금융시장과 거시경제변수의 연계성을 고려한 부동산 펀드 수익률의 변동요인 분석:

부동산 펀드(real estate fund)에 관한 정의 및 내용은 「자본시장과 금융투자업에 관한 법률(이하 “자본시장법”)」에서 찾을 수 있다.

2009년 2월 4일부터 시행된 자본시장법은 구(舊) 「간접투자자산 운용법」이 흡수·귀속되면서 기존의 ‘간접투자(indirect investment)’ 용어 대신 ‘집합투자(collective investment)’의 개념이 도입되었고, 이에 따라 ‘부동산간접투자기구’는 ‘부동산집합투자기구(이하 “부동산 펀드”)⁵⁾’로 재정립되었다. 즉, 부동산 펀드는 다수 투자자로부터 자금을 모아서 공동기금을 조성하고 전문적인 투자기관에 맡긴 후 펀드 재산의 50%를 초과하여 부동산 또는 관련 자산 등에 투자하고 그 운용 성과에 따라 수익을 투자자에게 분배하는 구조를 갖는다.

<표 1>과 같이 투자대상에 따라 임대형, 개발형, 대출형, 증권형, 파생상품형, 경·공매형, 권리형 등으로 구분할 수 있다.

펀드는 자금의 모집방식에 따라 공모와 사모로 구분된다.

부동산 공모펀드는 50인 이상 불특정 다수를 대상으로 투자자를 공개 모집하고, 홈페이지를 통한 정기·수시 공시가 필요하다. 펀드의 특성에 따라 투자금액은 제한 없으나 결산 시 회계감사를 실시하는 등 법률 및 규정의 제한이 존재한다.⁶⁾ 반면, 사모펀드는 비공개 방식으로 50인 미만의 투자자를 모집한다. 공시 의무가 없는 대신 투자자 개별 통지가 가능하며 1억 원 이상의 투자금액과 감사 의무가 존재하지 않는다는 점⁷⁾ 등으로 인해 국내 부동산 펀드는 대부분 사모펀드형으로 설정된다.

또한, 운영 방식에 따라 투자 신탁형(investment trust), 투자회사(invest company), 투자유한회사(limited company) 등의 형태로 구분되며 국내 부동산 펀드는 대부분 투자신탁의 형태로 운영된다.

투자신탁형 펀드는 집합투자업자가 판매회사를 통하거나 직접 투자자로부터 자금을 모집하고, 신탁업자에게 부동산집합투자기구의 자산을 보관하여 집합투자업자의 지시에 따라 취득 운용된 부동산으로부터 발생하는 수익을 투자자에게 배당하는 운영구조를 가지며 투자의 투명성 확보 및 공정성을 위해 집합투자기구 평가회사, 채권평가회사 등 유관기관들의 역할이 요구된다.

<표 2>는 공·사모 및 운영 방식에 따른 국내 부동산 펀드 수(비율)를 나타낸다.

2004년 공모펀드는 63개, 사모펀드는 24개로 발행되었으며 모두 투자신탁형으로 운영되었다. 2005년 투자회사형 공모펀드가 첫 발행되었으나 이후 감소하여 2012년부터는 투자신탁형 펀드로만 운영되었고, 공모펀드 수도 지속적으로 감소하여 2023년 총 49개, 총 부동산 펀드 중 0.5%를 차지하였다. 반면 사모펀드는 2008년부터 투자회사 운영방식이 도입되었으나 증감폭은 미미한 실정이었다.

이후 2017년부터 사모펀드의 투자회사 운영방식이 점차적으로 증가하여 2023년 총 부동산 펀드 중 1,353개, 14.6%를 차지하였다. 또한 사모펀드는 공모펀드와 다르게 투자유한회사의 운영형태를 볼 수 있는데, 2014년 70개를 발행하고, 지속적으로 증가하여 2022년은 732개, 2023년은 741개를 운영하였다.

펀드 발행 초기에는 국내부동산을 대상으로 투자자산이 구성되었으나 주식시장이 불안정한 박스권 장세와 저금리 기조가 지속되면서 기관투자자를 앞세운 대체투자의 일환으로 해외부동산에 대한 투자가 시도되었다(주택도시보증공사, 2023).

