 1.0000 0.9645 0.9484 0.8224 0.8046 0.9746 1.0000 1.0000 0.9458 0.9724 0.9646 0.9533DMU13 0.9814 0.9362 1.0000 0.9120 1.0000 1.0000 0.8324 0.8529 0.9364 0.9486 0.9453 0.9939 0.8218 0.9154 0.9123 0.8278 0.8735 0.9094 0.8889 0.9639 0.9226DMU14 1.0000 1.0000 0.8988 1.0000 0.8689 1.0000 1.0000 1.0000 0.9966 0.9924 1.0000 0.9837 1.0000 1.0000 1.0000 0.9321 0.9220 1.0000 0.9517 0.8960 0.9721DMU15 0.8581 0.8329 0.9179 0.7800 0.6798 0.8224 1.0000 0.9558 0.9000 1.0000 0.9012 1.0000 0.8761 0.7948 1.0000 0.7120 0.7552 0.8526 0.8843 0.9639 0.8744DMU16 0.9427 1.0000 0.9987 1.0000 0.6703 0.8535 0.8273 1.0000 1.0000 1.0000 1.0000 0.9406 0.8259 0.9085 1.0000 0.7395 0.8781 0.9585 1.0000 0.9799 0.9262DMU17 1.0000 0.7504 0.8892 0.9355 0.6791 1.0000 0.6377 0.8748 0.9407 0.9373 0.9756 1.0000 0.9229 0.8724 0.9622 0.9647 0.9009 0.7907 0.9000 1.0000 0.8967DMU18 0.9448 0.7814 0.8995 0.8951 0.6427 0.8486 1.0000 0.8986 0.9525 0.8944 0.9894 0.9571 0.7806 0.9107 0.9929 0.9300 1.0000 0.9017 0.9829 1.0000 0.9102DMU19 1.0000 1.0000 0.9144 0.8417 0.6612 0.8444 0.6674 0.9102 0.9581 0.9018 0.9948 0.9791 0.8835 1.0000 0.8959 0.7252 0.7868 0.9136 1.0000 0.8458 0.8862DMU20 0.9687 0.8138 0.7805 0.9135 0.8783 0.8592 0.9170 1.0000 0.9291 1.0000 0.9625 0.9987 1.0000 0.9312 1.0000 1.0000 1.0000 0.9903 0.9696 0.9728 0.9443DMU21 1.0000 1.0000 0.8776 0.8344 0.9296 1.0000 0.9018 0.8559 0.9816 0.9672 0.9683 0.9484 0.9661 0.9828 0.9795 0.7630 1.0000 0.8166 0.9599 0.8406 0.9287DMU22 0.9662 0.9640 0.8894 0.9465 0.7773 0.9256 0.8596 1.0000 0.9932 0.8868 0.9376 0.9798 0.9611 0.9307 1.0000 0.9787 1.0000 0.9943 0.9891 0.9902 0.9485DMU23 0.9554 0.8129 0.8937 0.8297 0.7752 0.8703 0.8325 0.9456 0.9724 1.0000 0.9203 1.0000 0.8963 0.8664 0.9848 0.8676 0.9167 0.9942 0.9072 0.9496 0.9095DMU24 0.9366 1.0000 0.8349 0.9278 0.8403 0.8718 0.8176 0.9420 0.9721 1.0000 0.9253 0.9800 1.0000 1.0000 0.9629 0.9385 1.0000 0.9519 0.9836 0.9347 0.9410DMU25 0.9066 0.8682 0.9600 0.9947 0.5927 0.8210 0.6988 0.8340 0.9701 0.8862 1.0000 0.9857 1.0000 1.0000 0.8924 0.7539 0.8458 0.9189 0.8229 0.8157 0.8784DMU26 1.0000 0.9103 0.8870 0.8968 0.5689 0.9270 0.6120 1.0000 0.9383 0.8955 1.0000 0.9457 0.9609 1.0000 0.8573 0.7888 0.8156 0.8711 0.8594 0.8327 0.8784DMU27 0.9902 0.9411 0.9997 1.0000 0.7317 0.9935 1.0000 0.9317 0.9888 0.9837 1.0000 0.9976 0.7821 0.7085 0.9484 0.9798 0.9026 1.0000 1.0000 0.9743 0.9427DMU28 0.9556 0.9275 0.8527 0.7807 0.8665 0.8973 0.8589 0.9262 1.0000 0.7530 0.8941 1.0000 1.0000 0.9354 0.9856 1.0000 1.0000 1.0000 0.9794 1.0000 0.9307DMU29 1.0000 0.8954 1.0000 1.0000 0.7652 0.8547 0.8431 0.7918 0.9705 0.9594 0.9766 0.9689 0.8919 0.8696 0.8688 0.9161 0.8925 0.9174 0.8641 0.8935 0.9070DMU30 0.9369 0.9485 0.9087 0.8981 0.9435 0.9478 0.9788 1.0000 1.0000 0.9285 0.9854 1.0000 0.8183 0.7953 0.9052 0.8213 0.9533 0.8286 0.9590 0.9508 0.9254DMU31 1.0000 0.9626 0.8951 1.0000 0.8429 0.8448 0.6108 0.7516 0.9885 0.9101 0.7929 0.8795 0.9289 0.9612 1.0000 1.0000 0.8992 0.9641 0.9880 0.9705 0.9095DMU32 1.0000 1.0000 0.7291 0.8172 0.6131 0.8435 0.7202 0.6843 0.8925 0.7892 1.0000 0.9287 0.8733 0.9470 0.7860 0.5847 0.7157 0.9758 1.0000 0.9351 0.8418DMU33 1.0000 1.0000 1.0000 0.9518 0.6392 0.8848 0.7228 1.0000 1.0000 0.9528 0.9013 0.9784 0.9110 1.0000 0.9286 0.8073 0.7874 0.8745 0.8527 0.8719 0.9032

