Ch.2 아이디어 발굴

놀라운 사실: 아이디어 찾기는 가장 어려운 일이 아니다

이것이 놀라운 점이다: 트레이딩 아이디어를 찾는 것은 사실 퀀트 트레이딩 비즈니스를 구축하는 데서 가장 어려운 부분이 아니다. 수백, 아니 수천 개의 트레이딩 아이디어가 언제든지 공개 영역에 존재하며, 누구나 거의 또는 전혀 비용 없이 접근할 수 있다. 이런 아이디어를 발표하는 저자들 대부분은 백테스트 결과와 함께 전략의 완전한 방법론을 공개한다.

금융·투자 서적, 신문과 잡지, 주요 미디어 웹사이트, 온라인이나 가까운 공공 도서관에서 찾을 수 있는 학술 논문, 트레이더 포럼, 블로그, 그 외 무수히 많은 소스가 있다. 저자가 직접 가치 있다고 생각하는 소스 일부를 아래 표 2.1에 정리했지만, 이는 실제로 이용 가능한 것들 중 극히 일부에 불과하다.

표 2.1 트레이딩 아이디어 출처

유형	URL
학술 자료
경영대학원 금융학과 교수 웹사이트	www.hbs.edu/research/research.html
Social Science Research Network	www.ssrn.com
National Bureau of Economic Research	www.nber.org
경영대학원 퀀트 금융 세미나	www.ieor.columbia.edu/seminars/financialengineering
뉴욕타임스 일요일 비즈니스 섹션 Mark Hulbert 칼럼	www.nytimes.com
이코노미스트 금융 섹션 Buttonwood 칼럼	www.economist.com
금융 웹사이트 & 블로그
Yahoo! Finance	finance.yahoo.com
TradingMarkets	www.TradingMarkets.com
Seeking Alpha	www.SeekingAlpha.com
TheStreet.com	www.TheStreet.com
The Kirk Report	www.TheKirkReport.com
Alea Blog	www.aleablog.com
Abnormal Returns	www.AbnormalReturns.com
Brett Steenbarger 트레이딩 심리학	www.brettsteenbarger.com
트레이더 포럼
Elite Trader	www.Elitetrader.com
Wealth-Lab	www.wealth-lab.com
신문 & 잡지
Stocks, Futures and Options 매거진	www.sfomag.com

저자 본인의 학문적 성향 덕분에, 과거에는 경영대학원 교수들이 발표한 각종 프리프린트(사전 출판물)를 정기적으로 살펴보거나 온라인 금융 저널 논문을 다운로드해서 유망한 전략을 찾아냈다. 실제로 독립 트레이더로 처음 거래한 전략도 그런 학술 연구에 기반한 것이었다. (7장에서 언급되는 PEAD 전략의 한 버전이었다.) 그러나 점점, 학계에서 설명하는 많은 전략들이 너무 복잡하거나, 시의성을 잃었거나(경쟁으로 이미 수익 창출력을 잃었을 가능성이 있다), 또는 백테스트에 비용이 많이 드는 데이터(역사적 펀더멘털 데이터 등)를 요구한다는 것을 알게 되었다. 게다가 이런 학술 전략들 중 상당수는 소형주에서만 작동하는데, 그 종목들의 낮은 유동성은 실제 거래 수익을 백테스트가 시사하는 것보다 훨씬 떨어뜨린다.

그렇다고 충분히 끈기 있게 찾으면 진주를 발견하지 못한다는 뜻은 아니다. 다만 트레이더 포럼이나 블로그에서도 마찬가지로 수익성 있는 간단한 전략들을 제안한다는 것을 알게 되었다. 정말로 수익성 있는 전략을 공개적으로 게시하면 경쟁이 늘어나고 전략의 수익성이 줄어들지 않겠느냐고 의심할 수도 있다. 그 의심은 옳다: 이런 곳에서 찾을 수 있는 완성형 전략들 대부분은 실제로 면밀한 백테스트를 견디지 못한다. 학술 연구와 마찬가지로, 트레이더 포럼의 전략들도 잠깐만 통했거나, 특정 종목군에서만 통했거나, 거래비용을 고려하지 않을 때만 통하는 경우가 많다. 그러나 핵심은 기본 전략을 수정해서 수익성 있게 만들 수 있다는 것이다.

예를 들어, 한번은 누군가가 Wealth-Lab(표 2.1 참조)에 설명된 전략을 저자에게 소개했는데, 높은 샤프 비율을 자랑한다고 했다. 백테스트해보니 광고만큼 잘 작동하지 않았다. 그래서 보유 기간 줄이기, 제안된 것과 다른 시간에 진입·청산하기 등 몇 가지 간단한 수정을 시도했고, 결국 이 전략을 주요 수익원 중 하나로 만들었다. 기본 전략의 여러 변형을 부지런하고 창의적으로 시도한다면, 높은 수익을 내는 변형을 찾을 가능성이 높다.

기관 자금운용 업계를 떠나 독자적으로 트레이딩을 시작했을 때, 동료와 멘토들로부터 트레이딩 아이디어의 흐름이 끊길까 봐 걱정했다. 그러나 트레이딩 아이디어를 수집하고 공유하는 가장 좋은 방법 중 하나가 자신만의 트레이딩 블로그를 시작하는 것임을 알게 되었다. 세상에 공개하는 트레이딩 “비밀” 하나당, 독자들로부터 여러 개의 아이디어가 돌아온다. (Wealth-Lab 전략을 소개해 준 사람은 12시간대가 다른 곳에 사는 독자였다. 블로그가 없었다면 그를 만나고 그의 제안으로 혜택을 얻을 가능성은 거의 없었을 것이다.) 실제로, 자신이 비밀이라고 생각하는 것들이 다른 많은 사람들에게는 이미 잘 알려진 아이디어인 경우가 많다. 전략을 독점적으로 만들고 보호할 가치가 있는 것은 직접 개발한 변형과 트릭이지, 기본 버전이 아니다.