<표 3>을 살펴보면 2006년 해외 부동산 펀드는 순자산규모 29백억 원(전체 비율 중 7%)에 불과하였으나 2023년 말에는 7,712백억 원으로 성장하였다. 그러나 해당기간 동안 지속적인 증가 추세를 보였다기보다는 2019년을 기점으로 해외부동산 펀드의 순자산총액은 감소형태를 보여주고 있으며, 반면 동 시기에 국내부동산펀드의 순자산총액은 증가하였다. 이는 금리 변동성에 따라 부동산 펀드의 투자 대상이 해외보다는 국내에 더 집중되는 투자현상으로 볼 수 있다.

부동산 펀드의 성과에 관한 기존 연구는 펀드의 성과측정 변수를 내·외부적 요소로 구분하여 진행되었다. 내부적 요소는 운용 규모, 운영 기간, 펀드 매니저 보수 및 수수료 등을 의미하고 외부적 요소는 거시경제 변수 등을 말한다.

먼저 최진하·전재범(2016)은 부동산 펀드의 설정 및 운용현황을 바탕으로 공모형과 사모형 부동산 펀드의 시장 규모 및 성장세를 비교하여 공모형 부동산 펀드가 크게 정체되어 있는 점을 확인하고, 해당 펀드의 활성화가 저해된 원인들을 분석하였다. 같은 맥락에서 유상철·방경식(2011)은 펀드의 활성화 저해된 원인을 간접투자기구의 이원화, 소액투자자를 위한 공모형 펀드의 낮은 비중에서 찾았던 반면, 저자는 판매보수를 일반투자자의 펀드가입 저해 요인으로 보고, 판매보수가 운용보수를 초과할 수 없도록 규제방안의 필요성을 주장하였다. 마찬가지로 강원(2009)은 공모형 부동산 펀드만을 실증 분석했으나 임대형과 대출형 펀드로 구분하여 차별성을 두었다. 그 결과 임대형 부동산 펀드 수익률과 운용보수 간의 유의미한 음(‒)의 관계, 대출형 부동산 펀드 수익률과 운용기간 간의 유의미한 양(+)의 관계임을 밝혀냈다. 또한 임대형 부동산 펀드의 규모와 수익률은 음(‒)의 관계, 대출형 부동산 펀드는 양(+)의 관계를 나타냈다.

그러나 김은주 외(2009)의 연구는 실증분석을 통해 규모와 성과 간 양(+)의 관계임을 나타내는 ‘규모의 경제’가 국내 부동산 펀드에서는 나타나지 않음을 확인하였다. 저자는 이를 펀드규모의 증가에 따라 미운용자금도 증가할 수 있기 때문에 그 결과 목표 수익률을 달성할 수 없게 되어 규모와 성과는 음(‒)의 관계가 나타난 것으로 해석하였다. 또한 ‘펀드의 운용기간이 길어질수록 투자자산의 가치가 점차 증가하게 되고 그에 관한 매각차익 또한 증대할 것이다’라는 가설을 지지하였다.

그 외에도 외부적 요소를 고려하여 공모형 부동산 펀드의 수익률에 미치는 영향을 확인하는 연구도 살펴볼 수 있다. 대개 연구는 거시경제를 고려하여 진행되었으며 이와 마찬가지로 김종원·최민섭(2013)의 연구에서도 부동산 시장을 고립적인 시장으로 보지 않고 다른 자산시장 또는 경제시스템, 국가 간 통화가치와의 연계성을 근거로 두어 연구를 수행하였다. 저자는 펀드의 수익률에 영향을 미치는 요인을 거시경제변수와의 관계에서 규명하고자 시도하였으나 각 자본시장의 영향이 집대성되는 부동산 펀드의 과거 수익률이 가장 큰 영향을 독립변수임을 확인하였다.

남연우·고석찬(2015)은 이전 연구와 다르게 단순히 펀드 수익률에 영향을 미치는 거시경제 요인뿐만 아니라 금융위기를 전·후 시기별 펀드의 특성 변화에 주목하였음을 차별성으로 두고 있다. 저자는 김종원·최민섭(2013)의 연구 결과와 마찬가지로 금융위기 이후 임대형 부동산 펀드 과거 수익률인 자체변수의 높은 영향력으로 인해 거시경제변수들의 영향력이 축소되었다는 점을 확인하였다. 또한, 미국 S&P500지수의 수익률이 금융위기 이후 영향력이 증대되었음을 확인함으로서 국가 간 경제시장이 연계되어 있고 부동산 펀드의 성과에 유의미한 존재를 지니고 있음을 나타냈다.

