우량주를 찾는 기술 (ROA, ROE, RIM) [슬기로운 퀀트투자 6장(feat. finterstellar)]

 

미국 주식으로 시작하는 슬기로운 퀀트투자

이 책은 서학개미를 위한 미국 주식 퀀트투자 입문+실습서이다. 퀀트투자는 수학적, 통계적 기법을 활용해 투자 종목을 발굴하는 투자 방법이다. 퀀트투자 전략을 만들기 위해서는 유명한 전략들이 어떻게 만들어졌는지 개념을 이해하고, 어떻게 구현됐는지 기본기를 따라 하며 배워야 한다. 다만 투자 대가들의 전략을 소개한 책은 쉽게 찾아볼 수 있지만, 그 전략을 구현한 기술적인 방법을 담은 책은 매우 찾아보기 어렵다. 또한 퀀트투자 전략을 공부하기 위해서는 코딩이나 수학 등 부가적인 배경지식이 필요하다. 이 책은 이미 잘 알려진 투자 대가들의 전략을 소개하고 자신의 컴퓨터에서 이 전략을 구현해보며 응용하는 방법을 알려준다. 책을 따라 미국 주식 퀀트투자 과정을 배우고 나면 자신만의 투자 전략을 스스로 개발할 수 있을 것이다.

저자

김용환, Yubin Kim

출판

한빛미디어

출판일

2021.09.30

 - 책 내용을 계속 따라가고 있다. 앞 내용이 궁금하시다면 맨 아래 포스팅들을 참고부탁드립니다. (핀터스텔라 만세)

 

 

● ROA ROE RIM GP/A 

 우량주는 기업 자체의 수익성이 좋은지 안전한지 등을 따지는 개념이다. 수익성과 안전성을 판단한다. 이 중에는 고평가 된 것이 있을 수도 있고 저평가된 것이 있을 수도 있다. 

 

 분석하는 방법이 사람마다 다르지만 투자 효율이 좋은 기업을 판단해 볼 수 있다. 1억 원을 벌어도 10억 원을 투자한 기업과 100억 원을 투자한 기업의 효율은 10억 원의 1억이 더 큰 셈인 것이기 때문이다.

 

 ROA는 Return on Asset의 약자로 (당기순이익) / (평균 총 자산)으로 평가된다. (자산은 부채 + 자본의 합) ROE는 순자산인 자본으로 평가하는데 (당기순이익) / (평균총자본)으로 평가된다. 

 

 ROA와 ROE의 차이는 기업이 레버리지를 얼마나 잘 활용하는지 보여주는 것이고, ROE/ROA = 레버리지 비율로 볼 수 있다. ( * (당기순이익)/(평균총자본) = (당기순이익)/(평균총자산) * (평균총자산)/평균총자본) = (당기순이익)/(평균총자산) * (자본+부채)/(평균총자본) = ROA * (레버리지 비율) ) 

 

 ROA는 비슷한데, ROE가 큰 기업이면 그 기업은 부채를 잘 활용하는 기업이다. ROE와 부채비율은 양날의 검인 긴 하다. 무조건 크다고 좋은 것은 아님. TXN으로 체크해 보자

 

pip install finterstellar
import finterstellar as fs
df=fs.fn_single(otp='OTP', symbol='TXN', window='T')

 

ROA에는 Net income (수익), Total Assets(자산)가 필요하고 ROE에는 Net Income과 Share holders equity(자본)가 필요하다. 

 

fs.draw_chart(df,left=['Total Assets','Shareholders Equity'],right='Net Income')

 

ROA와 ROE를 구하기 전에, 자산의 기초자산과 기말자산의 평균값을 구해야 한다. 분기별로 회계자료를 산출하는데, 있는 그대로의 숫자를 사용하면 오류가 생길 수 있어서 통상 위와 같이 계산한다고 한다.

 

#전년도 총 자산, 최근 5개 분기 도시
df['Total Assets'].tail()

#shift 함수로 데이터프레임의 데이터를 괄호 안에 표시한 숫자 만큼 밀어냄
df['Total Assets'].shift(4).tail()

#기초 자산과 기말자산의 평균값 구하기
df['Avg Assets'] = (df['Total Assets'] + df['Total Assets'].shift(4) ) /2

#ROA 계산
df['ROA']=df['Net Income']/df['Avg Assets']

#ROA와 수익과 자산 dataframe 값 확인
df[['ROA','Net Income','Avg Assets']].tail()

#ROA와 주가 확인
fs.draw_chart(df, left='ROA', right='Price')

ROA와 TXN 주가 사이와의 관계

 

TXN 같은 경우는 ROA와 주가와의 연관성이 조금 있어 보인다. ROE도 비슷한 방법으로 구하면 된다.