평균 0.9504 0.9243 0.8965 0.9220 0.7612 0.8941 0.8193 0.9080 0.9700 0.9347 0.9612 0.9765 0.9004 0.9069 0.9538 0.8819 0.9062 0.9305 0.9394 0.9476 0.9143

`10.3q `10.4q `11.1q 평균`08.4q `09.1q `09.2q `09.3q `09.4q `10.1q 기간운용사

`06.2q `06.3q `06.4q `07.1q `07.2q `07.3q `10.2q`07.4q `08.1q `08.2q `08.3q

주 : 본 연구는 펀드 투자의 효율성에 영향을 미치는 결정요인을 분석하는 것을 목적으로 하고 있어, 성과효율성 추정 결과에서 각 자산운용사의 이름은 제시하지 않음.


전체 자산운용사의 성과효율성에 대한 추정결과는 <표 2>에 기간별로 제시했다8).전체 운용사에 대한 효율성 추정치의 전 기간 평균은 0.913 정도로 높게 도출됐으며, 분석 기간 중에 가장 낮은 성과효율성 지수는 0.569로 추정됐다. 성과효율성의 평균이 높은 수준을 보인 것은 운용사 집단이 갖는 자료의 특성에 기인한 것으로 상대적인 성과효율성을 비교하는 본 논문에서는 큰 의미를 갖지 않는다. 예를 들어 투입변수로 표준편차를 이용할 때, 각 운용사가 갖는 표준편차의 평균치가 높고 대부분의 표준편차가 가장 작은 표준편차를 갖는 운용사 근처에서 형성되어 있다면 효율성의 측정치가 높은 수준을 나타낼 수 있기 때문이다. 분석 기간 동안 평균적으로 매분기 7개 정도(7.13)의 자산운용사가 1의 성과효율성을 나타냈다. 이 기간 중에 효율적 생산변경 상에 위치한 회수가 가장 많았던 자산운용사는 총 16회를 기록한 반면, 6개의 자산운용사는 3회 미만을 기록하여 큰 차이를 보였다.

주 : 여기서 효율성 추정치의 범위는 95% 신뢰구간을 나타냄.<그림 2> 효율성 추정치의 평균 및 범위

8) 본 연구는 자산운용사의 성과효율성 추정을 토대로 펀드 투자의 효율성에 영향을 미치는 결정요인을 분석하는 것을 목적으로 하고 있어, <표 2>의 성과효율성 추정 결과에서 각 자산운용사의 이름은 제시하지 않았다.


<그림 2>는 전체 자산운용사의 성과효율성에 대한 평균 및 범위의 움직임을 기간별로 비교하여 자산운용사의 평균적인 효율성의 추이를 보여주고 있다. 이를 보면, 글로벌 금융위기의 정점인 2008년 말을 기준으로 각 자산운용사의 성과효율성을 비교했을 때, 금융위기 이후의 성과효율성 평균 수준이 금융위기 이전에 비해 더 높은 것으로 나타났다. 특히 상승장에 비해 하락장에서의 성과효율성 평균치가 더 높은 것으로 분석됐다9).