부동산 펀드의 수익률을 부동산 성과의 대표변수로 지정하는 것은 동일하나 경제변수와 위험을 고려한 연구도 지속적으로 진행되어 왔다. 송요섭·이용만(2011)의 연구는 효율적 자본시장의 이론에서 출발하여 위험을 고려한 성과측정에 중점을 두고 있다. 특히 본 연구와 연관성이 높은 거시경제변수를 적용하여 초과수익을 측정한 부분을 살펴볼 수 있다. 저자는 공·사모형, 대출채권·임대형으로 구분하여 총 8개의 유형⁸⁾을 분석하였으며 그 결과, 코스피지수와 회사채수익률을 벤치마크 지수로 두었을 때 공모·임대형 펀드의 초과수익률이 가장 높게 나타났다. 또한 거시경제변수보다는 벤치마크 초과수익률이 더 낮기 때문에 상대적으로 큰 영향을 받았다. 이는 부동산만의 특성인 고유성이 반영된 결과임을 명시하였다.

이후 민성훈(2020)의 연구에서도 펀드의 유형별 수익위험 특성과 동적상호작용을 분석하였다. 저자는 송요섭·이용만(2011)과 같은 맥락으로 연구를 진행했으나 해외 부동산 펀드를 적용하고, 거시경제변수를 배제했다는 점에서 차이가 있다. 분석 결과, 위험조정수익률 관점에서 임대형, 해외형, 대출형 순서로 수익위험 특성에 차이를 보이며, 위험의 크기에 비례하여 수익률이 높은 합리적인 모습을 나타냈음을 보여주었다.

본 연구는 기존 연구와 마찬가지로 부동산 펀드의 성과를 분석함에 있어 금융시장 및 거시경제변수 간의 상호 연계성을 고려하였으나, 금융시장을 부동산, 주식, 채권, 신용시장으로 구체적으로 세분화하고, 각 시장에서 대표적인 거시경제 변수를 별도로 선정하여 분석했다는 점에 연구의 차별성을 둔다. 이를 통해 개별 시장과 부동산 펀드 성과 간의 구체적인 연계성을 보다 명확히 도출할 수 있으며, 금융시장의 복합적인 영향이 부동산 펀드 성과에 미치는 영향을 종합적으로 분석하였다.

따라서 본 연구는 금융시장 세분화에 따른 부동산 펀드 성과 분석의 새로운 틀을 제공하며, 향후 부동산 간접투자 활성화 및 전략 수립에 중요한 기여를 할 수 있을 것으로 기대된다.

본 연구는 2020년 2월부터 2024년 2월까지 국내의 공모·임대형 부동산 펀드를 대상으로 한 49개의 월별데이터를 적용하였다.

금융투자협회(2024)는 전자공시서비스를 통해 부동산 펀드의 수익률 및 정보를 의무 공시하고 있으며(’24년 3월 기준) 16개의 자산운용사에서 운용하고 있는 총 52개 공모 부동산 펀드 중 해외 투자펀드는 33개, 혼합형 투자펀드는 6개, 국내 투자펀드는 13개로 확인되었다. 저자는 투자 대상에 따라 임대형 펀드, 주식형 펀드, ETF 펀드로 구분하고 본 연구의 목적에 맞게 ETF 펀드, 주식형 펀드, 임대형 펀드의 재간접형을 제외⁹⁾하여, 운용규모 30억 원 이상·운용기간은 최소 3년 이상인 국내 공모·임대형 펀드 총 6개¹⁰⁾의 수익률을 산정하여 데이터로 구축하였다.¹¹⁾

Ri_m: fund(i), time(m) monthly rate of return

Pi_m: fund(i), time(m) standard price

앞 장에서 언급한 바와 같이 사모 부동산 펀드는 그 특성상 비공개 방식으로 투자자를 모집하고 공시의무가 제외되는 등 정보공개의 제약이 존재하고, 부동산 펀드의 순자산가치 비중이 50% 이상을 차지하는 임대형 펀드만을 적용하여 자료구축에 제한을 두었다.

