알고리즘 트레이딩 기초 정리: 생존 편향과 성과 지표, 켈리 배분까지 스터디 요약

핵심 메시지

• 검증에 쓴 전략과 코드를 실거래에 그대로 써야 동작이 일치한다는 보장이 생긴다.
• 상장 폐지된 종목을 빼고 데이터를 모으면 살아남은 종목만 남아 실패 사례를 학습할 수 없고, 과거 데이터에 미래 정보가 섞이면 결과가 부풀려진다.
• 성과는 하나의 숫자로 판단할 수 없어 연평균 복리 수익률, 샤프 비율, 최대 낙폭과 그 지속 기간, 칼마 비율을 함께 본다.
• 50% 오른 뒤 50% 내리면 원금이 회복되지 않는다는 사실이 복리 관점에서 수익률을 봐야 하는 이유다.
• 자산 배분은 단기에는 마코위츠 포트폴리오, 장기에는 복리 수익률 극대화 관점으로 접근하며 켈리 배분이 그 접점에 있다.

쉽게 이해하기

AI·ML·퀀트 스터디 모임이 알고리즘 트레이딩 교재의 첫 장을 함께 읽은 녹화 영상이다. 발표자는 저자가 가장 먼저 강조한 원칙으로 검증과 실거래의 일치를 꼽았다. 과거 데이터로 검증한 전략과 코드를 그대로 실거래에 써야 나중에 예상치 못한 오류가 생기지 않고, 검증했을 때의 동작이 실제로도 재현된다는 보장이 생긴다는 것이다.

다음으로 나온 주제는 데이터다. 좋은 데이터가 있어야 좋은 전략이 나온다는 전제 아래, 수집 단계에서 조심해야 할 두 가지 함정이 소개됐다. 하나는 사라진 회사의 문제다. 상장 폐지된 종목의 데이터는 함께 사라지기 때문에 지금 시점에서 데이터를 뽑으면 살아남은 종목만 모이고, 그러면 실패 사례를 학습할 수 없다. 다른 하나는 과거 데이터에 그 당시에는 알 수 없었던 미래 정보가 섞여 들어가는 경우로, 발표자는 이를 사실상 부정행위에 가깝다고 표현하며 편향된 결과가 나올 수 있다고 짚었다.

뉴스와 감성 데이터에 대해서는 발표자 본인의 시행착오가 길게 이어졌다. 처음에는 세계 뉴스와 유명 인사의 발언을 폭넓게 크롤링했는데 전쟁, 경제, 부도 같은 이슈가 워낙 다양하게 쏟아져 대응 방향을 잡기 어려웠고, 범위를 특정 섹터와 대형 기술주로 좁히자 이번에는 시야가 지나치게 편향됐다. 매일 쌓이는 기사를 하나씩 눌러 읽어야 인사이트가 나오다 보니 시간이 감당되지 않아 결국 지쳤다는 고백도 나왔다. 참석자들은 텍스트를 직접 정량화해 시장 심리를 읽는 일은 난도가 매우 높으니, 이미 지수 형태로 정리돼 나오는 심리 지표들을 모아 활용하는 편이 현실적이라고 조언했다.

개발 환경 이야기도 짚었다. 파이썬이나 매트랩은 코드를 짜고 바로 확인할 수 있으며 라이브러리 생태계가 잘 갖춰져 있지만, 체결 속도가 중요한 거래에서는 상대적으로 느리다. 반면 아주 빠른 실행이 필요하면 저수준 언어로 가야 하는데 구축에 훨씬 많은 시간과 노력이 든다. 그래서 개발은 파이썬이나 매트랩으로 하고 필요한 부분만 변환하는 방식이 합리적이라는 결론이었다. 다만 참석자들은 이 책이 나온 지 10년이 지나 요즘의 개발 방식과는 갱신이 필요한 부분이 있다고 덧붙였다. 증권사 선택에서도 수수료가 싼 곳을 좇기보다 안전성을 기준으로 삼으라는 조언이 나왔는데, 무료라고 내세우는 구조 뒤에는 다른 방식으로 비용이 숨어 있기 때문이다.

후반부는 성과 지표와 자산 배분이다. 저자가 비중 있게 다룬 지표는 연평균 복리 수익률, 샤프 비율, 최대 낙폭, 최대 낙폭 지속 기간, 칼마 비율의 다섯 가지다. 최대 낙폭은 고점과 저점의 차이이고, 지속 기간은 고점에서 떨어진 뒤 원금을 회복할 때까지 걸린 가장 긴 시간을 뜻한다. 샤프 비율이 변동성 대비 수익을 본다면, 칼마 비율은 코로나 사태처럼 급격히 무너졌던 최악의 구간을 기준으로 수익을 따진다. 발표자는 평소의 잔잔한 흔들림과 큰 파동을 모두 대비하려면 두 지표를 함께 봐야 한다고 정리했다.

주요 인사이트

• 하루 1%씩 252거래일을 이어 가면 단순 합산으로는 약 252%지만 복리로는 1000%를 넘는다. 같은 수익률이라도 복리 관점에서 보면 결과가 전혀 달라진다.
• 1만 원이 50% 올라 1만 5000원이 된 뒤 다음 날 50% 하락하면 7500원이 되어 2500원을 잃는다. 산술 평균으로는 변화가 없어 보여도 실제 자산은 줄어든다.
• 산술 수익률과 로그 수익률의 평균은 기간을 잘게 쪼갤수록 서로 가까워지고, 분할 횟수를 무한히 늘리면 정확히 일치한다는 점이 수학적으로 증명된다.
• 효율적 프론티어에서 접점을 찾는 일은 결국 기대 수익률을 정해 두고 표준편차를 최소화해 샤프 비율을 최대로 만드는 문제로 환원된다.
• 켈리 배분은 기대 수익이 큰 자산에 더 많이 싣되 공분산으로 위험이 겹치지 않게 분산시키는 구조다. 다만 모든 참여자가 같은 공식으로 움직일 때의 시장 흔들림은 따로 고민해야 한다.

자주 묻는 질문

관련 AI 소식