- 세상의 모든 계산기 수학, 과학, 공학 이야기 재무금융 ()
자본자산가격결정모형(CAPM)을 통한 주식 기대수익률 분석
-
- 2024.09.24 - 20:42 2024.09.24 - 19:32 1250 2
투자 결정을 내릴 때 주식의 기대수익률을 정확히 예측하는 것은 매우 중요합니다.
이를 위해 금융 전문가들이 자주 사용하는 도구 중 하나가 자본자산가격결정모형(Capital Asset Pricing Model, CAPM)입니다.
이 글에서는 CAPM을 활용하여 특정 주식의 기대수익률을 계산하는 과정을 실제 예시와 함께 상세히 살펴보겠습니다.
CAPM
- CAPM의 기본 개념 CAPM은 주식의 위험과 수익률 간의 관계를 설명하는 모델입니다.
이 모델에 따르면, 주식의 기대수익률은 무위험이자율에 시장위험프리미엄과 해당 주식의 베타를 곱한 값을 더하여 계산됩니다.
- 주요 변수 설명
- 베타(β): 개별 주식의 변동성을 시장 전체의 변동성과 비교한 지표
- 무위험이자율(Rf): 위험 없이 얻을 수 있는 수익률
- 시장위험프리미엄: 시장 전체의 기대수익률에서 무위험이자율을 뺀 값 = (E(Rm) - Rf)
- 계산 과정
a) 베타 계산: 주식의 표준편차, 시장의 표준편차, 그리고 상관계수를 이용
b) CAPM 공식 적용: E(Ri) = Rf + β * (E(Rm) - Rf)
- 실제 예시 분석 다음과 같은 문제를 통해 CAPM의 적용 과정을 살펴보겠습니다:
예시 문제 :
시장모형이 성립하는 시장에서,
A주식의 표준편차는 35%, 결정계수가 60%이고, 시장포트폴리오의 분산은 0.02 이다.
A주식의 기대수익률은 대략 얼마인가?
단, 무위험이자율은 5%, 시장위험프리미엄은 6%이다.
① 8.7% ② 10.4% ③ 16.5% ④ 19.2% ⑤ 33.9%
해결 과정:
a) 주어진 정보 정리
A주식의 표준편차 = 35%
결정계수 = 60% = 0.60
시장포트폴리오의 분산 = 0.02
무위험이자율 = 5%
시장위험프리미엄 = 6%
b) 베타 계산상관계수(ρ) = √결정계수 = √0.60
시장의 표준편차 = √분산 = √0.02
β = ρ * (σi / σm) = √0.60 * (35% / √(0.02)) = 1.9183
c) CAPM 공식 적용 E(Ri) = Rf + β * (E(Rm) - Rf) = 5% + 1.9183 * 6% = 16.51%따라서 A주식의 기대수익률은 약 16.5%로, 정답은 ③번입니다.
- CAPM의 한계와 주의점
- 단순화된 가정에 기반한 모델이므로 현실과 차이가 있을 수 있음
- 과거 데이터에 기반하므로 미래 예측에 한계가 있을 수 있음
- 다양한 외부 요인들을 고려하지 않음
결론 :
CAPM은 투자자들이 주식의 기대수익률을 예측하는 데 유용한 도구입니다.
위 예시에서 보았듯이, 주어진 데이터를 바탕으로 체계적인 분석을 통해 특정 주식의 기대수익률을 계산할 수 있습니다.
그러나 이 모델의 한계를 인식하고, 다른 분석 방법들과 함께 종합적으로 활용하는 것이 중요합니다.
투자 결정 시 CAPM을 통한 분석뿐만 아니라 기업의 재무상태, 산업 동향, 경제 상황 등 다양한 요소를 고려해야 합니다.
정확한 기대수익률 예측은 효과적인 포트폴리오 관리와 리스크 최소화에 큰 도움이 될 것입니다.
-
25
댓글2
-
세상의모든계산기
일반 계산기 사용시
(√0.6 = 0.77459666924148)
0.77459666924148 × 0.35 → 0.27110883423452 ÷(√0.02 = 0.14142135623731) = 1.9170289512681
1.9170289512681 × 0.06 → 0.11502173707609 + 0.05 = 0.16502173707609※ 주의 : 일반 계산기의 【%】 버튼은 정해진 계산식에서 쓰는 Function(기능) 이므로,
단순히 퍼센트 단위를 입력하기 위해 【%】를 눌러서는 안 됨. -
세상의모든계산기
결정계수 vs 상관계수
결정계수와 상관계수는 통계에서 두 변수 간의 관계를 설명하는 중요한 개념입니다.