Ⅳ. 펀드 투자의 효율성 결정요인 분석

여기에서는 제3장에서 도출된 성과효율성 추정치를 대상으로 펀드 투자의 효율성에 영향을 미치는 요인에 관한 실증분석을 시도한다. 먼저 회귀분석에 사용할 자료를 소개하고, 동태적 패널자료를 적용한 토빗 회귀모형에 관해 설명한다. 또한 회귀모형의 추정치를 토대로 효율성 결정요인의 분석 결과에 대해 논의한다.

1. 설명변수의 선정

펀드 투자의 효율성 분석을 위해서 제3장에서 측정된 효율성 지표를 종속변수로 놓고 이에 영향을 미치는 요인을 모색하기 위한 회귀분석을 시행한다. 설명변수로는 효율성 지표의 측정에서 투입변수로 사용됐던 표준편차, 베타, 추적오차 등 위험수준 관련 요인들 이외에 주식형펀드 증감액, 시가총액 대비 주식형펀드 비중, 주식형펀드 증가 수, 주식형펀드 총보수, 매니저/임직원 비율, 펀드 내 주식형펀드 비중 등을 환경변수로 추가했다. 여기서 사용된 변수는 자산운용업의 환경변화를 반영하는 변수들이다. 예를 들어 주식형펀드 순유입은 자산운용사가 운용하는 주식형 펀드의 총합계의 변화를 나타내며, 총보수는 업계 평균적으로 펀드운용에 대한 보수가 변화하는 정도를 반영한다.

자산운용사의 성과효율성 분석에서 효율성 지표는 위험 대비 성과로 도출된다는 것을 고려할 때, 위험수준이 낮을수록 효율성 지표가 높아지는 관계를 보일 것으로 예상된다. 9) 여기서 상승장과 하락장은 KOSPI200 수익률의 상승/하락을 기준으로 구분했다. 이 경우 성과효율

성은 상대적 지표이므로, 성과효율성의 평균이 높다는 것은 상대적인 격차가 감소했다는 것을 의미하며, 실제 효율성의 상승이 나타난 것이 아닐 수 있다.


변수 변수명(영문) 변수명(한글) 변수 설명 및 예상 부호 (가설) 단위 예상종속변수 BCCDEA BCC효율성 투입기준 BCC 모형을 DEA로 추정한 운용사 성과효율성

독립변수

DEV 표준편차주식형 펀드의 유형 표준편차로 조절 가능. 변동성이 클수록 위험 대비 성과효율성은 작을 것으로 예상됨. 그러나 자산가격이론의 고수익- 고위험 관계에 따르면 (+) 관계를 의미함.

% -/+

BETA 베타 주식형 펀드 유형의 베타로 주식시장에 대한 민감도를 나타냄. 전략적으로 조절 가능하므로 부호 예측이 어려움.TE 추적오차 벤치마크를 초과하는 성과의 변동성으로 조절 가능. 추적오차가 클수록 성과효율성이 떨어질 것으로 예상함. % -

FNDFLOW 주식형펀드 순유입국내 주식형 펀드 순 증가액. 주식형 펀드로의 자금 유입을 의미하므로 (+) 관계가 예상됨.

억원 +

SISTOCK 주식형펀드시가총액비중시가총액 대비 주식형펀드 비중. 주식투자 중 간접투자 비율을 의미. 이 변수의 증가는 간접투자를 선호함을 나타내며, 따라서 간접투자의 효율성이 높다는 것을 의미함.

% +

FNDSUSTO 주식형펀드증가수주식형 펀드 숫자가 증가할수록 관리 비용이 증가하기 때문에 효율성이 떨어질 것으로 예상. 개 -

BOSUTOT 총보수 주식형 펀드 평균 총보수. 비용의 증가를 나타내므로 효율성과 반대 방향을 보일 것으로 예상. % -

MNGJIKRT 펀드매니저/직원 비율 직원 중에서 매니저의 수가 증가한다면 효율적 운용이 가능할 것으로 예상. % +

STFNDRT 펀드 내 주식형펀드 비중펀드자산 내 주식형 펀드 비중. 이 비중이 높을수록 간접투자 중 주식이 선호되는 것을 의미하며, 이는 주식형 펀드의 효율성이 높기 때문임을 반영함.