게다가, 나쁜 아이디어는 온라인 댓글로 빠르게 비판받아서, 큰 손실로부터 보호받을 수 있다. 금융학과 교수들이 개발한 계절성 주식 트레이딩 전략을 블로그에 소개했을 때, 한 독자가 즉시 그 전략을 백테스트해서 작동하지 않는다고 보고했다. (블로그 포스트 “Seasonal Trades in Stocks” 참조, 그리고 독자 댓글.) 이 전략은 7.6 예제에서 더 자세히 설명된다. 물론, 어차피 직접 백테스트하지 않고 전략을 거래하지는 않았을 것이고, 실제로 후속 백테스트가 독자의 발견을 확인했다. 하지만 독자가 전략에서 중요한 결함을 발견했다는 사실은 자신의 백테스트도 오류가 없다는 중요한 확인이 된다.

전반적으로, 뉴욕의 비밀스러운 헤지펀드 세계에서 일했을 때보다 독립 트레이더로서 트레이딩 아이디어를 수집하고 교환하는 것이 실제로 더 쉽다는 것을 알게 되었다. (밀레니엄 파트너스—5번가의 수십억 달러 규모 헤지펀드—에서 일했을 때, 한 트레이더가 프로그래머의 책상에서 출판된 논문을 낚아채 갔다. 프로그래머가 그 논문을 읽고 “비밀”을 알게 될까 봐 두려웠던 것이다.) 아마 100만 달러를 그 전략에 배분해서 수익을 날려버릴 것을 걱정하지 않아도 된다고 생각하면, 사람들이 비밀을 알려줘도 덜 걱정하는 것 같다.

아이디어 부족이 문제가 아니다. 어려운 점은, 자신의 개인적 상황과 목표에 맞는 전략이 어떤 것인지, 그리고 시간을 들여 성실하게 백테스트하기 전에 어느 것이 실행 가능해 보이는지에 대한 **감각(taste)**을 키우는 것이다. 이 장에서 전달하려는 것이 바로 유망한 전략에 대한 그 감각이다.

자신에게 맞는 전략을 파악하는 법

전략의 실행 가능성은 종종 전략 자체와는 아무런 관련이 없다—그것은 바로 당신 자신과 관련이 있다. 다음과 같은 고려사항들이 있다.

근무 시간

파트타임으로만 트레이딩하는가? 그렇다면 아마 인트라데이 전략이 아니라 오버나이트 포지션을 보유하는 전략만 고려하고 싶을 것이다. 그렇지 않으면, 전략을 완전히 자동화해야 할 수도 있다(5장 집행 부분 참조). 그래야 대부분의 시간을 자동 운행으로 돌리고 문제가 발생할 때만 알림을 받을 수 있다.

다른 직장에 다니면서 파트타임으로 트레이딩했을 때는, 하루에 한 번 장 시작 전에 소수의 ETF(상장지수펀드)에 지정가 주문을 입력하거나 조정하는 간단한 전략을 개인 계좌에서 거래했다. 그 후 처음 독립했을 때, 자동화 수준이 여전히 상대적으로 낮았기 때문에 장 시작 전에 한 번, 장 마감 전에 한 번 주문을 입력하는 전략만 고려했다. 나중에는 특정 조건이 충족되면 실시간 시장 데이터를 자동으로 스캔하고 중개 계좌로 주문을 전송하는 프로그램을 추가했다. 그래서 트레이딩은 여전히 “파트타임” 활동으로 남아 있으며, 이것이 애초에 퀀트로 트레이딩하려는 이유 중 하나이기도 하다.

프로그래밍 실력

프로그래밍을 잘하는가? Visual Basic이나 Java, C#, C++ 같은 프로그래밍 언어를 안다면, 고빈도 전략을 탐색하고 많은 수의 증권을 거래할 수도 있다. 그렇지 않다면, 하루에 한 번만 거래하거나 소수의 주식, 선물, 또는 통화만 거래하는 전략에 정착하면 된다. (소프트웨어 외주 개발 비용을 감수할 의향이 있다면 이 제약을 극복할 수 있다. 자세한 내용은 5장을 다시 참조하라.)

트레이딩 자본

인프라와 운용에 지출할 자본이 충분한가? 일반적으로 자본이 5만 달러 미만인 계좌에서의 퀀트 트레이딩은 권장하지 않는다. 고자본과 저자본 계좌의 경계선을 10만 달러로 보자. 자본 가용성은 많은 선택에 영향을 미친다.

첫 번째 선택은 리테일 증권사 계좌를 개설할지, 아니면 프랍 트레이딩 계좌를 개설할지이다(4장 비즈니스 설정에서 자세히 설명). 지금은 전략 선택의 관점에서 이 제약을 살펴본다.

저자본 계좌라면, 가용한 최대 레버리지를 활용할 수 있는 전략을 찾아야 한다. (물론, 레버리지를 높이는 것은 꾸준히 수익성 있는 전략이 있을 때만 유익하다.) 선물, 통화, 옵션 거래는 주식보다 높은 레버리지를 제공한다. 인트라데이 포지션은 레귤레이션 T 레버리지 4를 허용하는 반면, 인터데이(오버나이트) 포지션은 레버리지 2만 허용해서, 같은 규모의 포트폴리오를 위해 두 배의 자본이 필요하다. 마지막으로, 자본(또는 레버리지) 가용성은 방향성 거래(롱 또는 숏 전용)를 해야 할지 달러 중립 거래(헤지 또는 페어 거래)를 해야 할지를 결정한다.