결정계수 (Coefficient of Determination, \(R^2\))
결정계수는 회귀 분석에서 주로 사용되며, 독립 변수(설명 변수)가 종속 변수(반응 변수)의 변동을 얼마나 설명하는지를 나타냅니다. 즉, **두 변수 사이의 관계가 얼마나 강한지**를 수치적으로 나타낸 값입니다. 결정계수는 0에서 1 사이의 값을 가지며, 1에 가까울수록 독립 변수가 종속 변수의 변동을 더 잘 설명한다는 의미입니다.- \( R^2 = 1 \)일 때, 모든 데이터 점이 회귀선 위에 정확히 일치하며, 독립 변수가 종속 변수를 완벽하게 설명한다는 뜻입니다.
- \( R^2 = 0 \)일 때, 독립 변수는 종속 변수의 변동을 전혀 설명하지 못합니다.위의 CAPM 예시에서 **결정계수 60%**는 A주식의 변동 중 60%가 시장의 변동으로 설명된다는 의미입니다.
상관계수 (Correlation Coefficient, \( \rho \))
상관계수는 두 변수 간의 선형적 관계를 나타내는 값입니다. 상관계수는 -1에서 1 사이의 값을 가지며, 두 변수 사이의 **연관성**을 측정합니다.- \( \rho = 1 \)일 때, 두 변수 간에 완벽한 양의 선형 관계가 있습니다.
- \( \rho = -1 \)일 때, 두 변수 간에 완벽한 음의 선형 관계가 있습니다.
- \( \rho = 0 \)일 때, 두 변수 간에는 선형적 관계가 없다는 것을 의미합니다.결정계수와 상관계수의 관계
결정계수는 상관계수의 제곱입니다. 즉, \(R^2 = \rho^2\)로 표현할 수 있습니다. 따라서 결정계수를 통해 상관계수를 구할 수 있고, 반대로 상관계수를 통해 결정계수를 구할 수 있습니다.예시
위 CAPM 예시에서 결정계수가 60%라고 했으므로, 상관계수 \( \rho \)는:\[
\rho = \sqrt{R^2} = \sqrt{0.60} \approx 0.7746
\]이 상관계수는 A주식과 시장 포트폴리오 간에 약 0.7746의 양의 상관관계가 있음을 의미합니다.
세상의모든계산기 님의 최근 댓글
- claude AI는 l-c*r^2 을 1-c*r^2 으로 잘못 읽고 표시하고 있습니다. - TI-nspire CAS 계산기에 l-c*r^2 ≥0 을 조건에 추가해 계산해 보아도 결과는 바뀌지 않습니다. 2026 07.20 ⚠️ 경고가 바로 두 번째 방법이 "성공"한 이유와 정확히 연결되어 있습니다. 경고의 의미 "Domain of the result might be larger than the domain of the input"는 CAS가 절댓값(모듈러스)을 계산하는 과정에서 원래 식보다 정의역이 더 넓은 형태로 단순화했다는 뜻입니다. 구체적으로 이 계산은 내부적으로 대략 이런 과정을 거칩니다. $$\left|\frac{er}{e\cdot r}\right| = \sqrt{\left(\frac{er}{e\cdot r}\right)\cdot\overline{\left(\frac{er}{e\cdot r}\right)}}$$ 즉 원래 식(복소수)과 그 켤레복소수를 곱해서 실수부·허수부 제곱합을 만들고, 거기에 다시 제곱근을 씌우는 과정입니다. 이 과정에서 √(x²) → x 또는 √a·√b → √(ab) 같은 규칙들이 쓰이는데, 이런 규칙들은 x가 실수이고 0 이상일 때만 엄밀하게 성립합니다. CAS는 이 조건들을 일일이 다 추적하지 않고 넘어가면서, 원래는 (e≠0, r+l·ω·i ≠ 0 등) 복소수 특유의 좁은 정의역을 가진 식을, r, l, ω가 어떤 실수여도(부호 무관하게) 정의되는 1/√(r²+l²·ω²)라는 더 넓은 정의역의 식으로 바꿔버린 것입니다. CAS는 이 손실을 감지하고 경고를 띄운 것입니다. 이게 왜 조건 대입 성공과 연결되는가 정리하면, 이 경고는 사실상 이런 뜻입니다. "나는 이 결과를 만들면서 원래 식이 가지고 있던 정의역 제약 정보(부호 조건, i 관련 조건 등)를 이미 버렸다." 바로 이 "정의역 정보를 버린" 상태가 이후 con_1 대입을 매끄럽게 만드는 원인입니다. 