#전년도 총 자산, 최근 5개 분기 도시
df['Total Assets'].tail()

#shift 함수로 데이터프레임의 데이터를 괄호 안에 표시한 숫자 만큼 밀어냄
df['Total Assets'].shift(4).tail()

#기초 자본과 기말자본의 평균값 구하기
df['Avg Equity'] = (df['Shareholders Equity'] + df['Shareholders Equity'].shift(4) ) /2

#ROE 계산
df['ROE']=df['Net Income']/df['Avg Equity']

#ROA와 수익과 자산 dataframe 값 확인
df[['ROE','Net Income','Avg Assets']].tail()

#ROE와 주가 확인
fs.draw_chart(df, left='ROE', right='Price')

ROE와 주가와의 관계

TXN 같은 경우에는 ROE와 주가와의 관계도 꽤 연관성이 있다. ROA와 ROE가 높은 상위 종목에 투자하는 아이디어로 전략을 짜서 백테스트를 돌려보자. 

 

terms=fs.set_terms(trade_start='2011Q1', trade_end='2023Q1')
data={}
for t in terms : 
  data[t]=fs.fn_consolidated(otp='otp',term=t)

#prev_t에다가 quarters_before()함수를 이용해 4분기 전 값을 받아옴
for t in terms:
  prev_t=fs.quarters_before(terms, t, 4)
  data[t]['Avg Assets']= (data[t]['Total Assets'] + data[prev_t]['Total Assets'])/2
  data[t]['ROA']=data[t]['Net Income'] / data[t]['Avg Assets']
  #수익 자산 ROA 중에 하나라도 0이면 nan으로 처리함.
  data[t].loc[(data[t]['Net Income']<0) | data[t]['Avg Assets']<0 | (data[t]['Total Assets']<0), 'ROA'] = float('nan')
  
s= {}
signal = {}
for t in terms :
 s[t] = fs.fn_filter(data[t],by='ROA',floor=0,n=30,asc=False)
 signal[t] =list(s[t].index)
 
#백테스트 
df=fs.backtest(signal=signal, data=data, m=3, cost=0.001)

CAGR: 2.08%
Accumulated return: 28.11%
Investment period: 12.0yrs
Sharpe ratio: 0.11
MDD: -27.74%

그저 그런 수익률과 전략이다. ROA 높은 종목 30개를 모아서 3개월마다 리벨런싱을 해줬는데, 12년에 연평균 복리수익률 2.08%라니, 예금이 훨씬 이득이다.

 

 ROE로도 결과를 확인해 보자 

for t in terms:
  prev_t=fs.quarters_before(terms,t,4)
  data[t]['Avg Equity'] = (data[t]['Shareholders Equity']+data[prev_t]['Shareholders Equity'])/2
  data[t]['ROE']=data[t]['Net Income'] / data[t]['Avg Equity']
  data[t].loc[(data[t]['Net Income']<0) | data[t]['Avg Equity']<0 | (data[t]['Shareholders Equity']<0), 'ROE'] = float('nan')
  s[t]=fs.fn_filter(data[t], by='ROE',floor=0, n=30, asc=False)
  signal[t] = list(s[t].index)

df=fs.backtest(signal=signal, data=data, m=3, cost=0.001)

CAGR: 21.81%
Accumulated return: 968.63%
Investment period: 12.0yrs
Sharpe ratio: 2.47
MDD: -26.65%

 ROE로 30개 종목을 추려 투자를 했으면 투자  성과가 매우 상당히 좋다. signal 데이터 프레임을 쳐보면 각 분기에 어떤 종목을 가지고 있어야 하는지 나오게 된다. 가끔 아는 기업이 나오기도 하는데, 대부분 모르는 기업이다. 아마도 부채비율이 높은 중소형 기업이 많이 섞여 있어서 그런 것 같다.

● RIM(잔여이익모델)

  RIM은 Residual Income Model이라고 하는데, 사경인 회계사가 유행시킨 방법이다. BBB-등급 채권의 5년 수익률을 기준으로 하여 기업의 주가를 산정하는 방식이다. 초과이익은 기업의 이익에서 자본 조달비용을 뺀다면 초과이익이라고 일단 산정할 수 있다. (번 돈에서 내가 넣은 돈을 뺀 값)

 

초과이익 = 이익 - 자본조달비용

 

 이렇게 구한 초과이익은 기업에 계속 쌓이게 되는데, 기업의 가치는 현재 가진 자본에 앞으로 쌓아갈 초과이익을 더한 값이라고 계산할 수 있다.

 

기업가치 = 자본 + 초과이익

 

 초과이익은 계속 발생할 테니, 앞으로 발생할 이익을 모두 더해주어 현재 가치로 환산하여 더해준다. 내가 돈을 그냥 BBB-등급 채권 5년에다가 넣으면 그 목표수익률을 얻을 것이니, 그것을 목표수익률로 하여 현재가치로 초과수익을 환산한다.

 

기업가치 = 자본 + 초과수익/목표수익률

기업가치 = 자본 +(이익 - 자본조달비용)/목표수익률

 

이때, 원래 자본에 자본의 이익률을 곱하면 이익이고 (이익 = 자본*자본이익률), 자본조달비용을 기업 하지 말고 그냥 채권에 놔두었으면 얻을 수 있는 자본조달비용은 자본*목표수익률이라고 치환할 수 있다고 한다고 이해했다.