달러 중립 포트폴리오(롱 포지션의 시장 가치 = 숏 포지션의 시장 가치) 또는 시장 중립 포트폴리오(포트폴리오의 베타가 시장 지수에 대해 거의 0에 가까운 것. 여기서 베타는 포트폴리오의 기대 수익과 시장 지수의 기대 수익 사이의 비율을 측정한다)는 롱 전용 또는 숏 전용 포트폴리오보다 두 배의 자본이나 레버리지를 필요로 한다. 따라서 헤지 포지션이 헤지되지 않은 포지션보다 덜 위험하지만, 그로 인해 발생하는 수익도 그만큼 작아서 개인적인 요구 사항을 충족시키지 못할 수 있다.

자본 가용성은 또한 여러 간접적인 제약을 부과한다. 인프라, 데이터, 소프트웨어에 얼마나 지출할 수 있는지에 영향을 미친다. 예를 들어, 트레이딩 자본이 낮다면 온라인 증권사가 너무 많은 종목의 실시간 시장 데이터를 제공하지 않을 가능성이 높으므로, 방대한 종목 우주에 대한 실시간 시장 데이터가 필요한 전략은 사실상 불가능하다. (물론 서드파티 시장 데이터 공급업체를 구독할 수 있지만, 트레이딩 자본이 낮다면 그 추가 비용이 정당화되지 않을 수 있다.) 마찬가지로, 고빈도 역사적 주식 데이터는 일별 주가 데이터보다 비싸기 때문에, 소규모 자본으로는 고빈도 주식 트레이딩 전략이 실행 가능하지 않을 수 있다.

역사적 주식 데이터에는 빈도 외에도, 더 중요할 수 있는 또 다른 품질 요소가 있다: 데이터가 **생존자 편향(survivorship bias)**으로부터 자유로운지 여부다. 다음 섹션에서 생존자 편향을 정의하겠지만, 지금은 생존자 편향이 없는 역사적 주식 데이터가 편향된 데이터보다 훨씬 더 비싸다는 것만 알면 된다. 그러나 데이터에 생존자 편향이 있다면 백테스트 결과를 신뢰할 수 없다.

같은 고려사항이 뉴스에도 적용된다—Bloomberg 같은 고커버리지 실시간 뉴스 소스를 감당할 수 있느냐가 뉴스 주도 전략의 실행 가능성을 결정한다. 펀더멘털(즉, 기업의 재무) 데이터도 마찬가지다—기업에 대한 펀더멘털 데이터가 포함된 양질의 역사적 데이터베이스를 감당할 수 있느냐가 그런 데이터에 의존하는 전략을 구축할 수 있느냐를 결정한다.

아래 표 2.2는 자본(트레이딩용이든 지출용이든) 제약이 다양한 선택에 어떻게 영향을 미칠 수 있는지를 정리한 것이다.

표 2.2 자본 가용성이 다양한 선택에 미치는 영향

저자본	고자본
프랍 트레이딩 회사 멤버십	리테일 증권사 계좌
선물, 통화, 옵션	주식 포함 모든 것
인트라데이	인트라/인터데이(오버나이트) 모두
방향성	방향성 또는 시장 중립
인트라데이 트레이딩용 소규모 종목 우주	인트라데이 트레이딩용 대규모 종목 우주
생존자 편향 있는 일별 역사 데이터	고빈도 역사 데이터, 생존자 편향 없음
저커버리지 또는 지연된 뉴스 소스	고커버리지, 실시간 뉴스 소스
역사적 뉴스 데이터베이스 없음	생존자 편향 없는 역사적 뉴스 데이터베이스
주식에 대한 역사적 펀더멘털 데이터 없음	생존자 편향 없는 역사적 펀더멘털 데이터

이 표는 물론 경직된 규칙이 아니라 고려해야 할 몇 가지 사항이다. 예를 들어, 저자본이지만 프랍 트레이딩 회사에 계좌를 열었다면, 위의 고려사항 중 많은 부분(인프라 지출은 제외)에서 자유로울 수 있다. 처음에는 리테일 증권사 계좌(Interactive Brokers를 선택했다)에서 10만 달러로 독립 퀀트 트레이더 생활을 시작했고, 처음에는 방향성, 인트라데이 주식 전략만 거래했다. 그러나 수익성을 위해 훨씬 더 많은 레버리지가 필요한 전략을 개발하자, 프랍 트레이딩 회사 멤버도 되었다. (실제로 두 계좌를 동시에 가질 수 있으며, 체결 속도와 유동성 접근성을 비교하기 위해서라도 그렇게 하는 것이 좋은 이유가 있다. 4장의 “증권사 또는 프랍 트레이딩 회사 선택” 참조.)

역사 데이터를 주의하라는 빈번한 경고에도 불구하고, 처음 독립했을 때는 HQuotes.com의 다운로드 프로그램을 이용해 분할·배당 수정된 야후 파이낸스 데이터만 다운로드했다(3장에서 다양한 데이터베이스와 도구에 대해 더 자세히 설명). 이 데이터베이스는 생존자 편향이 없지 않다—하지만 2년이 넘게 지난 지금도 대부분의 백테스팅에 여전히 이것을 사용하고 있다! 실제로, 매일 계좌 규모의 10배 이상을 거래하는 한 아는 트레이더는 백테스팅에 이런 편향된 데이터를 사용하지만, 전략은 여전히 수익성이 있다. 어떻게 그게 가능할까? 아마 인트라데이 전략이기 때문일 것이다. 생존자 편향 없는 데이터를 기꺼이 구입하고 감당할 수 있는 사람들은 수천만 달러 이상을 거래하는 자금운용사에서 일하는 사람들인 것 같다(저자 자신도 과거에 그런 경우였다). 따라서, 도구와 데이터의 한계를 인식하는 한, 많은 부분을 타협해도 여전히 성공할 수 있다.