각 펀드의 수익률은 (식 1)과 같이 단위기간의 기초시점 기준가격과 기말시점 기준가격의 차이를 기초시점 기준가격으로 나누어 계산한다(남연우·고석찬, 2015). 여기서 기준가격이란 특정시점의 자산총액에서 부채총액을 차감한 후 집합투자증권 발행 총수로 나눈 1좌당 가격을 말한다. 수익률은 기준가격을 가공하여 산출한 변수로서 단위기간(1개월)에 관한 수익성의 방향 또는 정도를 확인할 수 있다.¹²⁾

본 연구를 위해 금융시장은 신용시장과 자산시장으로 구분하고, 자산시장은 채권시장, 주식시장, 부동산시장으로 구분하였다. 부동산 PF대출과 유동화 증권 부실화 등 금융기관의 자산건전성 유동성 등이 신용시장과 밀접하게 연관되어 있다. 또한 신용스프레드는 국고채와 회사채의 차이를 나타내며 그 차이가 확대될수록 기업의 자금조달비용이 높고 신용 위험도가 증대됨을 말한다. 이는 신용스프레드가 미래시장의 예측력을 확인할 수 있는 유의미한 변수임을 나타내준다(최종범 외, 2005). 이에 신용시장은 신용레버리지, 주식시장은 KOSPI 증가율과 채권시장은 신용스프레드를 대표변수로 적용하였다(<표 4>).

부동산시장을 나타내는 임대가격지수는 본 연구에 적용된 부동산 펀드의 임대 자산의 특성¹³⁾에 따라 수도권·상업용 부동산으로 지정하였다. 임대가격지수는 기준시점(21년 4/4분기)대비 표본건물 기준층의 시장임대료를 이용해서 산출한다.¹⁴⁾

벡터자기회귀모형(VAR)은 2개 이상의 내생변수의 동적변화를 모형화함으로서 정책현상을 이해하기 위한 다양한 이론적 접근의 가능성이 강조되기 때문에 이론의 타당성 검증이 가능하고 활용성이 높다(김은미·김시언, 2019).

다변량 분석 시 예측할 변수의 과거데이터뿐만아니라 상호 의존성도 고려해야 하는데, 본 연구는 예측과 특정 변수의 일시적 충격에 대한 효과를 모델링 하기 위해 연립방정식 체계로 구성된 VAR 모형을 적용하였다.

이를 위해 본 연구는 분석대상 변수(자신의 시차변수와 여타 변수의 시차변수)를 모두 내생변수로 취급하여 함수로 설정하였으며, (식 2)와 같다.

VAR 모형은 시계열의 안정성(stationary) 검정 및 내생성(endogeneity) 수준이 중요한 영향을 미치므로 본 연구는 단위근 검정과 Granger 인과관계 검정 등을 선행하여 추정모형의 배열을 결정한 후 분석을 시행하고자 한다. 또한 모형의 적정차수 결정을 위해 총 4개(Akaike information criteria, AIC; Schwartz Bayesian criteria, SC; Hannan-Quinn, HQ; final prediction error, FPE)의 정보기준을 수행하고 그 정보기준값에 따라 적정 차수를 도출한다.

본 연구를 위해 2020년 2월부터 2024년 2월까지 총 49개의 월별데이터를 구축하였으며, 데이터의 정규분포 가정 성립을 위한 기초통계량 검정과 Jarque-Bera 검정을 시행하였다. Jarque-Bera 검정은 시계열 분석에서 데이터의 왜도와 첨도가 정규분포와 일치하는지 판단하여 데이터 정규성을 확인한다.

Jarque-Bera 검정에 따라 본 연구에 적용된 시계열 자료를 분석한 결과 fund_ave, interest, credit는 귀무가설¹⁶⁾을 기각하여 정규분포를 따르지 않는 것으로 나타났다.

펀드의 수익률을 나타내는 fund_ave는 분석 기간 동안 평균 ‒0.19의 수익률을 나타냈으며 최소값은 ‒2.45, 최대값은 2.04인 것으로 나타났다. 임대가격지수 변동률을 나타내는 rent는 분석 기간 동안 평균 100.02, 최소값은 98.4, 최대값은 101.60으로 나타났다.