% +

DUMDOM 국내운용사가변수국내운용사와 외국계 운용사의 효율성 수준 비교를 위한 국내/외국계 운용사 가변수. (0 = 외국계, 1 = 국내)

DUMJM 평균종목가변수전체운용사가 보유한 평균 종목수준 이상 여부를 나타내는 편입종목 수준 가변수. (0=평균 이하, 1= 평균 이상) 펀드 내 종목수가 많을수록 성과효율성 감소 예상.

-

<표 3> 변수 설명 및 예상 부호


ㆍ ㆍ ㆍ

ㆍ ㆍ

ㆍ ㆍ

ㆍ ㆍ

ㆍ ㆍ ε

한편 베타는 펀드를 운용하는 입장에서 전략적으로 조절할 수 있는 변수이기 때문에 계수의 부호를 예측하기 어렵다. 다른 환경변수의 경우 개별 자산운용사에 미치는 영향이 아닌 자산운용과 관련한 전체적인 환경의 변화를 나타내는 것으로 이들 변수들에 대한 설명과 예상되는 부호는 <표 3>에 요약했다.

2. 회귀모형의 설정 및 추정

효율성 결정요인 분석을 위한 회귀모형에서 일반적인 최소자승법과와 토빗회귀분석 중 어떤 모형이 더 적합한지에 관해서는 의견이 일치되지 않고 있다. 이는 Aly et al. (1990), Lovell et al.(1994), Simar and Wilson(2000), Stanton(2002) 등에서 논의된 바와 같이 효율성 추정치가 절단되어(Censored) 있기 때문이다. 이와 같이 회귀식의 종속변수가 특정범위의 값만을 갖게 되어 생기는 문제는 일반적으로 토빗회귀모형을 이용하여 해결이 가능하다. 그러나 측정된 효율성의 값이 정규화 과정에서 자연스럽게 0에서 1사이의 값으로 표현된 것뿐이라면, 오히려 최소자승법이 올바른 분석방법이 될 수 있다. 이를 고려하여 본 연구에서는 두 회귀모형을 모두 적용하여, 그 결과를 비교했다. 그 밖에 모형추정에서 나타날 수 있는 자기상관(Autocorrelation) 문제, 내생성(Endogeneity) 문제는 Simar and Wilson(2007)가 제안한 것과 같이 토빗회귀분석에 붓스트랩(Bootstrap)을 적용하여 해결할 수 있는데, 본 논문에서도 이 방법을 이용했다10). 회귀모형과 붓스트랩 방법을 이용한 추정에는 STATA 프로그램을 사용했다.

회귀분석에 사용된 절단된 토빗회귀모형은 다음의 식으로 표현된다.

(9)

여기서 종속변수(BCCDEA)는 BCC 모형을 적용한 DEA 효율성 추정치를 나타내며, 10) 지홍민 ‧ 정재욱(2001), 유금록(2008), 현정재 외(2010)에서는 붓스트랩을 적용하여 각각 국내 보

험산업, 공공부문, 은행산업의 효율성 분석을 시도했다. 붓스트랩에 대한 자세한 설명은 Efron (1979) 또는 Efron and Tibshirani(1993) 등 참조.


모형변수

선형회귀모형 토빗회귀모형계수추정치 유의확률 계수추정치 유의확률 Bootstrap

유의확률표준편차 0.0047

(0.0004) 0.000 0.0052(0.0005) 0.000 0.000

베타 -0.5668(0.0195) 0.000 -0.6613

(0.0253) 0.000 0.000추적오차 -0.0337

(0.0019) 0.000 -0.0350(0.0024) 0.000 0.000

주식형펀드 순유입

0.0000(0.0000) 0.000 0.0000

(0.0000) 0.000 0.000주식형펀드

시가총액비중-0.0064(0.0028) 0.024 -0.0099

(0.0034) 0.004 0.005주식형펀드

증가 수-0.0026(0.0006) 0.000 -0.0030

(0.0008) 0.000 0.000총 보수 -0.2090

(0.0255) 0.000 -0.2249(0.0310) 0.000 0.000

펀드매니저/직원 비율

0.0011(0.0009) 0.223 0.0008

(0.0011) 0.452 0.394펀드내

주식형펀드 비중0.0005

(0.0004) 0.193 0.0008(0.0005) 0.092 0.030

국내운용사가변수

0.0012(0.0040) 0.764 0.0076

(0.0049) 0.117 0.100평균종목가변수

0.0137(0.0038) 0.000 0.0176

(0.0047) 0.000 0.000상수항 1.9044

(0.0858) 0.000 2.0572(0.1039) 0.000 0.000

설명변수인 표준편차(DEV), 베타(BETA), 추적오차(TE)는 효율성 추정 단계에서 투입변수로 사용된 변수이다. 나머지 독립변수로 사용된 주식형펀드 순유입(FNDFLOW) 등의 환경변수는 자산운용업의 환경변화를 반영하는 변수를 나타낸다.