첫 번째 시도에서는 i가 살아있는 원래 식에 조건을 대입했기 때문에, CAS가 √(1-c·r²)이 실수인지(정의역 조건: 1-c·r² ≥ 0) 계속 추적하려고 했고, 그 정보가 con에 없어서 더 이상 정리를 못 하고 멈췄습니다. 두 번째 시도에서는 절댓값 계산 단계에서 이미 그런 세밀한 정의역 추적을 CAS 스스로 포기(단순화)했기 때문에, 이후 ω에 무리식을 대입해도 "이게 실수가 맞나?" 하는 검증 절차 없이 그냥 대수적으로 치환·정리해 버립니다. 그래서 깔끔하게 √c/√l이 나온 겁니다. 한 줄 요약 절댓값 계산 시 뜬 "정의역이 넓어졌을 수 있다"는 경고는, CAS가 그 순간에 원래 식의 엄밀한 조건(정의역)을 놓쳤다는 신호이고, 바로 그 "조건을 놓친 상태"이기 때문에 뒤에 이어지는 조건식 대입이 막힘없이 진행된 것입니다. 다만 그 대가로, 결과인 1/√(r²+l²·ω²)이나 최종 √c/√l이 원래 회로 조건(i≠0이 되는 경계, 분모가 0이 되는 경우 등)에서는 엄밀히 성립하지 않을 수 있다는 점은 감안하셔야 합니다. 실제 물리적으로는 r, l, c > 0이고 결과도 물리적으로 타당한 형태라 문제없어 보이지만, 수학적 엄밀성 측면에서는 "정의역이 넓어진 근사적 결과"라는 꼬리표가 붙어있는 셈입니다. 2026 07.20 Claude AI 답변 TI-Nspire CAS의 | (such that / 조건대입) 연산자는 대입 시점의 수식 형태를 그대로 두고 기호만 치환하는 연산입니다. 대입 후에 처음부터 다시 "실수부/허수부 분리, 유리화" 같은 재간소화를 자동으로 수행하지 않습니다. 이 차이가 지금 보신 결과 차이의 핵심입니다. 첫 번째 경우 (|er/(e·r)| | con_1 and con → 실패) 이 시점의 식은 아직 r + l·ω·i 형태의 복소수 그대로입니다 (i가 살아있음). 여기에 con_1: ω = √(1-c·r²)/(√c·l)을 대입하면, 분모 안에 i · √(1-c·r²) 라는 항이 새로 생깁니다. 문제는 CAS가 √(1-c·r²)이 실수인지(즉 1-c·r² ≥ 0인지) 판단할 근거가 없다는 겁니다. 저장해 두신 con 조건은 c>0, l>0, r>0뿐이고, 1-c·r²≥0이라는 조건은 포함되어 있지 않습니다. 그래서 CAS는 i와 이 무리식을 더 정리(유리화, 실수부·허수부 재결합)하지 못하고 있는 그대로 남겨둡니다. 결과에 여전히 i가 보이는 이유입니다. 두 번째 경우 (결과값 1/√(r²+l²·ω²)에 대입 → 성공) |er/(e·r)| (절댓값/모듈러스) 연산은 그 자체로 이미 "복소수 → 실수" 변환을 완료한 결과입니다. 즉 1/√(r²+l²·ω²)에는 더 이상 i가 없고, 순수하게 r, l, ω로만 이루어진 실수식입니다. 이 식에 ω = con_1을 대입하는 것은 그냥 실수 대수식에 실수 대입하는 것이므로, i와 무리식이 뒤엉키는 문제 자체가 발생하지 않습니다. 그래서 바로 깔끔하게 √c/√l로 정리됩니다. 정리하면 절댓값(모듈러스) 계산은 "이 값들이 실수다"라는 가정을 이미 내부적으로 써서 i를 제거하는 연산입니다. 그 연산을 조건 대입 이전에 해두면, 이후 대입은 단순 실수 대입이라 문제없이 정리됩니다. 반대로 i가 남아있는 식에 무리식을 포함한 조건을 먼저 대입하면, 그 무리식의 실수성/부호에 대한 가정이 없어서 CAS가 i를 소거하는 재간소화를 못 하고 멈춰버립니다. 실용적 팁: 복소식에 조건을 대입해야 할 때는 가능하면 절댓값·실수화(유리화) 등을 먼저 끝내서 i를 없앤 뒤 조건을 대입하거나, 대입 후 결과에 다시 simplify/expand/combine 같은 명령을 한 번 더 걸어주면 (필요한 도메인 조건과 함께) 정리가 되는 경우가 많습니다. 2026 07.19 저도 어림잡아 추측할 뿐이지 정확한 이유를 알지는 못합니다. 질문하신 사진을 그대로 (Gemini 3.5 Flash / ChatGPT / Claude Sonnet 5) AI에 넣어 보니 claude AI 가 제일 합리적인 답변을 주어서 이를 붙여 넣습니다. 2026 07.19 아 그렇네요. 감사합니다. ^^ 2026 04.28