퀄리티 (QMJ) × 매크로 사이클 — phase 의존 우량주

공개 호출 방식

import dartlab
import polars as pl

c = dartlab.Company("005930")

# 1. QMJ quality score
qmj = c.quant("qmj")
quality_score = qmj["score"] if isinstance(qmj, dict) else 0
quality_decile = qmj.get("decile", 5) if isinstance(qmj, dict) else 5

# 2. macro cycle phase (early-recovery / mid-expansion / late-cycle / contraction)
cycle = dartlab.macro("cycle", market="KR")
phase = cycle.get("phase", "unknown") if isinstance(cycle, dict) else "unknown"

# 3. macro beta. 회사 단위 민감도
sens = c.analysis("macro", "매크로민감도")
beta = sens.get("macroSensitivity", {}) if isinstance(sens, dict) else {}
rate_beta = beta.get("rateBeta", 0)
fx_beta = beta.get("fxBeta", 0)

# 4. phase-quality alignment 매핑 (학술적 sweep — Frazzini-Pedersen 2014)
PHASE_QUALITY_FIT = {
    "early-recovery": "low",      # low quality outperform
    "mid-expansion": "balanced",
    "late-cycle": "high",         # quality outperform
    "contraction": "high",        # flight to quality
}
expected_winner = PHASE_QUALITY_FIT.get(phase, "balanced")
high_quality = quality_decile >= 8
phase_alignment = (
    (high_quality and expected_winner == "high")
    or (not high_quality and expected_winner == "low")
)

emit_result(
    table=[{
        "stockCode": "005930",
        "qualityScore": round(quality_score, 2),
        "qualityDecile": quality_decile,
        "cyclePhase": phase,
        "rateBeta": round(rate_beta, 3),
        "fxBeta": round(fx_beta, 3),
        "expectedWinner": expected_winner,
        "phaseAlignment": phase_alignment,
    }],
    values={"qualityDecile": quality_decile, "cyclePhase": phase, "phaseAlignment": phase_alignment},
    date="2024-12-31",
    sources=["dartlab://company/scan/quality", "dartlab://company/scan/macroBeta", "dartlab://macro/cycle"],
)

호출 동작

1. 결론 도출

QMJ × 매크로 사이클 phase 적합도 + macroBeta 단정. 예: “QMJ decile 8 + 매크로 phase=확장중반 + macroBeta 0.8 → phaseAlignment=True → quality 후보 outperform 기대 (FPA 2014 학술 결과 기반).”

2. 핵심 근거 수집

• QMJ 종합 점수 + decile (Company.quant(‘qmj’))
• 매크로 cycle phase (dartlab.macro(‘cycle’, market=‘KR’))
• 회사 단위 매크로 민감도 (c.analysis("macro", "매크로민감도")). 전종목 dartlab.scan("macroBeta") 는 프리빌드 부재로 현재 0 행
• 학술 매핑: FPA 2014 phase ↔ quality 적합도

3. 메커니즘 분석

4 source → 결합 판정
   QMJ decile (1~10, 10=top quality)
   cycle phase (저점/회복/확장 초입/확장 중반/정점/하강 enum 5단계)
   macroBeta (low 0~0.5 / mid 0.5~1.0 / high > 1.0)
   ↓
phase ↔ quality 학술 적합 매핑 (FPA 2014)
   확장 초입 + QMJ decile ≥ 8  → outperform 후보 (quality 작동)
   정점/하강 + QMJ decile ≤ 3  → underperform (junk 노출)
   회복 + macroBeta high       → cyclical 후보 (quality 신호 약함)
   ↓
phaseAlignment = True/False

QMJ 만으로는 모든 phase 작동 X — 사이클과 결합해야 outperform 신호 신뢰도 ↑. FPA 학술 결과는 정점/하강 phase 의 QMJ 가장 강함.

4. 반례·한계

• 매크로 phase 분류 자체 불확실 (현재 측정 신뢰도 60~70%).
• macroBeta 60M rolling — regime shift (COVID/금리 급변) 시 후행.
• QMJ decile 산업별 base 차이 (금융 vs 제조) 보정 없음.
• 학술 결과는 US 시장 1956-2012 — KR 시장 일치성 검증 추가 필요.

5. 후속 모니터링

• phaseAlignment True 지속: recipes.quant.qualityFactor 로 quality 축 세부 점검.
• macroBeta 급변 (+0.5/-0.5): recipes.quant.macroBetaFactor 로 universe 비교 위치 확인.
• phase 전환 (예: 확장 중반 → 정점): recipes.macro.scenarioDiagram 으로 시나리오 결합.

대표 반환 형태

pl.DataFrame — 컬럼:

• qualityScore : float · qualityDecile : int (1~10)
• cyclePhase : str — early-recovery / mid-expansion / late-cycle / contraction
• rateBeta : float · fxBeta : float
• expectedWinner : str — high / low / balanced
• phaseAlignment : bool

연계 절차

1. 본 recipe → 회사 quality + 사이클 phase 정합성.
2. phaseAlignment = True → recipes.meta.screen.industryStageScreen 으로 같은 산업 stage 후행기 종목 추가 발굴.
3. phaseAlignment = False → 다음 phase 전환까지 대기 (timing 신호).
4. universe 검증은 recipes.macro.quantScenarioBacktest 로 backtest.