<표 4> 회귀분석 추정 결과

주 : 1) 고정효과모형은 적합하지 않은 것으로 분석되어, 여기에서는 확률효과 모형을 사용함.주 : 2) 추정치 밑의 괄호 안의 숫자는 표준오차를 나타냄.주 : 3) 추정에서의 단위를 고려하여 베타 계수는 100으로 나눈 값을 제시함.


<표 4>에서는 각 모형의 계수추정치 및 이의 유의확률과 붓스트랩을 적용한 토빗모형의 유의확률을 제시했다. 추정 결과를 보면, 전체적으로 토빗모형이 최소자승법을 적용하는 경우에 비해 계수의 절대값이 크고 유의성도 높은 것으로 나타났다. 여기서 표준편차, 베타, 추적오차, 주식형펀드 순유입, 주식형펀드 시가총액, 주식형펀드 증가 수, 총보수, 평균종목 가변수에 대한 계수추정치는 모형 선택에 상관없이 1% 이하의 유의수준에서 강한 설명력을 갖는 것으로 나타났다. 모형에 따라 유의성 정도에 차이가 있지만 주식형펀드 시가총액비중도 모든 모형에서 유의하게 나타났다. 한편 펀드 내 주식형펀드 비중은 토빗모형과 붓스트랩 토빗모형에 대해서만 각각 10%와 5% 수준에서 유의성이 높았으며, 국내운용사 가변수와 펀드매니저/직원 비율 등은 모든 모형에서 유의성이 낮게 도출됐다.

3. 효율성 결정요인 분석

여기에서는 <표 4>에 제시된 추정 결과를 변수별로 살펴봄으로써 펀드 투자의 효율성에 영향을 미치는 요인에 대해 자세히 논의하고자 한다. 추정 결과를 보면 토빗회귀모형이 최소자승법을 적용하는 경우에 비해 계수의 절대값이 크고 유의성도 높게 추정됐다. 또한 토빗모형에 붓스트랩을 적용하는 경우 통계적 유의성이 더 높게 도출되어 통계적 추론의 적합성이 제고된 것으로 판단된다. 이와 같이 붓스트랩을 적용한 모형의 유용성이 높아진 것은 Simar and Wilson(2007)의 결과와 일치한다.

성과효율성 분석에서 효율성 지표로 위험 대비 성과를 사용했다는 것을 고려할 때, 표준편차의 계수는 (-) 부호로 도출될 것으로 예상됐으나, 여기에서는 (+) 값으로 추정됐다. 이는 자본자산가격결정모형(CAPM)의 이론적 관계와는 부합하는 결과로 투자 성과를 높이기 위해서는 어느 정도의 위험을 감수해야 함을 의미하는 것으로 해석된다.

베타는 펀드를 운용하는 입장에서 전략적으로 취할 수 있는 변수이기 때문에 계수의 부호를 예측하기 어려운데, 회귀분석 결과에 의하면 (-)로 추정됐으며, 유의성도 높게 나타났다. 이를 자산운용사의 측면에서 해석하면, 주식형 펀드를 운용할 때 성과효율성을 높이기 위해서는 베타를 낮추는 것이 유리하다는 것을 의미한다. 또한 투자자의 입장에서는 낮은 수준의 베타를 유지하는 자산운용사를 선택함으로써 펀드 투자의 효율성을 높일 수 있다. 추적오차는 벤치마크 지수를 얼마나 잘 추적(Tracking)


하느냐를 의미하기 때문에 작을수록 성과효율성이 높을 것으로 예상할 수 있다. 추정 결과에 의하면 (-) 부호로 도출되어 위험 대비 성과를 사용한 성과효율성 분석 결과와 부합하는 것으로 나타났다.