주식시장의 KOSPI 평균증가율은 0.01이고, 최대값은 0.14, 최소값은 ‒0.13으로 나타났다. interest는 금리를 나타내며 분석 기간 동안 1.82의 평균값과 최소값은 0.5, 최대값은 3.5를 나타냈다.

신용시장의 creit는 평균값 219.02, 최소값은 200, 최대값은 225.6으로 나타났다. 마지막으로 채권시장의 bond는 평균값 7.11이고 최소값은 6.43, 최대값은 7.72인 것으로 나타났다(<표 5>).

VAR 모형을 적용하기 위해서는 시계열 자료의 안정성(stationary)이 요구된다.

안정성이란 시계열 변수가 단기적 충격에 의해 균형을 이탈하더라도 장기적으로는 다시 균형으로 복귀하려는 성향을 지니고 있는 것을 의미한다(홍우형, 2016).

이에 본 시계열 자료는 단위근검정(augmented Dicky-Fuller, ADF)을 시행하였다. 수준변수의 ADF검정 결과, fund_ave 변수를 제외한 모든 변수가 단위근을 가지고 있어 불안정한 시계열 자료로 나타났다(<표 6>).

이에 1차 차분하여 단위근 검정을 재시행하였으며, 그 결과 모든 변수는 단위근이 있다는 귀무가설을 기각하여 안정적인 정상시계열임을 확인하였다.

본 연구에 적용되는 시계열 데이터는 ADF 검정을 통해 안정성 여부를 확인하였으며, 이후 VAR(p) 모형을 구축하기 위한 차수 p를 결정해야 한다. 일반적으로 모형의 적정시차를 결정하기 위해서는 아카이케 정보기준(AIC), 쉬이츠베이즈 정보기준(SC) 등을 시행한다.

저자는 R의 vars 패키지 내에 있는 VARselect함수를 활용하여 AIC, SC 정보기준 외에 하난퀸 정보기준(HQ)과 최종 예측 오차 정보기준(FPE)을 추가하여 총 4개의 정보기준을 통해 차수 p값을 결정하였다.

AIC, HQ, SC는 정보기준값이 최소값을 나타내는 것을 적정시차로 결정하고, FPE정보기준값은 최대값을 나타내는 것을 적정시차로 결정한다. <표 7>에서 볼 수 있듯이, AIC, HQ, FPE 정보기준값은 p=2, SC 정보기준값은 p=1로 나타났다.

VAR 모형은 안정적인 시계열 자료와 개별 변수들의 내생성(endogeneity) 수준이 중요한 영향을 미친다. 내생성이란 독립변수와 오차항의 상관이 0이 아닌 경우를 말한다.

또한 변수의 배열에 따라 VAR 모형이 민감한 반응을 보이므로 배열 순서를 정하는 것이 중요하다. 이에 변수 간의 인과관계를 파악하여 내생성이 적은 변수 순서로 배열을 정하고자 그랜저 인과관계 검정(Granger causality test)을 시행한다(<표 8>).

그랜저 인과관계 검정을 통해 Lag 1에서 d_kospi와 d_bond가 fund_ave에 유의미한 영향을 미친다는 결과를 얻어낼 수 있었는데, 이는 KOSPI 증가율과 신용스프레드 변수는 부동산 펀드 수익률의 선행 변수로 해석할 수 있다. 즉, 주식시장이 활발할 때 부동산 펀드로 자금이 유입되거나 투자자들의 위험 선호도가 높아지면서 펀드 수익률에 긍정적인 영향을 미칠 수 있음을 의미한다. 또한, 신용스프레드가 확대될 경우 기업 자금조달 비용이 증가하고, 투자자들이 위험을 회피하면서 부동산 펀드에 대한 투자가 감소하는 경향이 있음을 의미한다. 또한, 그랜저 인과관계 분석결과에 따라 d_bond와 d_credit, d_kospi는 d_interest에 유의미한 영향을 가짐을 확인하였다. 반면 d_interest는 d_kospi에 유의미한 영향을 가짐을 확인하였는데, 이를 종합하면 신용스프레드, 신용레버리지, KOSPI 증가율은 금리의 선행 변수로 작용한다고 해석할 수 있다.

