회귀분석은 변수 간의 통계적 관계를 파악하여 투자 의사결정에 활용할 수 있는 강력한 분석 도구입니다. 주가와 거시경제 변수, 기업 실적과 주가 성과, 섹터 간 연관성 등 다양한 투자 관계를 정량화하는 데 사용됩니다.
회귀분석의 기본 원리
회귀분석은 종속변수(Y)와 독립변수(X) 간의 관계를 수학적 함수로 표현하는 통계 기법입니다. 투자 분야에서는 주가 수익률을 종속변수로, 시장 수익률이나 재무비율 등을 독립변수로 설정하여 분석합니다.
단순선형회귀의 기본 모형은 Y = α + βX + ε으로 표현되며, 여기서 α는 절편, β는 기울기 계수, ε은 오차항입니다. β 계수는 독립변수가 1단위 변화할 때 종속변수가 얼마나 변화하는지를 나타내는 핵심 지표입니다.
회귀분석 핵심 지표
| 지표 | 의미 | 투자 활용 |
|---|---|---|
| β (베타) | 독립변수의 영향력 | 시장 민감도 측정 |
| R² (결정계수) | 모형의 설명력 | 변수 간 관계 강도 |
| t-통계량 | 계수의 유의성 | 관계의 통계적 신뢰성 |
| F-통계량 | 모형 전체 유의성 | 모형의 유효성 검증 |
| p-value | 유의확률 | 결과의 신뢰 수준 |
| DW 통계량 | 자기상관 검정 | 잔차의 독립성 확인 |
| VIF | 다중공선성 진단 | 변수 간 독립성 확인 |
파이썬을 활용한 회귀분석 구현
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
import statsmodels.api as sm
# KOSPI 수익률과 거시경제 변수 회귀분석 예시
np.random.seed(42)
n_periods = 120 # 10년 월간 데이터
# 독립변수 생성 (거시경제 지표)
market_return = np.random.normal(0.008, 0.04, n_periods)
interest_rate = np.random.normal(3.5, 0.5, n_periods)
cpi_change = np.random.normal(0.002, 0.003, n_periods)
# 종속변수: 개별종목 수익률 (시장 + 금리 + 물가 영향)
stock_return = (0.002 + 1.2 * market_return
- 0.005 * interest_rate
+ 0.8 * cpi_change
+ np.random.normal(0, 0.02, n_periods))
# 데이터프레임 구성
df = pd.DataFrame({
'stock_return': stock_return,
'market_return': market_return,
'interest_rate': interest_rate,
'cpi_change': cpi_change
})
# statsmodels를 활용한 다중회귀분석
X = sm.add_constant(df[['market_return', 'interest_rate', 'cpi_change']])
y = df['stock_return']
model = sm.OLS(y, X).fit()
print(model.summary())
print(f"\n조정된 R²: {model.rsquared_adj:.4f}")
print(f"AIC: {model.aic:.2f}")회귀분석 결과 해석
| 분석 항목 | 판단 기준 | 투자 시사점 |
|---|---|---|
| β > 1 (시장) | 시장보다 높은 변동성 | 공격적 포지션 |
| β < 0 (금리) | 금리 상승 시 수익률 하락 | 금리 민감주 |
| R² > 0.7 | 높은 설명력 | 모형 신뢰도 높음 |
| p-value < 0.05 | 통계적 유의 | 변수 선택 타당 |
| 잔차 정규성 | 정규분포 따름 | 모형 가정 충족 |
핵심 정리
- 회귀분석은 변수 간 통계적 관계를 정량화하여 투자 의사결정을 지원하는 분석 도구입니다
- 단순회귀부터 다중회귀, 로지스틱 회귀까지 분석 목적에 따라 적절한 모형을 선택해야 합니다
- R², t-통계량, p-value 등 핵심 지표를 종합적으로 해석하여 모형의 신뢰도를 평가해야 합니다
- 다중공선성, 자기상관, 이분산성 등 회귀분석의 기본 가정을 반드시 검증해야 합니다
- 상관관계가 인과관계를 의미하지 않으므로 경제적 직관과 함께 해석하는 것이 중요합니다
- 과거 데이터 기반 회귀모형은 시장 구조 변화 시 한계를 보일 수 있어 지속적 재검증이 필요합니다
- 회귀분석 결과를 실제 투자에 적용할 때는 거래비용, 유동성, 실행 리스크를 추가로 고려해야 합니다
면책 조항
본 글은 투자 교육 목적으로 작성되었으며, 특정 종목이나 투자 전략을 추천하는 것이 아닙니다. 회귀분석은 통계적 도구일 뿐 미래를 보장하지 않습니다. 실제 투자 시에는 전문가의 조언을 구하고 본인의 투자 성향과 상황을 고려하여 신중하게 결정하시기 바랍니다. 모든 투자에는 원금 손실의 위험이 따릅니다.