선물은 높은 레버리지를 제공하지만, 일부 선물 계약은 규모가 너무 커서 소규모 계좌로는 거래하기 불가능하다. 예를 들어, 뉴욕 상품 거래소(NYMEX)의 플래티넘 선물 계약은 증거금 요건이 8,100달러에 불과하지만 명목 가치는 현재 약 10만 달러다. 게다가 변동성이 심해서 6% 일별 움직임도 드물지 않으며, 이는 이 하나의 계약으로 계좌에서 하루 6,000달러의 손익(P&L) 변동을 일으킨다. (믿어라, 이 계약을 계좌에 몇 개 보유한 적이 있었는데, 그것들이 반대 방향으로 움직일 때는 정말 지독한 기분이다.) 반면, 시카고 상업 거래소(CME, 곧 NYMEX와 합병 예정)의 E-mini S&P 500 선물 ES는 명목 가치가 약 67,500달러이고 15년 동안 6% 이상의 일별 움직임은 두 번밖에 없었다. 그래서 증거금 요건이 4,500달러로, 플래티넘 계약의 55%에 불과하다.

목표

트레이더가 되기로 선택하는 대부분의 사람들은 꾸준한(바라건대 증가하는) 월 단위, 또는 적어도 분기 단위 수입을 원한다. 하지만 독립적으로 부유하고 장기 자본 이득만을 원하는 경우도 있다. 단기 수입 대 장기 자본 이득을 추구하는 전략은 주로 보유 기간으로 구분된다. 명백히, 평균 1년 동안 주식을 보유한다면 큰 월 수입은 창출하지 못한다(물론, 매달 새 서브포트폴리오를 시작해서 1년간 보유하는 방식으로 포트폴리오를 엇갈려 시작한 경우는 예외다). 더 미묘하게는, 전략이 평균 한 달 동안 주식을 보유하더라도, 월별 수익 변동이 상당히 클 가능성이 높아서(포트폴리오를 엇갈리게 운영해서 수백 개의 다른 주식을 보유하지 않는 한) 월별로 꾸준한 수입을 창출하기 어렵다. 보유 기간(또는 반대로 트레이딩 빈도)과 수익의 일관성(즉, 샤프 비율, 또는 반대로 최대 낙폭) 사이의 이 관계는 다음 섹션에서 더 자세히 논의할 것이다. 여기서 요점은, 더 정기적으로 수익을 실현하고 수입을 창출하고 싶을수록 보유 기간이 짧아야 한다는 것이다.

일부 투자 조언가들이 제기하는 오해가 있는데, 목표가 최대 장기 자본 성장이라면 최선의 전략은 매수-보유 전략이라는 것이다. 이 개념은 수학적으로 거짓임이 증명되었다. 실제로 최대 장기 성장은 충분히 높은 레버리지에 접근할 수 있다는 전제 하에 최대 샤프 비율(다음 섹션에서 정의)을 가진 전략을 찾음으로써 달성된다. 따라서, 보유 기간이 매우 짧고 연간 수익이 매우 작지만 샤프 비율이 매우 높은 단기 전략과, 보유 기간이 길고 연간 수익이 높지만 샤프 비율이 낮은 장기 전략을 비교할 때, 세금 고려사항과 마진 차입 한도를 제외하면 장기 성장이 목표라 해도 여전히 단기 전략을 선택하는 것이 더 유리하다(6장 자금 및 리스크 관리에서 이 놀라운 사실에 대해 더 자세히 설명).

그럴듯한 전략과 그 함정

이제 개인적인 요구사항에 맞는 잠재적 전략들에 대해 읽었다고 가정해보자. 아마 다른 누군가가 이 전략들에 대해 백테스트를 수행하고 훌륭한 역사적 수익을 거뒀다고 보고했을 것이다. 이 전략에 대해 포괄적인 백테스트를 수행하는 데(자본을 실제로 투자하는 것은 말할 것도 없고) 시간을 투자하기 전에, 시간이나 돈을 낭비하지 않도록 할 수 있는 몇 가지 빠른 점검 사항이 있다.

벤치마크와 비교했을 때 어떤가, 그리고 수익의 일관성은?

전략이 주식을 매수(공매도 없이)하는 주식 트레이딩 전략일 때 이 점은 명백해 보인다. 롱 전용 전략이 연간 10%를 수익 낸다면, 인덱스 펀드에 투자하면 평균적으로 같거나 더 좋은 수익을 낼 수 있기 때문에 그다지 환상적이지 않다는 것을 모두가 안다. 그러나 전략이 롱-숏 달러 중립 전략이라면(즉, 포트폴리오가 동등한 자본으로 롱과 숏 포지션을 보유한다면), 그 경우 비교 벤치마크는 시장 지수가 아니라 3개월 미국 단기 국채 수익률(이 글을 쓸 당시 약 4%)과 같은 무위험 자산이기 때문에 10%는 꽤 좋은 수익이다.

또 다른 고려사항은 전략이 창출하는 수익의 일관성이다. 어떤 전략이 벤치마크와 같은 평균 수익을 내더라도, 벤치마크가 가끔 매우 나쁜 달을 겪는 동안 매달 긍정적인 수익을 제공했을 수도 있다. 이 경우에도 우리는 그 전략이 우수하다고 볼 것이다. 이는 퀀트 트레이딩 전략의 적절한 성과 측정으로 수익이 아닌 정보 비율(Information Ratio) 또는 샤프 비율(Sharpe ratio)(Sharpe, 1994)을 고려하게 한다.

정보 비율은 롱 전용 전략을 평가할 때 사용하는 척도다. 다음과 같이 정의된다:

$$\text{정보 비율} = \frac{\text{초과 수익의 평균}}{\text{초과 수익의 표준편차}}$$

여기서

$$\text{초과 수익} = \text{포트폴리오 수익} - \text{벤치마크 수익}$$

벤치마크는 보통 거래하는 증권이 속한 시장 지수다. 예를 들어, 미국 주식만 거래한다면 S&P 500이 벤치마크가 된다.

