- 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 2559 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
본문의 변환 위젯에 사용된 전서체 폰트는 대만의 최고 학술 연구 기관인 중앙연구원(Academia Sinica)에서 제공하는 ‘숭희전체(崇羲篆體)’로 전통 한자 서체인 소전(小篆)을 현대 컴퓨터 폰트(글꼴)로 구축한 오픈소스 프로젝트로 개발되었습니다. https://xiaoxue.iis.sinica.edu.tw/chongxi/download.htm 2026 10.20 예제1) 예제2) 예제3) 추가옵션 2026 10.18 PC 소프트웨어에서 script Editor 로 소스코드를 쉽게 복사 -> AI에게 문의/개선요청 할 수 있습니다. 잘 되거나, 잘 안되는 부분이 있으면 대댓글 남겨주세요. 2026 10.16 AI로 딸깍하니까, lua 프로그램으로 바꿔주네요. 세상 참... 본문의 ti-basic 기반으로 만들었고, 서로 문제를 일으킬 수 있을 듯 하여 별개의 파일로 작성하였습니다. 1.1 Page : 설명 1.2 Page : 그래프 1.3 Page : Calculator 사용법 Root Locus 1+K*N/D=0 EX: (6s^2+5s+2)/(6s^3(s^2+7s+16)) INPUT (Calculator page 1.3 ): rl_num:={6,5,2} rl_den:={6,42,96,0,0,0} or num(6s^2+5s+2) den(6s^3(s^2+7s+16)) optional: rl_T:=10 rl_D:=1 Coeffs are descending powers of s. Back on graph page it refreshes itself, else press [r] or [enter]. KEYS: [+] [-] Kmax zoom, [0] reset, [r] reload MARKS: x=pole, o=zero, red line=real axis, gray dash=asymptote, box=break pt, diamond=j-cross VARS: rl_Kmax rl_sigma rl_r rl_JK rl_Jw 첨부파일 rlocus_lua.tns 2026 10.16 링크가 깨졌다고 하시니 404 에러가 나는 아래 링크를 말씀하시는 것 같은데 https://digilander.libero.it/fpirozzi/fourier.zip 이것은 TI-89 / TI-92 용 파일이며 [TI-92][TI-89] Fourier Transform Library https://allcalc.org/52455 링크의 Attached files + 안에 있습니다. 2026 09.11