 

= 자본 + ((자본 x자본이익률) - (자본 x목표수익률))/(목표수익률)

= 자본 + (자본*자본이익률)/목표수익률 - (자본 x목표수익률)/목표수익률

= 자본*자본이익률/목표수익률

 

여기서 양 변을 주식 수로 나누면

 

기업가치/주식수 = 자본/주식수 * 자본이익률/목표수익률

적정주가 = (주당 순자산) * 자본이익률 / 목표수익률

적정주가 = BPS* 자본이익률/목표수익률

 

자본/주식수과 (자산+부채)/주식수가 조금 다른 것 같긴 하지만 책에서는 이렇게 소개하고 있다. 여기서, RIM의 강점은 BPS와 자본이익률(ROE)로 단순히 계산할 수 있다는 점인데, 단점은 ROE를 어떤 값을 사용하느냐에 따라 값에 큰 영향을 미친다. (3년 or 5년 or 1년 등)

 

 이번 지표 산출은 나의 아픈 손가락 월트디즈니로 해보겠다. 

 

df=fs.fn_single(otp='OTP',symbol='DIS',window='T')
df['BPS']=df['Shareholders Equity']/ df['Shares']
df['ROE']=df['Net Income'] / df['Shareholders Equity']

#ROE를 3년간 이동평균을 구해서 좀 더 안정적인 수치를 갖다 쓰자
#rolling(12)는 여기서 1이 분기단위의 데이터라 3년치면 12분기가 필요해서 그렇다.
#수익률 10%부터 6%까지 그려서 BAND로 그래프 그려보기

df['ROE3AVG']=df['ROE'].rolling(12).mean()
df['RIM']=df['BPS']*df['ROE3AVG']/0.1
df['RIM6']=df['BPS']*df['ROE3AVG']/0.06
df['RIM7']=df['BPS']*df['ROE3AVG']/0.07
df['RIM8']=df['BPS']*df['ROE3AVG']/0.08
fs.draw_chart(df,right=['Price','RIM','RIM6','RIM7','RIM8'])

 

 RIM을 이용하여 적정주가보다 실제 주가가 낮으면 주가가 저평가된 상태로 매수하고 그렇지 않으면 매도하는 전략으로 백테스트를 해본다. 

 

terms=fs.set_terms(trade_start='2011Q1', trade_end='2023Q1')
data={}
for t in terms : 
  data[t]=fs.fn_consolidated(otp='otp',term=t)
  
s={}
signal={}
for t in terms : 
 #1년전 data
 t_1 = fs.quarters_before(terms, t, 4)
 #2년전 data
 t_2 = fs.quarters_before(terms, t, 8)
 
 #BPS 구하기
 data[t]['BPS']=data[t]['Shareholders Equity'] / data[t]['Shares']
 
 #자본 평균
 data[t]['Avg Equity'] = (data[t]['Shareholders Equity']+data[t_1]['Shareholders Equity'])/2
 
 #ROE구하기
 data[t]['ROE']=data[t]['Net Income'] / data[t]['Avg Equity']
 
 #0되면 뺴는 예외처리
 data[t].loc[(data[t]['Net Income']<0) | (data[t]['Avg Equity']<0) | (data[t]['Shareholders Equity']<0), 'ROE'] = float('nan')
 
 #ROE의 평균 구하기 위함, 3년치 ROE의 평균
 data[t]['Avg ROE'] = ( data[t]['ROE'] + data[t_1]['ROE'] + data[t_2]['ROE']) /3
 
 #목표수익률 10%로 하여 RIM구함
 data[t]['RIM'] = data[t]['BPS'] * data[t]['Avg ROE'] /0.1
 
 #가격/RIM 하는 시그널에 쓸 재료
 data[t]['P/RIM']=data[t]['Price_M3'] / data[t]['RIM']

 #30개 종목추리기
 s[t]=fs.fn_filter(data[t], by='P/RIM', floor=0, cap=1, n=30, asc=True)
 signal[t] = list(s[t].index)

#백테스트
df=fs.backtest(signal=signal, data=data, m=3, cost=0.001)

 

뭐.. 그냥 그런 수준이 나왔다. 

 

CAGR: 5.99%
Accumulated return: 101.12%
Investment period: 12.0yrs
Sharpe ratio: 0.34
MDD: -36.07%

 

 

EV/EBITA EV/Sales, NCAV(안전마진, 1170%의 수익률), PEG(주가수익성장비율)로 백테스트 해보기 (feat. 핀터

 

가치지표 결합하기 (PER , PBR 등) - 파이썬 Finterstellar 모듈 활용하기

 

미국주식으로 시작하는 슬기로운 퀀트투자 5장(1) - 가치주를 찾는 기술 (feat. PER Band Chart 핀터스

 

단기 투자의 기술 편 (보조지표를 통한 백테스팅) - 슬기로운 퀀트투자 3장

 

슬기로운 퀀트투자 - 2장 일단 해보자 편