소형주만 거래한다면 시장 지수는 S&P 500이 아니라 S&P 소형주 지수 또는 Russell 2000 지수여야 한다. 금 선물만 거래한다면 시장 지수는 주식 지수가 아니라 금 현물 가격이 되어야 한다.

샤프 비율은 실제로 정보 비율의 특수한 경우로, 달러 중립 전략에 적합하며 이때 벤치마크는 항상 무위험 수익률이다. 실무에서 대부분의 트레이더는 방향성(롱 또는 숏 전용) 전략을 거래할 때도 샤프 비율을 사용하는데, 이는 다양한 전략 간 비교를 쉽게 하기 때문이다. 무위험 수익률이 무엇인지는 모두가 동의하지만, 각 트레이더가 서로 다른 시장 지수를 사용해서 각자가 선호하는 정보 비율을 계산할 수 있어 비교가 어려워진다.

(실제로 샤프 비율 계산에는 무위험 수익률을 어떻게 차감할지, 비교 편의를 위해 연환산(annualize)을 어떻게 할지 등과 관련된 몇 가지 미묘한 점들이 있다. 이 미묘한 점들은 다음 챕터에서 다루며, 달러 중립 전략과 롱 전용 전략의 샤프 비율을 계산하는 방법을 보여주는 예시도 포함될 것이다.)

샤프 비율이 다양한 전략들을 비교하는 데 이렇게 좋은 성과 측정 지표라면, 왜 수익률 대신 더 자주 인용되지 않는지 의아할 수 있다. 실제로, 한 동료와 함께 SAC 캐피털 어드바이저스(운용 자산: 140억 달러)에 전략을 프레젠테이션하러 갔을 때, 당시 리스크 관리 헤드가 이렇게 말했다: “높은 샤프 비율은 분명히 좋지만, 그 대신 더 높은 수익을 얻을 수 있다면 보너스로 더 큰 집을 살 수 있지요!” 이 논리는 완전히 잘못된 것이다. 더 높은 샤프 비율은 결국 더 많은 이익을 낼 수 있게 해주는데, 더 높은 레버리지로 거래할 수 있기 때문이다. 결국 중요한 것은 레버리지가 적용된 수익이지, 트레이딩 전략의 명목 수익이 아니다. 이에 대해서는 6장 자금 및 리스크 관리를 참조하라.

(그리고 아니나 다를까, SAC에 대한 피칭은 성공하지 못했다. 하지만 그건 전략의 수익과는 전혀 무관한 이유였다. 어쨌든 그 당시에는 나도 동료도 샤프 비율과 레버리지 수익 사이의 수학적 관계에 대해 충분히 알지 못해서 그 리스크 관리 헤드에게 제대로 반론을 펼치지 못했다.)

샤프 비율이 무엇인지 알게 되었으니, 이제 후보 전략들의 샤프 비율을 알고 싶을 것이다. 전략 저자들이 보고하지 않는 경우도 많아서 개인적으로 이메일을 보내야 할 수도 있다. 저자가 금융학 교수라면 대개 응해주지만, 거절한다면 직접 백테스트하는 수밖에 없다. 때로는 매우 빈약한 정보만으로도 합리적인 추정을 할 수 있다:

전략이 연간 몇 번만 거래한다면, 샤프 비율이 높을 가능성이 없다. 이것이 멀티전략 트레이딩 비즈니스의 일부가 되는 것을 막지는 않지만, 주요 수익 센터가 되기에는 부적합하다.
전략의 낙폭이 깊거나(예: 10% 초과) 길다면(예: 4개월 이상), 높은 샤프 비율을 가질 가능성이 낮다. 낙폭 개념은 다음 섹션에서 설명하겠지만, 자산곡선(환매나 현금 주입이 없다고 가정할 때 누적 손익곡선이기도 하다)을 시각적으로 살펴보면 된다. 그 곡선의 고점에서 저점까지의 변동이 낙폭이다. (그림 2.1 참조.)

그림 2.1 — 낙폭(Drawdown), 최대 낙폭, 최대 낙폭 기간

자산($)
3×10⁴ ─────────────────────────────
                  ╭────╮ ← 최대 낙폭 기간 →
2×10⁴ ─ ─ ─ ─ ─ ╯    ╰──────────────────
                        ↑최대 낙폭
1×10⁴ ─────────
2000    2001    2002    2003  시간

하나의 낙폭(a drawdown), 최대 낙폭(maximum drawdown), 최대 낙폭 기간(maximum drawdown duration)을 나타낸 전형적인 자산곡선.

경험 법칙으로, 샤프 비율이 1 미만인 전략은 독립적인 전략으로는 적합하지 않다. 거의 매달 수익을 내는 전략이라면 (연환산) 샤프 비율이 보통 2 이상이다. 거의 매일 수익을 내는 전략이라면 보통 3 이상이다. 다음 챕터의 예시 3.4, 3.6, 3.7에서 다양한 전략의 샤프 비율을 계산하는 방법을 보여줄 것이다.

낙폭의 깊이와 기간은?

전략이 최근에 돈을 잃으면 **낙폭(drawdown)**을 겪는다. 시간 t에서의 낙폭은 현재 포트폴리오 자산 가치(환매나 현금 주입이 없다고 가정)와 시간 t 이전에 발생한 자산곡선의 전체 최고값의 차이로 정의된다. **최대 낙폭(maximum drawdown)**은 자산곡선의 전체 최고값과 그 최고값 발생 이후 전체 최저값의 차이다(시간 순서가 중요: 전체 최저값은 전체 최고값 이후에 발생해야 한다). 전체 최고값을 “고점(high watermark)“이라 부른다. **최대 낙폭 기간(maximum drawdown duration)**은 자산곡선이 손실을 회복하는 데 걸린 가장 긴 시간이다.