주식형펀드 순유입의 계수는 유의성이 높게 추정됐지만 그 크기가 작아 성과효율성에 미치는 영향이 미미한 것으로 판단된다. 주식형 펀드의 시가총액비중은 주식시장 시가총액에서 주식형 펀드의 비중이 증가할 때, 즉 주식시장 투자에서 간접투자를 선호할 때의 성과효율성을 측정하는 변수이다. 따라서 이 변수의 증가는 간접투자의 효율성이 높다는 것을 반영하는 것으로 계수 추정치가 (+) 부호를 가질 것으로 예상했으나, 여기에서는 (-) 값으로 도출됐다.

총보수는 계수의 유의성이 높을 뿐만 아니라 한계효과도 모형에 관계없이 -0.2 정도의 큰 값을 보이고 있어, 자산운용사에서 운용하는 주식형펀드의 평균 총보수가 높아질수록 성과효율성은 크게 낮아지는 것으로 나타났다. 이는 투자자 입장에서 높은 보수를 지불하고도 낮은 수준의 성과를 얻을 수 있다는 것을 의미한다. 개별펀드를 분석한 지홍민 · 권수연(2006)의 연구에서도 이와 유사한 결과가 도출됐다.

펀드매니저/직원 비율은 두 모형에서 모두 유의하지 않은 것으로 나타났다. 이는 직원들 중에서 펀드매니저의 숫자를 늘리는 것이 성과효율성에는 별로 영향을 미치지 않음을 의미한다. 펀드 내 주식형펀드 비중의 경우, 선형회귀모형에서는 계수의 유의성이 낮게 추정됐다. 그러나 이 변수가 간접투자시장의 위험 선호도를 반영하는 데에 적합하다는 것을 고려할 때, 유의성 높은 (+)로 추정된 토빗모형의 결과가 더 유용할 것으로 판단된다.

국내 운용사 가변수는 전체적으로 유의성이 낮게 추정됐으며, 붓스트랩을 적용하는 경우에도 10% 정도의 유의확률을 보이고 있어 국내 운용사와 외국계 운용사 사이에는 성과효율성에 차이가 크지 않은 것으로 분석된다. 평균종목 가변수는 추정치가 0.137~0.176으로 큰 편이며 추정계수의 유의성도 높았다. 이는 펀드가 보유하는 종목 수가 많을수록 기업에 대한 분석이나 포트폴리오 관리가 어렵기 때문에 성과효율성이 낮아질 것이라는 예상과 반대되는 결과이다. 이 결과는 평균수준 이상의 종목 수를 보유하는 것이 오히려 운용사의 성과효율성을 높이는데 긍정적인 영향을 미친다는 것을 의미한다.


Ⅴ. 결 론

최근 국민연금을 비롯한 기관투자가의 자산운용 규모가 커지고, 은행 및 증권사 등의 펀드 판매와 보험사들의 변액보험이나 변액연금 상품이 증가하면서 간접투자의 역할은 더욱 확대되고 있다. 그러나 간접투자시장의 큰 축인 자산운용사에 대한 공식적인 평가는 시행되지 않고 있으며, 이를 대상으로 한 연구도 매우 적은 실정이다. 본 연구는 국내 자산운용사의 성과효율성을 분석하고, 이를 토대로 펀드 투자의 효율성 결정요인에 대한 실증분석을 시도했다.

첫째 단계에서는 은행, 보험 등의 금융산업과 병원이나 도서관 같은 공공기관에 대한 효율성 분석에 사용되고 있는 자료포락분석 방법을 자산운용업 분야에 적용하여, 국내 자산운용사의 성과효율성을 추정했다. 둘째 단계에서는 최소자승법 대신 계수추정의 정확도가 높은 토빗회귀모형을 적용하여 효율성 결정요인에 대한 분석을 시행했다. 이 과정에서 첫째 단계에서 도출된 효율성 지표를 회귀모형에 사용할 때 발생할 수 있는 자기상관이나 내생성 문제를 해결하고, 가설검정의 신뢰도를 높이기 위해 붓스트랩 방법을 적용했다. 또한 기존 국내외 연구에서 사용되었던 수익률이나 표준편차 이외에 베타와 추적오차를 효율성 추정 변수로 추가했으며, 펀드매니저 수, 편입종목 수 등의 환경변수를 포함하여 각 자산운용업의 환경적인 측면에서 영향을 미칠 수 있는 요인들도 고려했다.

