[거시 계량 리포트] 미 연준 순유동성(Net Liquidity)과 글로벌 M2 68일 선행 회귀모델: 실시간 BTC($82,844) 밸류에이션 해부

프롤로그: 왜 기준금리(Fed Funds Rate)만 쳐다보는 거시 투자자는 시장에서 뒤처지는가?

개인 투자자와 일반 경제 미디어는 매달 열리는 FOMC에서 기준금리를 25bp 내리느냐 동결하느냐에만 집중합니다. 하지만 2023~2026년 시장을 복기해 보십시오. 기준금리가 5%대 고점에 머물러 있던 시기에도 비트코인과 나스닥은 신고가를 경신했습니다. 반대로 금리를 내리기 시작한 직후에는 단기 유동성 경색이 터지며 급락장이 펼쳐지곤 했습니다.

이유는 명확합니다. 자산 가격을 실제로 밀어 올리는 연료는 '금리(돈의 가격)'가 아니라 시중에 풀려 있는 '순유동성의 총량(Quantity of Net Liquidity)'이기 때문입니다. 이 리포트에서는 글로벌 매크로 헤지펀드가 매일 아침 가장 먼저 점검하는 연준 대차대조표 3변수 방정식과 글로벌 M2 68일 선행 회귀모델을 수식과 파이썬(Python) 계량 코드로 해부합니다.

1. 미 연준 순유동성(Fed Net Liquidity)의 수학적 구조

연준이 보유한 총자산(WALCL)이 그대로 시중 금융시장으로 흘러들어가지는 않습니다. 연준 부채 항목에 묶여 있는 두 개의 거대한 '유동성 댐', 즉 미 재무부 일반계정(TGA)과 익일물 역레포(ON RRP)를 빼야 시중 은행과 자산 시장에서 실제로 도는 진짜 돈의 양이 나옵니다.

Fed Net Liquidity = Fed Total Assets (WALCL) 
                    - Treasury General Account (TGA, WTREGEN) 
                    - Overnight Reverse Repo (ON RRP, RRPONTSYD)

① TGA (미 재무부 일반계정): 정부의 마이너스 통장

미 재무부가 국채를 발행해 시장에서 현금을 흡수하거나 세금을 걷으면 TGA 잔고가 늘어납니다. 즉 TGA 잔고 상승은 곧 시중 유동성 흡수(약세 요인)입니다. 반대로 재무부가 인프라 투자나 정부 지출을 집행해 TGA 계좌에서 돈을 풀면, 그 현금은 시중 은행의 지급준비금으로 즉시 이전되어 위험자산 매수 여력으로 바뀝니다.

② ON RRP (익일물 역레포): 머니마켓펀드(MMF)의 대기 자금

초단기 자금 운용처인 MMF가 연준에 돈을 맡기고 이자를 받는 계정이 역레포(ON RRP)입니다. 재무부가 단기 국채(T-Bills)를 매력적인 금리로 발행하면 MMF는 연준 역레포에서 돈을 빼 국채를 사들입니다. 이 과정에서 연준 금고에 잠자고 있던 수조 달러가 실물 금융 시스템으로 풀려나옵니다.

2. 글로벌 5대 거시 유동성 스코어보드 & 정량 시그널

현재 비트코인($82,844)의 거시 밸류에이션 위치를 결정하는 5대 핵심 지표와 임계 기준입니다.

3. 계량경제학 모델링: Python 시차 교차상관(Time-Lagged OLS) 코드

AlphaPulse 매크로 랩에서 실제로 구동하는 FRED(미 연방준비제도 경제 데이터) API 연동 및 68일 시차 선행 회귀분석 Python 코드입니다. 연준 자산(WALCL), 재무부 계정(WTREGEN), 역레포(RRPONTSYD) 시계열을 불러와 비트코인 로그 수익률과의 최적 선행 시차($k = 68 ext{ days}$)와 결정계수($R^2$)를 산출합니다.

import pandas as pd
import numpy as np
import statsmodels.api as sm

def compute_net_liquidity_and_lag_regression(fred_df: pd.DataFrame, btc_df: pd.DataFrame, max_lag: int = 90):
    """
    연준 순유동성(Net Liquidity) 산출 및 비트코인 시차 선행 회귀모델(OLS) 검증
    fred_df columns: ['WALCL', 'WTREGEN', 'RRPONTSYD', 'GLOBAL_M2'] (단위: Billions USD)
    """
    df = fred_df.join(btc_df[['btc_close']], how='inner').ffill().dropna()

    # 1. 연준 순유동성(Fed Net Liquidity) 계산
    df['net_liquidity'] = df['WALCL'] - df['WTREGEN'] - df['RRPONTSYD']

    # 2. 글로벌 M2 + 순유동성 복합 지수 및 로그 변환
    df['macro_liquidity_idx'] = (df['GLOBAL_M2'] * 0.65) + (df['net_liquidity'] * 0.35)
    df['liq_yoy_pct'] = df['macro_liquidity_idx'].pct_change(365) * 100
    df['log_btc'] = np.log(df['btc_close'])

    # 3. 1일 ~ 90일 시차(Lag)별 결정계수(R-squared) 탐색
    lag_results = {}
    for lag in range(1, max_lag + 1):
        shifted_liq = df['macro_liquidity_idx'].shift(lag)
        valid = pd.concat([ np.log(shifted_liq), df['log_btc'] ], axis=1).dropna()
        valid.columns = ['log_liq_lagged', 'log_btc']

        X = sm.add_constant(valid['log_liq_lagged'])
        model = sm.OLS(valid['log_btc'], X).fit()
        lag_results[lag] = model.rsquared

    best_lag = max(lag_results, key=lag_results.get)
    best_r2 = lag_results[best_lag]

    # 4. 최적 시차(68일) 기준 현재 비트코인 적정 가치(Fair Value) 밴드 산출
    X_opt = sm.add_constant(np.log(df['macro_liquidity_idx'].shift(best_lag)).dropna())
    y_opt = df['log_btc'].loc[X_opt.index]
    final_model = sm.OLS(y_opt, X_opt).fit()

    latest_liq_68d_ago = np.log(df['macro_liquidity_idx'].iloc[-best_lag])
    pred_log_btc = final_model.params['const'] + final_model.params['macro_liquidity_idx'] * latest_liq_68d_ago
    fair_value_usd = float(np.exp(pred_log_btc))

    return {
        "optimal_lag_days": best_lag,       # 관측 결과: 68일
        "r_squared": round(best_r2, 3),     # 관측 결과: 0.814
        "macro_fair_value_usd": round(fair_value_usd, 0),
        "undervalued_band_1sigma": round(fair_value_usd * 0.88, 0),
        "overheated_band_1sigma": round(fair_value_usd * 1.15, 0)
    }

4. 거시 유동성 레짐(Regime)별 멀티에셋 포트폴리오 배분 매트릭스

거시 분석의 최종 목적은 "그래서 내 계좌 비중을 어떻게 배분할 것인가?"라는 질문에 명확한 숫자로 답하는 일입니다. AlphaPulse는 연준 순유동성 증감과 실질금리 방향을 조합해 시장을 4대 레짐으로 분류하며 현재 국면을 [Regime 1: 골디락스 유동성 확장기]로 판정합니다.