[Python] 퀀트 투자 기법 적용 결과 (한국편)

퀀트 투자 기법 적용하기 (미국편) 에서 다루었던 동일한 기법을 적용할 거다.
미국편에서는 기법을 적용하면서 데이터 전처리까지 같이 설명하는 식이었는데, 한국편에서는 데이터를 수집할 때 이미 처리를 해서 가져왔기 때문에 기법만 적용하는 식으로 정리할까 한다.

기법도 이미 미국편을 참고하면 함수화되어 있어, 이번 포스팅에서는 함수 적용 후 결과를 살펴보자.

[미국편]

[Python] 퀀트 투자 기법 적용하기 Part 1. (미국편)

 

[Python] 퀀트 투자 기법 적용하기 Part 2. (미국편)

 

[한국편]

[Python] naver finance 에서 원하는 정보 긁어오기 Part 1. (한국편)

 

[Python] naver finance 에서 원하는 정보 긁어오기 Part 2. (한국편)

 

지난 포스팅을 보면 전체 코드를 돌렸을 때 반환되는 데이터의 형태는 아래와 같았다.

 

all_df = pd.DataFrame(tmp, columns=['PER', 'PBR', 'PSR', 'MarketCap', 'CurrentAssets', 'TotalLiabilities', 'DebtRatio', 'ROA', 'NetIncome', 'GP/A'])

여기서 우리가 아는 기법들을 적용하는 함수를 정의해보자.

방법론 1) Graham

def graham(df):
    graham_df = df[(df['ROA'] > 5) & (df['PBR'] > 0.2) & (df['DebtRatio'] < 50)].sort_values('PBR')
    
    return graham_df

방법론 2) NCAV

def ncav(df):
    filtered_df = df[(df['PER'] > 0.2) & (df['PER'] < 5) & (df['NetIncome'] > 0)]    
    tight_ncav = filtered_df[filtered_df['CurrentAssets'] - filtered_df['TotalLiabilities'] > filtered_df['MarketCap']]
    #loose_ncav = filtered_df[(filtered_df['CurrentAssets'] - filtered_df['TotalLiabilities']) * 0.85 > filtered_df['MarketCap']]

    return tight_ncav

방법론 3) 3P Combo

from scipy.stats import rankdata

def combo_3p(df):
    per_rank = list(rankdata(list(df['PER'])))
    pbr_rank = list(rankdata(list(df['PBR'])))
    psr_rank = list(rankdata(list(df['PSR'])))
    
    ele = [x + y + z for x, y, z in zip(per_rank, pbr_rank, psr_rank)]
    
    # 따로 rank 값을 정규화하진 않았다. (rank 차이가 중요한 것이 아니라 순서만 활용하므로)
    df['Rank'] = ele
    df.sort_values(['Rank'], inplace=True)
    
    return df

방법론 4) PBR + GP/A

def pbr_gpa(df):
    per_rank = list(rankdata(list(df['PBR'])))
    
    # 결과를 reverse 하기 위해 전체 데이터 갯수에서 rank 를 뺌 (rankdata 값은 전체 데이터 갯수보다 크지 않음)
    gpa_rank = list(len(df['GP/A']) - rankdata(list(df['GP/A'].astype(int))))
        
    ele = [x + y for x, y in zip(per_rank, gpa_rank)]
    
    df['Rank2'] = ele
    df.sort_values(['Rank2'], inplace=True)
    
    return df

 

[종합 결과 해석]
총 4가지 투자 기법들을 모두 만족하는 (AND 조건) 종목들을 추려보면 아래와 같다.
여기서 Graham 과 NCAV 기법은 Y/N 로 이분법적인 결과를 반환하지만, 3P Combo 와 PBR + GP/A 기법은 rank 값으로 반환하기 때문에 상위 500 개 종목 기준으로 추려냈다.
(전체 종목이 2,000 여개이기 때문에 25% 정도로 추려냄)

퀀트 기법 적용 결과

위의 종목들을 분야별로 쪼개서 보면, 아래의 pie chart 와 같다.
분기별 데이터가 아닌 연간 데이터로 투자 기법을 적용했기 때문에 2021년 12월 데이터가 반영된 것을 감안하면, 이슈가 되었던 분야였던 것은 맞는 것 같다. (인플레이션이나 자동차 수급 문제)

종목 분야별 비율

철강 쪽은 명확하게는 모르겠지만 원자재 수급 문제로 인한 것이 아닐까 추측해본다.
전체 raw data 는 google spread sheet 로 공유하니, 한 번 둘러보는 것도 좋을 듯 하다.
(참고. 따로 null 값에 대한 전처리 등은 진행하지 않고 추출한 그대로의 raw data 이며, 비율값을 제외한 데이터 단위는 "억원" 입니다.)

https://docs.google.com/spreadsheets/d/11iuRKkcI0iWGaZrCLB5dQKn8UW8BYm61KZo7gJeOqoE/edit?usp=sharing

QuantAnalysis_Example_Results