Quality + Value 횡단 스크리닝 (Novy-Marx GP/A 기반)

학술 근거

Robert Novy-Marx, “The Other Side of Value: The Gross Profitability Premium” (Journal of Financial Economics, 2013): Gross Profit / Total Assets (GP/A) 가 ROE·ROA·ROIC 보다 강력한 quality factor. 핵심 발견:

• GP/A 는 가치 (B/M) 와 음(−) 상관 → 둘을 결합하면 hedge 효과로 위험 추가 없이 초과수익.
• 1963-2010 미국에서 GP/A 상위 quintile 이 하위 quintile 대비 연 4-5%p 초과수익 (Fama-French 3-factor 보정 후).
• 다른 quality 지표 (ROE·earnings growth) 가 가치 (low P/E·P/B) 와 양 상관 → 결합 시 quality 와 value 가 같은 방향, 분산 효과 약함.

dartlab 의 ratio 13 종에 GP/A 직접은 없지만 grossMargin × totalAssetTurnover ≈ GP/A 로 분해 근사 가능 (DuPont 식). 한국 시장에서는 chaebol governance discount 로 단순 저-PBR 가 함정인 경우 흔하므로, GP/A 게이트가 그 함정 회피에 특히 유효.

공개 호출 방식

import dartlab
import polars as pl

target = "005930"
c = dartlab.Company(target)

def latest_period(df):
    if hasattr(df, "columns"):
        for col in df.columns:
            if str(col)[:4].isdigit():
                return str(col)
    return "latest"

def compact(obj):
    if isinstance(obj, pl.DataFrame):
        return {"type": "DataFrame", "rows": obj.height, "columns": obj.width}
    if isinstance(obj, dict):
        return {"type": "dict", "keys": list(obj.keys())[:8]}
    return {"type": type(obj).__name__}

quality = c.analysis("earningsQuality")
profitability = c.analysis("profitability")
valuation = c.analysis("valuation")
valuation_scan = dartlab.scan("valuation")
rows = valuation_scan.head(5).to_dicts() if isinstance(valuation_scan, pl.DataFrame) else []
bs = c.show("BS", freq="Y")

emit_result(
    table=rows or [
        {"axis": "quality", "result": compact(quality)},
        {"axis": "profitability", "result": compact(profitability)},
        {"axis": "valuation", "result": compact(valuation)},
    ],
    values={"target": target, "candidateCount": len(rows), "hasQualityCheck": bool(quality)},
    date=latest_period(bs),
)

호출 동작

1. scan("screen", spec=...) — grossMargin 30% + totalAssetTurnover 0.5 + ROE 10% 동시 통과 종목.
2. scan("valuation") — KR 시장 snapshot (PBR 기준 grade 분류).
3. polars join — stockCode 키로 quality + value 결합.
4. grade 가 저평가/적정 인 것만.
5. gpaApprox = grossMargin × totalAssetTurnover 로 정렬.

기준값 (30 / 0.5 / 10) 은 한국 KOSPI 분포 기반 보수적 임계. 미국 시장 적용 시 시장 분포 percentile 을 따로 계산해 조정.

대표 반환 형태

candidates : pl.DataFrame — 컬럼:

• stockCode : str — 6 자리 종목 코드 (KR)
• corpName : str — 회사명
• finance.ratio.grossMargin : float — 매출총이익률 (%)
• finance.ratio.totalAssetTurnover : float — 총자산회전율
• finance.ratio.roe : float — ROE (%)
• per, pbr, psr : float — 시장 multiple
• grade : str — 저평가/적정/고평가/과열
• gpaApprox : float — GP/A 근사 (높을수록 강한 quality)

한계

• GP/A 직접 컬럼 부재 — grossMargin × totalAssetTurnover 근사. 정확한 GP/A 는 gross_profit / total_assets (account 직접) 으로 확장 가능하나 본 recipe 는 ratio 만 사용.
• valuation snapshot 은 KR 전용 — dartlab.scan("valuation") 은 한국 종목 한정. 미국 EDGAR 종목은 별도 경로 (Company.show(“FQ”) + market cap 수동 결합) 필요.
• 임계값 (30/0.5/10) 은 보수적 절대치 — 산업별 분포 차이 큼 (반도체 grossMargin 50% vs 통신 20%). 산업 percentile 기반 게이트로 확장 가능.

한국 / 미국 시장 차이

• 한국: chaebol governance discount 로 KOSPI 평균 PBR 약 1.0. 단순 PBR ≤ 1 만으로는 함정 너무 많음. GP/A 게이트가 진짜 quality 종목 골라내는 데 결정적. Value-up 프로그램 대상 종목과 겹치는 경우 추가 catalyst.
• 미국: GP/A 학술 검증의 본 시장. S&P 500 평균 grossMargin 약 35%, totalAssetTurnover 약 0.6. 본 recipe 임계값 그대로 미국 적용 가능하나 valuation snapshot 부재로 PER/PBR 별도 fetch.

연계 절차

1. 본 recipe 로 후보 발굴 → tableRef 에 묶음.
2. 상위 5~10 종목에 대해 recipes.valuation.check 로 단일 회사 가치평가 (DCF + valuation band) 심층.
3. recipes.credit.distressFilter 로 부도 위험 종목 제외.
4. engines.analysis.earningsQuality 로 발생주의 신호 점검 (CFO/NI 비율).
5. engines.story 로 6 막 인과 보고서 조합.

기본 검증

• 후보 수 < 30 → 게이트 너무 빡빡 (임계값 완화).
• 후보 수 > 200 → 게이트 너무 느슨 (totalAssetTurnover 0.7, grossMargin 35% 등 조정).
• gpaApprox 분포 확인 — 상위 10% 와 평균 격차 2 배 이상이어야 quality factor 작동.
• 단일 종목 결론 X — 본 recipe 는 후보 발굴 단계. 투자 결정은 단일 회사 심층 + valuation band + governance 점검 후.

AI 직접 사용 방식

1. ReadSkill 에서 사용자 질문과 whenToUse를 맞춰 이 recipe를 고른다.
2. GetSkillBody 로 본문 전체를 읽고 linkedSkills 순서대로 먼저 필요한 엔진 skill을 확인한다.
3. ## 공개 호출 방식의 첫 Python 블록을 target만 바꿔 ValidateRecipe(..., capture=False)로 smoke 실행한다.
4. 실행 결과의 skillRef, tableRef, valueRef, dateRef, executionRef 중 누락된 근거가 있으면 답변을 작성하지 말고 호출 또는 근거 요구를 보강한다.
5. 답변은 결론, 핵심 근거, 메커니즘, 반례·한계, 후속 모니터링 순서로 작성하고 falsifier.description이 있으면 반례 단락에서 반드시 확인한다.