Lag 2에서도 d_bond는 fund_ave에 유의미한 영향을 미치는 것으로 나타났다. 이는 Lag 1, 2 모두에서 신용스프레드는 부동산 펀드 수익률에 지속적으로 선행하는 변수로 작용하며 신용 시장의 상태가 펀드 수익률을 예측할 수 있는 중요한 요인이 될 수 있음을 나타낸다.

또한 d_credit와 d_kospi는 d_interest에 유의미한 영향을 미치는 것으로 보아 신용 레버리지, KOSPI 증가율은 금리의 선행 변수임을 확인할 수 있었다. 마지막으로 d_interest는 d_bond에 유의미한 영향을 미치는 것으로 나타났으며 이는 금리가 기업의 자금조달 비용과 채권시장에 중요한 변수로 작용한다는 점을 설명하여, 금리는 신용스프레드의 선행변수로 해석될 수 있다.

또한 d_interest 변수가 가장 내생성이 강하고, fund_ave, d_bond, d_kospi, d_credit 순으로 나타났으며 d_rent 변수가 가장 외생성이 강한 것으로 나타났다. 따라서 본 연구의 VAR 모형의 배열은 d_rent → d_credit → d_kospi → d_bond → fund_ave → d_interest 순으로 정하였다.

지금까지 ADF 검정결과를 통해 시계열 데이터의 안정성을 확보하고, 그랜저 인과관계 분석을 수행하여 변수의 내생성 확인 및 배열 순서를 선정하였다.

<표 9>는 펀드의 수익률과 각 시장의 거시경제변수 간 VAR 분석 결과를 제시하고 있다. 본 연구는 부동산 펀드의 성과에 미치는 시장의 거시경제변수가 어떤 영향을 미치는지 살펴보고자 하였기에 fund_ave를 종속변수로 활용한 분석 결과에 주목하고자 한다.

부동산 펀드 수익률을 나타내는 fund_ave에 유의미한 변수는 10% 유의수준에서 음(‒)의 회귀계수를 갖는 d_bond(t-1)와 fund_ave(t-2), 양(+)의 회귀계수를 갖는 d_interest(t-2)로 나타났다. fund_ave와 d_interest 변수의 관계에서 ‘금리는 부동산 펀드 수익률에 유의한 양의 영향을 미친다.’ 결과는 강원(2009), 김종원·최민섭(2013) 등 이전연구에서도 확인할 수 있다.¹⁷⁾ 이는 연구에 적용된 종속변수인 임대형 부동산 펀드는 금리 상승에 따라 부동산 보유 시 발생되는 임대료도 증가하게 되어 결과적으로 펀드의 수익성이 증가하는 것으로 추론할 수 있다. 구체적으로, 금리가 상승하면 부동산 자산의 신규 매입 비용이 증가하여 부동산 시장에 대한 신규 투자 수요가 줄어들 수 있지만, 기존에 보유한 부동산 자산에 대한 임대료는 이자율 상승에 따라 오히려 상승하는 경향이 있다. 이는 임대 수익을 기반으로 하는 임대형 부동산 펀드가 금리 상승기에 보유 자산으로부터 더 높은 임대료를 부과할 수 있기 때문이다. 또한, 금리 상승은 종종 경제 회복기나 인플레이션 상황에서 나타나며, 이러한 상황에서 물가 상승 압력과 더불어 임대료도 상승할 가능성이 크다.

따라서 금리 인상기에는 부동산 자산을 이미 보유하고 있는 임대형 부동산 펀드는 더 높은 임대료 수익을 실현할 수 있으며, 이에 따라 펀드의 수익성도 증가할 수 있다. 본 연구기간 동안 이러한 금리 상승과 임대료 상승의 동반 효과는 금리와 부동산 펀드 수익률 간의 양(+)의 관계를 설명하는 중요한 요인으로 작용한 것으로 보인다.