낙폭은 보통 고점 시의 자산을 분모로, 고점 도달 이후 자산 손실을 분자로 하는 비율로 측정된다.

그림 2.1은 자산곡선의 전형적인 낙폭, 최대 낙폭, 최대 낙폭 기간을 보여준다. 예시 3.5에서 Excel 또는 MATLAB을 사용해서 일별 손익 표에서 이 수치들을 계산하는 방법을 튜토리얼로 보여줄 것이다. 참고로, 최대 낙폭과 최대 낙폭 기간이 반드시 같은 기간에 겹치는 것은 아니다.

수학적으로 정의하면 낙폭은 추상적으로 느껴질 수 있다. 그러나 실제로 트레이더라면 낙폭을 겪는 것보다 더 가슴이 철렁하고 감정적으로 힘든 일은 없다. (이는 독립 트레이더든 기관 트레이더든 마찬가지다. 기관 트레이딩 그룹이 낙폭을 겪으면 모두가 삶의 의미를 잃은 것 같고 전략이나 심지어 그룹 전체가 결국 셧다운될 것을 두려워하며 하루하루를 보낸다.) 그러므로 반드시 최소화하고 싶은 것이다. 포트폴리오를 청산하고 전략을 종료하지 않을 만큼, 현실적으로 얼마나 깊고 얼마나 긴 낙폭을 견딜 수 있는지 자신에게 물어봐야 한다. 20%에 3개월인가, 10%에 1개월인가? 자신의 내성을 후보 전략 백테스트에서 얻은 수치와 비교하면 그 전략이 자신에게 맞는지 알 수 있다.

전략 저자가 낙폭의 정확한 수치를 공개하지 않았더라도, 자산곡선 그래프에서 추정할 수 있다. 예를 들어, 그림 2.1을 보면 가장 긴 낙폭이 2001년 2월부터 2002년 10월경까지 이어짐을 알 수 있다. 따라서 최대 낙폭 기간은 약 20개월이다. 또한 최대 낙폭 시작 시점의 자산은 약 $2.3 × 10⁴$이었고, 낙폭이 끝날 때는 약 $0.5 × 10⁴$이었다. 따라서 최대 낙폭은 약 $1.8 × 10⁴$이다.

거래비용이 전략에 미치는 영향은?

전략이 증권을 매수·매도할 때마다 거래비용이 발생한다. 거래 빈도가 높을수록 거래비용이 전략 수익성에 미치는 영향이 커진다. 이 거래비용은 단순히 증권사가 부과하는 수수료만이 아니다. 유동성 비용도 있다—시장가 주문으로 증권을 매수·매도하면 매수·매도 스프레드(bid-ask spread)를 부담하게 된다. 지정가 주문을 사용하면 유동성 비용은 피할 수 있지만 기회비용이 발생한다. 지정가 주문이 체결되지 않을 수 있고, 그러면 잠재적인 거래 이익을 놓칠 수 있기 때문이다. 또한 대량의 증권을 매수·매도할 때는 거래가 이루어지는 가격에 영향을 주지 않고는 거래를 완료할 수 없다. (때로는 단순히 대량 매수 호가를 제시하는 것만으로도 주식을 한 주도 매수하지 않은 상태에서 가격이 올라갈 수 있다!) 자신의 주문으로 인해 시장 가격이 영향을 받는 이 효과를 **시장 충격(market impact)**이라 하며, 증권의 유동성이 낮을수록 전체 거래비용에서 큰 부분을 차지할 수 있다.

마지막으로, 프로그램이 증권사로 주문을 전송하는 시점과 거래소에서 체결되는 시점 사이에 인터넷 지연이나 각종 소프트웨어 문제로 인한 딜레이가 발생할 수 있다. 이 딜레이는 주문을 트리거한 가격과 실제 체결 가격의 차이인 **슬리피지(slippage)**를 야기한다. 물론 슬리피지는 양방향이 가능하지만 평균적으로는 트레이더에게 이득이 아닌 비용이 된다. (평균적으로 이득이 된다면 프로그램이 주문 전송을 몇 초 의도적으로 지연하도록 수정해야 할 것이다!)

거래비용은 증권 종류에 따라 크게 다르다. 보통 해당 증권의 평균 매수·매도 스프레드의 절반에 수수료를 더해서 추정할 수 있다(주문 규모가 최우선 매수·매도 호가의 평균 규모보다 훨씬 크지 않을 경우). S&P 500 종목을 거래한다면 평균 거래비용(증권사에 따라 다른 수수료 제외)은 약 5 베이시스 포인트(즉, 0.05%)다. 단, 매수 후 매도를 두 번의 거래로 계산한다면, 왕복 거래(round trip)는 이 예시에서 10 베이시스 포인트가 된다. ES(E-mini S&P 500 선물)를 거래한다면 거래비용은 약 1 베이시스 포인트다.

전략 저자들이 백테스트 성과에 거래비용을 포함했다고 밝히는 경우도 있지만, 그렇지 않은 경우가 더 많다. 포함하지 않았다면 결과가 거래비용 적용 전이라고 가정하고 스스로 판단해야 한다.

거래비용이 전략에 미치는 영향의 예로, ES의 간단한 평균 회귀 전략을 생각해보자. 볼린저 밴드를 기반으로 한다: 가격이 이동 평균에서 +2 이동 표준편차를 초과하면 숏 진입, –2 이동 표준편차를 하회하면 매수 진입. 가격이 이동 평균의 ±1 표준편차 이내로 회귀하면 청산. 5분마다 진입·청산을 허용하면 거래비용 없이 샤프 비율이 약 3이 나온다—정말 훌륭하다! 안타깝게도 1 베이시스 포인트의 거래비용을 차감하면 샤프 비율은 –3으로 바뀌어 매우 수익성 없는 전략이 된다. 거래비용의 영향에 대한 또 다른 예시는 예시 3.7을 참조하라.