본 연구의 주요 분석결과는 다음과 같다. 첫째, 효율성 추정치를 시기별로 비교해보면, 국내 자산운용사의 평균적 성과효율성 수준이 금융위기 이전에 비해 금융위기 이후 구간에서 더 높은 것으로 나타났다. 또한 증시의 상승장보다 하락장에서 효율성의 평균 수준이 더 큰 것으로 분석됐다.

둘째, 펀드 투자의 효율성 결정요인을 분석한 결과, 표준편차가 클수록 효율성 수준은 높아지는 것으로 나타나 ‘고수익 고위험’의 자산가격결정이론에 부합하는 결과가 도출됐다. 한편 체계적 위험을 나타내는 베타계수는 효율성에 (-) 효과를 갖는 것으로 분석됐다. 이는 자산운용에서 베타를 낮은 수준으로 조절하여 운용하면 성과효율성이 제고될 수 있다는 것을 의미하는 것으로 해석된다.

셋째, 자산운용사들의 평균적인 총보수 수준이 높을수록 성과효율성이 낮아지는 것으로 나타났다. 이는 투자자 입장에서 높은 보수를 지불하고도 낮은 수준의 성과를 얻을 수 있다는 것을 의미한다.


넷째, 성과효율성 결정요인 분석을 위한 계량모형 추정 결과를 보면 토빗모형이 최소자승법을 적용하는 경우에 비해 계수의 절대값이 크고 유의성도 높게 추정됐다. 또한 토빗모형에 붓스트랩을 적용하는 경우 통계적 유의성이 더 높게 도출되어 통계적 추론의 적합성이 제고된 것으로 판단된다.

본 연구는 자산운용사의 성과효율성 추정을 토대로 펀드 투자의 효율성에 영향을 미치는 결정요인을 분석하는 것을 목적으로 하고 있어, 각 자산운용사에 대한 효율성 순위 평가를 시도하지 않았다. 그리고 자료포락분석 방법을 이용하여 효율성을 추정하는 경우, 추정에 사용되는 투입변수와 산출변수의 선택에 따라 효율성 추정치가 달라질 수 있다. 이는 자료포락분석 방법을 적용하는 많은 연구에서 당면하게 되는 문제로, 향후 임성묵(2008)에서 논의된 방법 등을 활용하여 더 체계적인 변수선택 방법을 모색할 필요가 있다. 또한 이 논문에서 다루지 않은 채권형이나 혼합형 등의 펀드 유형에 대해서도 추가적인 연구가 필요할 것으로 판단된다.

이와 같이 펀드 투자의 효율성에 대한 체계적 분석을 위해서는 많은 추가 연구가 필요한 실정이다. 그러나 최근 국민연금 등의 연금 자산이 증가하고, 연금형태의 보험상품 판매가 증가하면서 자산운용사의 역할이 증대함에 따라 일반투자자뿐만 아니라 기관투자가를 위해서도 자산운용사에 대한 객관적인 평가 정보가 시급한 상황이다. 이러한 현실적 필요성을 고려해 볼 때, 본 논문의 결과가 어느 정도 유용한 정보를 제공할 수 있을 것으로 기대된다.


<參考文獻>

김종기, 강다연, 박기운, 박제헌, 옥석재. “DEA 모형을 이용한 국내 펀드 운용사의 효율성 분석,”「한국콘텐츠학회논문지」, 제8권, 2008, pp.173-182.

김훈용. “펀드 매니저의 투자성과 분석,”「산업연구학회」, 제8권, 2002, pp.263-272. 박영규, 장욱. “국내 주식형펀드 시장에 대한 성과 평가 연구,”「증권학회지」, 제29집,

2001, pp.117-143.유금록. “효율성 평가를 위한 자료포락분석에 있어서 투입산출변수의 음수자료 처리방

법과 적용,”「정책분석평가학회보」, 제15권, 2005, pp.173-197. . “부트스트랩 자료포락분석에 의한 공공부문의 효율성과 결정요인의 경험적 평가:

서울시 보건소를 중심으로,”「한국정책학회보」, 제17권, 2008, pp.291-322.이상빈, 오윤주. “새로운 펀드 성과 평가 모형: 한국의 펀드를 대상으로 한 실증 분석,”