또한 d_bond는 회사채와 국고채의 차이인 신용스프레드를 말하는데, 이를 통해 신용스프레드의 증·감에 따라 경기변동을 예측할 수 있다(김진용·이한식, 2011). ‘신용스프레드의 확대는 부동산 펀드 수익률에 유의한 음의 영향을 미친다’는 본 연구에 빗대어보면 신용스프레드가 축소될수록 채권시장 전반의 양호한 수급상황, 기업실적 개선 및 신용등급 상향 가능성으로 인한 경기회복이 기대되며 이는 부동산 간접투자시장의 수익률에 긍정적인 영향을 줄 것으로 볼 수 있다. 위와 같은 VAR 분석 결과는 단기적인 상호관계만을 의미하기 때문에 변수 간의 상호관계에 대한 결론을 내리기에는 부족하므로, 장기적인 관계에 대한 분석을 위한 충격반응합수를 수행하고자 한다.

충격반응함수(IRF)는 변수들이 1 표준편차만큼의 단위충격에 대해 어떻게 변화하는지 시간변화에 따른 반응을 보여주는 함수로서 각 변수의 충격이 다른 변수에 어떤 영향을 주는지 분석하기 위한 방법이다.

본 장에서는 연구에 투입된 시계열 데이터 간 유의미한 변수의 영향 등을 자세히 알아보기 위해서 VAR 모형의 추정 결과를 기반으로 IRF를 시행하였다.

마찬가지로 본 연구는 부동산 펀드의 성과에 미치는 시장의 거시경제변수가 어떤 영향을 가지는지 규명하는 것이 목적이므로, Response 변수가 fund_ave일 때 각 변수의 충격에 대한 IRF 분석 결과만을 <그림 2>에 도식화하였다.¹⁸⁾

그림 2. IRF분석 결과(반응변수: fund_ave) 주 : 95% Bootstrap CI, 100 runs.

Download Original Figure

충격반응함수에 나타난 fund_ave에 대한 1 표준편차 충격은 2개월까지 급격하게 음의 반응을 나타냈으며 이후 0에 수렴하여 4개월부터 특별한 모습을 보이지 않았다.

d_bond에 대한 1 표준편차 충격은 1개월까지 음의 반응을 나타내고, 이후 진폭이 작은 상태로 양·음의 반응을 나타내다가 4개월부터 0으로 수렴하였다. d_interest에 대한 1 표준편차 충격은 1개월까지 음의 반응을 나타내고 2개월까지 양의 반응을 나타내고 이후 3개월부터 0으로 수렴하였다.

d_credit에 대한 1 표준편차 충격은 1개월까지 음의 반응을 나타내다가 이후 양·음의 파동으로 결국 0에 수렴하는 형태를 가졌다.

또한, d_rent에 대한 충격은 1개월까지 양의 반응을 보이고 곧 음의 반응을 보였으나 3개월까지 0에 수렴하는 모습이 보인 후 특별한 반응은 나타나지 않았다.

하지만 d_rent와 d_credit, d_kospi는 fund_ ave와 통계적으로 유의하지 않았다.

분석결과, 신용스프레드를 나타내는 d_bond, 금리변수인 d_interest, 자체변수인 fund_ave의 충격이 부동산 펀드 수익률을 나타내는 fund_ ave에게 장·단기적인 영향을 미치는 주요 요인임을 확인할 수 있다.

예측오차 분산분해(FEVD) 분석 결과는 <표 10>과 같다. 1개월 이후 fund_ave 변수를 VAR 모형으로 예측할 때 발생하는 예측오차의 총분산을 100%라고 가정한다면 예측오차의 분산 중 펀드수익률 자체의 충격에 의해 70.1%가 발생하고, d_rent는 0.9%, d_credit는 15.6%, d_kospi은 6.7%, d_bond는 6.6%, d_interest는 1%를 차지하고 있다.

이를 통해, 해당 시차에는 fund_ave 자체변동과 d_credit의 변동이 예측오차의 분산에 크게 기여하고 있음을 확인할 수 있다.

또한, 10개월 이후 fund_ave는 예측오차의 분산 중 fund_ave 자체의 충격에 의해 49.9%가 발생하고, d_rent는 1.9%, d_credit는 16.7%, d_kospi는 9.9%, d_bond는 17.3%, d_interest는 4.2%로 차지하고 있음을 보인다. 이에 해당 시차에는 fund_ave와 d_credit, d_bond의 변동이 예측오차의 분산에 크게 기여함을 확인할 수 있다.