데이터에 생존자 편향이 있는가?

파산, 상장 폐지, 합병, 인수 등으로 사라진 종목이 포함되지 않은 역사적 주가 데이터베이스는 이른바 **생존자 편향(survivorship bias)**을 겪는다. 이런 불쾌한 이벤트들의 “생존자”만 데이터베이스에 남아 있기 때문이다. (같은 개념이 폐업한 펀드를 포함하지 않는 뮤추얼 펀드나 헤지펀드 데이터베이스에도 적용된다.) 생존자 편향이 있는 데이터로 전략을 백테스트하면 위험할 수 있는데, 전략의 역사적 성과를 부풀릴 수 있기 때문이다. 이는 특히 전략이 “가치(value)” 성향을 가질 때 두드러진다. 즉, 저렴한 주식을 매수하는 경향이 있을 때 그렇다. 일부 주식은 회사가 곧 파산할 것이기 때문에 저렴하다. 전략이 주식이 매우 저렴하지만 결국 살아남은(그리고 번창했을) 케이스만 포함하고, 결국 상장 폐지된 케이스는 무시한다면, 백테스트 성과는 당연히 트레이더가 당시 실제로 겪었을 성과보다 훨씬 좋게 나온다.

따라서 훌륭한 성과를 내는 “저렴한 주식 매수” 전략을 읽게 되면, 전략 저자에게 생존자 편향이 없는(“point-in-time”이라고도 불리는) 데이터로 테스트했는지 물어봐라. 그렇지 않다면 결과를 의심해야 한다. (이를 보여주는 예시 전략은 예시 3.3에서 찾을 수 있다.)

전략의 성과가 시간에 따라 어떻게 변해왔는가?

대부분의 전략은 지금보다 10년 전에 더 잘 작동했다. 적어도 백테스트상으로는 그렇다. 당시에는 퀀트 전략을 운영하는 헤지펀드가 지금처럼 많지 않았다. 또한 매수·매도 스프레드도 훨씬 넓었다. 따라서 오늘날의 거래비용이 백테스트 전 기간에 적용되었다고 가정하면, 초기 기간은 비현실적으로 높은 수익을 보여줄 것이다.

생존자 편향도 초기 기간의 좋은 성과에 기여할 수 있다. 생존자 편향이 주로 초기 기간의 성과를 부풀리는 이유는, 백테스트에서 더 과거로 거슬러 올라갈수록 누락된 종목이 더 많아지기 때문이다. 그 누락된 종목들 중 일부는 폐업했기 때문에 없는 것이므로, 롱 전용 전략은 당시 실제 손익보다 백테스트상으로 더 좋아 보였을 것이다. 따라서 전략의 적합성을 판단할 때, 오래된 기간 전체 성과에 현혹되지 말고 최근 몇 년간의 성과에 특히 주의를 기울여야 한다. 오래된 과거의 장밋빛 수치가 포함된 전체 성과에 속지 않도록 해야 한다.

마지막으로, 금융 시장의 “레짐 변화(regime shifts)“는 이전 시기의 금융 데이터가 오늘날 적용 가능한 모델에 단순히 맞지 않을 수 있음을 의미한다. 주요 레짐 변화는 증권 시장 규제의 변화(예: 주가의 십진법화나 공매도 규칙 폐지—5장에서 언급)나 서브프라임 모기지 사태 같은 거시경제적 사건으로 인해 발생할 수 있다.

이 점은 통계적으로 사고하는 독자들에게 받아들이기 어려울 수 있다. 많은 사람들이 데이터가 많을수록 백테스트가 통계적으로 더 견고해진다고 생각한다. 이는 금융 시계열이 정상 과정(stationary process)에 의해 생성된 경우에만 사실이다. 안타깝게도 금융 시계열은 위의 모든 이유로 인해 비정상성(nonstationarity)으로 유명하다.

이런 레짐 변화를 정교한 “슈퍼” 모델에 통합하는 것은 가능하지만(예시 7.1에서 논의), 모델이 최근 데이터에서 좋은 성과를 내도록 단순히 요구하는 것이 훨씬 간단하다.

전략에 데이터 스누핑 편향이 있는가?

100개의 파라미터를 가진 트레이딩 전략을 구축한다면, 역사적 성과가 환상적으로 보이도록 파라미터를 최적화할 가능성이 매우 높다. 하지만 이 전략의 미래 성과는 역사적 성과와 전혀 다르게 나타나 매우 저조할 가능성도 매우 높다. 파라미터가 너무 많으면 미래에 반복되지 않을 과거의 역사적 우연에 모델을 맞추게 된다. 사실, 이른바 **데이터 스누핑 편향(data-snooping bias)**은 파라미터가 단 하나나 둘만 있어도(예: 진입·청산 임계값) 피하기 매우 어렵다. 그 영향을 최소화하는 방법은 3장에서 다루겠지만, 일반적으로 전략의 규칙이 많을수록, 모델의 파라미터가 많을수록 데이터 스누핑 편향에 더 취약하다. 단순한 모델이 시간의 검증을 견디는 경우가 많다. (인공지능과 주식 선택에 관한 필자의 견해를 담은 사이드바를 참조하라.)

사이드바: 인공지능과 주식 선택

얼마 전 뉴욕타임스에 인공지능 분야의 선구자인 Ray Kurzweil이 새로운 헤지펀드를 출범시켰다는 기사가 실렸다. Kurzweil에 따르면 이 펀드의 주식 선택 결정은 “수십억 건의 시장 거래를 관찰해서 인간이 절대 볼 수 없는 패턴을 포착할 수 있는” 기계가 내린다고 했다.

알고리즘 트레이딩을 확실히 믿는 사람이지만, “인공지능”에 기반한 트레이딩에 대해서는 회의적이 되었다.