「증권금융연구」, 제1권, 1995, pp.201-233.임성묵. “퍼지 선형계획법 해법 및 퍼지 DEA에의 적용에 관한 연구,”「한국산업시스

템공학회지」, 제31권, 2008, pp.51-60.조담. “우리나라 주식형 펀드의 투자성과에 관한 실증적 연구,”「재무관리학회지」, 제

11권, 1994, pp.109-130.지홍민, 권수연. “DEA방법을 이용한 수익증권의 효율성 분석,”「보험개발연구」,

제17권, 2006, pp.99-130.지홍민, 정재욱. “붓스트랩을 이용한 손해보험산업의 효율성 측정,”「금융연구」, 제15

권, 2001, pp.115-137.현정재, 이영훈, 이강오. “붓스트랩방법을 이용한 국내 은행산업의 효율성분석,”「응용

경제」, 제12권, 2010, pp.153-180.Aly H.Y., R. Crabowski, C. Pasurka, and N. Rangan. “Technical, Scale, and

Allocative Efficiencies in U.S. Banking: An Empirical Investigation,” Review of Economics and Statistics, Vol.72, 1990, pp.211-218.

Banker, R. D., A. Charnes, and W.W. Cooper. “Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis,” Management Science, Vol.30, 1984, pp.1078-1092.


Basso, A. and S. Funari. “A Data Envelopment Analysis Approach to Measure the Mutual Fund Performance,” European Journal of Operational Research, Vol.135, 2001, pp.477-492.

. “The Performance of Ethical Mutual Funds: A DEA Approach,” Journal of the Operational Research Society, Vol.54, 2003, pp.521-531.

Boussofiane, A., G. R.G. Dyson, and E. Thanassoulis. “Applied Data Envelopment Analysis,” European Journal of Operational Research, Vol.52, 1991, pp.1-15.

Charnes, A., W.W. Cooper, and E. Rhodes. “Measuring the Efficiency of Decision Making Units,” European Journal of Operational Research, Vol.2, 1978, pp.429-444.

Debreu, G. “The Coefficient of Resource Utilization,” Econometrica, Vol.19, 1951, pp.273-292.

Efron, B. “Bootstrap Methods: Another Look at the Jackknife,” The Annals of Statistics, Vol.7, 1979, pp.1-16.

Efron, B. and R. Tibshirani. An Introduction to the Bootstrap, Florida: Chapman & Hall, 1993.

Farrell, M. J. “The Measurement of Productivity Efficiency,” Journal of the Royal Statistical Society, Vol.12, 1957, pp.260-261

Galagedera, D. U. A., and P. Silvapulle. “Experimental Evidence on Robustness of Data Envelopment Analysis,” Journal of the Operational Research Society, Vol.54, 2003, pp.654-660.

. “Australian Mutual Fund Performance Appraisal using Data Envelopment Analysis,” Managerial Finance, Vol.28, 2002, pp.60-73.

Gregoriou, G. N., K. Sedzro, and J. Zhu. “Hedge Fund Performance Appraisal Using Data Envelopment Analysis,” European Journal of Operation Research, Vol.164, 2005, pp.555-571.


Gregoriou, G. N. and J. Zhu. Evaluating Hedge Fund and CTA Performance Data Envelopment Analysis, John Wiley & Sons, 2005.

Joro, T., P. Korhonen, and S. Zionts. “An Interactive Approach to Improve Estimates of Value Efficiency in Data Envelopment Analysis,” European Journal of Operation Research, Vol.149, 2003, pp.688-699.

Koopmans, T. C. Three Essays on the State of Economic Science, McGraw-Hill, 1957.

Lovell, C.A. K. and J.T. Pastor. “Units Invariant and Translation Invariant DEA Models,” Operations Research Letters, Vol.18, 1995, pp.147-151.

Murthi, B. P. S., Y. K. Choi and P. Desai. “Efficiency of Mutual Funds and Portfolio Performance Measurement: A Non-parametric Approach,” European Journal of Operational Research, Vol.98, 1997, pp.408-418.

Sharpe, W. F. “Mutual Fund Performance,” Journal of Business, Vol.39, 1966, pp.119-138.

Simar, L. and P. Wilson. “A General Methodology for Bootstrapping in Nonparametric Frontier Models,” Journal of Applied Statistics, Vol.27, 2000, pp.779-802.

. “Estimation and Inference in Two-Stage, Semi-parametric Models of Production Processes,” Journal of Econometrics, Vol.136, 2007, pp.31-64.

Stanton, K.R. “Trends in Relationship Lending and Factors Affecting Relationship Lending Efficiency,” Journal of Banking and Finance, Vol.26, 2002, pp.127-152.

및 효율성 결정요인...

Documents