AI를 과단순화하자면, AI는 많은 파라미터를 가진 함수에 과거 데이터 포인트를 피팅하려는 시도라고 볼 수 있다. 이는 AI가 즐겨 사용하는 도구들—신경망, 의사결정 트리, 유전자 알고리즘—의 경우에 해당한다. 파라미터가 많으면 인간이 볼 수 없는 작은 패턴들을 확실히 포착할 수 있다. 그러나 이 패턴들이 지속될까? 아니면 다시는 재연되지 않을 무작위 노이즈일까? AI 전문가들은 일시적 노이즈에 함수를 피팅하는 것에 대한 많은 안전장치가 있다고 장담한다. 실제로 이런 도구들은 소비자 마케팅과 신용카드 사기 감지에서 매우 효과적이었다. 소비자와 절도 패턴은 시간이 지나도 꽤 일관적이어서, 파라미터가 많아도 AI 알고리즘이 잘 작동한다. 그러나 필자의 경험에 따르면, 이런 안전장치들이 금융 시장 예측에서는 훨씬 덜 효과적이고 역사적 데이터의 노이즈 과적합이 여전히 만연한 문제다. 실제로 과거에 이런 AI 알고리즘들을 상당수 기반으로 금융 예측 모델을 구축한 적이 있다. 백테스트에서 기막히게 작동하는 것처럼 보이는 신중하게 구축된 모델이 나올 때마다, 이 모델들은 앞으로 나아가면서 어김없이 처참하게 작동했다. 이것의 주된 이유는 통계적으로 독립적인 금융 데이터의 양이 소비자·신용 거래에서 이용 가능한 수십억 건과 비교해 훨씬 더 제한적이기 때문인 것 같다. (틱 단위 금융 데이터가 채굴할 수 있을 만큼 많다고 생각할 수 있지만, 그런 데이터는 연속적으로 상관관계가 있어 독립과는 거리가 멀다.)

이것은 AI에 기반한 어떤 방법도 예측에서 작동하지 않는다는 말이 아니다. 필자에게 효과적인 방법들은 보통 이런 특성으로 구별된다:

건전한 계량경제학적 또는 합리적 근거에 기반하며, 패턴의 무작위적 발견에 기반하지 않는다.

과거 데이터에 피팅해야 할 파라미터가 적다.

선형 회귀만 사용하며, 어떤 특이한 비선형 함수에 피팅하지 않는다.

개념적으로 단순하다.

모든 최적화는 미래의 미지 데이터를 포함하지 않는 룩백 이동 창(lookback moving window) 내에서 이루어져야 한다. 그리고 이 최적화의 효과는 이 미래의 미지 데이터를 이용해 지속적으로 검증되어야 한다.

트레이딩 모델이 이런 방식으로 제약될 때만 소중하고 작은 역사적 데이터로 테스트하는 것을 감히 허용한다. 오컴의 면도날은 과학뿐만 아니라 금융에서도 통한다.

전략이 대형 기관 자금운용사의 “레이더 아래”를 날 수 있는가?

이 책은 퀀트 트레이딩 비즈니스를 처음부터 시작하는 방법에 관한 것이지, 수억 달러를 운용하는 헤지펀드를 시작하는 것에 관한 것이 아니다. 따라서 전략이 수억 달러를 흡수할 수 있는지를 걱정할 필요가 없다. (*용량(capacity)*은 수익에 부정적인 영향 없이 전략이 흡수할 수 있는 자본량을 나타내는 기술적 용어다.) 사실, 정반대다—대부분의 기관 투자자들의 레이더 아래를 날 수 있는 전략을 찾아야 한다. 예를 들어, 너무 자주 거래하기 때문에 용량이 매우 낮은 전략, 매일 극소수의 종목만 거래하는 전략, 또는 포지션이 매우 드문 전략(7장에서 설명하는 상품 선물의 일부 계절성 거래 같은 것들)이 그러하다. 그런 틈새시장들은 거대 헤지펀드에 의해 완전히 차익거래로 소멸되지 않았기 때문에 여전히 수익성이 있을 가능성이 높다.

요약

유망한 퀀트 트레이딩 전략을 찾는 것은 어렵지 않다. 다음과 같은 곳들이 있다:

경영대학원 및 기타 경제 연구 웹사이트
리테일 투자자에 초점을 맞춘 금융 웹사이트 및 블로그
동료 트레이더들과 아이디어를 교환할 수 있는 트레이더 포럼

충분히 인터넷을 탐색하거나 트레이딩 잡지를 뒤지다 보면 유망한 트레이딩 전략들을 여러 개 찾을 수 있을 것이다. 그것들을 개인적인 상황과 요구사항에 따라 추려내라. 그 뒤 앞서 제시한 스크리닝 기준(정확히는 건전한 회의주의)을 적용해라:

자신에 관한 질문:

트레이딩 프로그램을 관리하는 데 얼마나 시간을 쓸 수 있는가?
프로그래밍 실력이 어느 정도인가?
자본이 얼마나 있는가?
목표가 꾸준한 월 수입인가, 아니면 큰 장기 자본 이득인가?

전략에 관한 빠른 점검:

벤치마크를 능가하는가?
충분히 높은 샤프 비율을 가지고 있는가?
낙폭이 충분히 작고 낙폭 기간이 충분히 짧은가?
백테스트에 생존자 편향이 있는가?
최근 몇 년간 전략의 힘이 예전보다 약해지고 있지는 않은가?
대형 기관 자금운용사들의 치열한 경쟁으로부터 보호해주는 자체적인 “틈새시장”이 있는가?

이런 빠른 판단을 모두 마쳤다면, 이제 다음 챕터로 넘어갈 준비가 된 것이다. 다음 챕터에서는 전략이 광고된 대로 작동하는지 확인하기 위해 직접 철저하게 백테스트하는 방법을 다룬다.