「방어적 퀀트」 입문 — AI와 퀀트로 리스크를 관리하는 네 가지 상황 (개요편)

본 기사는 필자의 학습과 실천에 기반한 개인적인 생각을 정리한 것입니다. 특정 금융 상품의 매매를 권유하거나 투자 조언을 드리는 것이 아닙니다.

AI나 퀀트(Quant)라는 말을 들으면, '주가 등락을 예측하는 기술'을 떠올리는 분들이 많을 것입니다. 실제로 AI로 시장 흐름을 예측하려는 시도는 많이 있습니다. 하지만 금융 시장에서 가격 변동의 방향을 계속 맞추는 것은 AI에게도 쉽지 않습니다 (과거 기사에서 Kaggle 경진대회를 소재로 생각해 보았습니다).

반면, 퀀트에는 '예측' 외에도 중요한 활용처가 있습니다. 가격 변동의 거칠기(변동성)를 측정하는 것, 자산 조합 방법을 생각하는 것, 보유량을 조정하는 것, 정한 규칙을 확인하며 계속 이어가는 것입니다. 이른바 '방어'를 위한 사용법입니다.

이 글은 시리즈 'AI 퀀트를 이용한 리스크 관리'의 개요편입니다. 개별 기법을 깊이 파고들기 전에, 투자의 판단에서 '어디서' 퀀트를 사용하는 것이 효과적인지 그 지도를 보여드리겠습니다.

이 글의 약속:

이 글에서 목표하는 것은 손해를 보지 않는 시스템이 아닙니다. 예측이나 추정이 틀릴 수 있다는 것을 전제로, 그럼에도 불구하고 운용을 계속할 수 있도록 취할 리스크와 행동의 규칙을 설계하는 것입니다.

방어의 목적은 그 자체로 돈을 버는 것이 아니라, 도중에 시장에서 이탈하지 않고 시장 성장을 계속 받아내는 데 있습니다.

리스크를 줄인다고 해서 언제나 수익이 늘어나는 것은 아닙니다. 그럼에도 불구하고 자신이 무엇에 베팅하고 어느 정도의 손실을 감수하는지 숫자로 파악할 가치는 있다고 생각합니다.

이 글을 통해 가져가셨으면 하는 세 가지는 다음과 같습니다.

• 퀀트는 '방어', 즉 리스크 관리에 사용할 수 있다. 취할 리스크를 스스로 정하고, 숫자로 파악한다.
• 가격의 방향을 맞추는 것과 리스크를 추정하는 것은 다르다.
• 이 글에서는 AI를 예측의 주역이 아니라, 추정·정리·검증의 보조 도구로 사용한다.

수식도 조금 나오겠지만, 모두 '수식 → 말(언어) → 수치 예시' 순서로 설명하겠습니다. 수식이 어려운 분들은 수식 틀을 건너뛰어도 이야기 흐름은 따라갈 수 있도록 했습니다.

퀀트 이야기에 들어가기 전에 정해두고 싶은 것이 있습니다.

• 무엇을 위한 자금인가?
• 언제 사용할 것인가?
• 어느 정도의 자산 감소가 발생해야 운용을 계속할 수 있는가?

이것은 숫자가 결정해 주는 것이 아니라, 사람이 결정하는 것입니다. 목적과 허용 범위를 사람이 정하고, 그 범위를 지키기 위해 퀀트를 사용합니다. 이 글은 이 순서대로 구성되어 있습니다.

참고로, '네 가지 상황에서 생각하는 것'과 '이 글에서 소개하는 모든 기법을 도입하는 것'은 별개입니다. 예를 들어, 정한 비율을 계속 유지하며 운용하더라도, 네 가지 상황에서 생각할 수는 있습니다.

가격의 방향이나 폭락 시점을 한 점에서 맞추는 것은 이 글의 주역으로 삼지 않습니다. 예측을 부정하는 것이 아니라, '입문자가 가장 먼저 의지해야 할 곳은 아니다'라는 우선순위의 문제입니다.

나중에 나올 '변동성 추정' 역시 과거 데이터를 미래 판단에 사용하는 일종의 추측입니다. 이 또한 틀릴 수 있습니다.

이 글에서는 AI를 다음과 같이 위치시킵니다.

알아내야 할 포인트:

목적과 허용 범위는 사람이 정하고, 그 범위를 지키기 위해 퀀트를 사용한다.

날씨로 생각해 보겠습니다. 내일 맑을지 여부는 틀릴 수 있지만, 장마철에는 비 오는 날이 계속되기 쉽다는 것은 알 수 있습니다.

시장에도 비슷한 성질이 있습니다. 가격 변동이 거칠었던 다음 날은 거친 날이 계속되기 쉬우며, 온화한 시기는 온화한 날이 계속되기 쉽습니다. 이것을 **변동성 클러스터링(Volatility Clustering)**이라고 부릅니다. 오를지 내릴지를 맞추는 것은 어렵지만, '지금 얼마나 거칠게 변하고 있는지'는 어느 정도 추정할 수 있습니다.

하지만 '리스크는 확실하게 예측할 수 있다'는 것은 아닙니다. 급변의 초동은 읽을 수 없으며, 추정치는 틀릴 수 있습니다. 그럼에도 불구하고, 방향을 맞추는 것과 리스크를 추정하는 것을 별개의 문제로 다룰 수 있다는 것이 방어적 퀀트의 출발점입니다.

10% 하락한 후 10% 상승하면 원상 복구될까요? 100만 엔이 90만 엔이 되고, 거기서 10%가 오르면 99만 엔입니다. 원래대로 돌아가지 않습니다.

손실 비율이 커질수록, 회복하는 데 필요한 상승 폭은 급격히 커집니다.

수식 코ラム ①: 원상 복구에 필요한 상승률

풀이 : 감소율을 $d$라고 하면, 돌아가는 데 필요한 상승률은 이 공식으로 결정됩니다. $d$가 커질수록, 필요한 상승 폭은 급격히 커집니다.

수치 예시 : $d = 0.5$(절반)라면 $1 ext{ ÷ } 0.5 - 1 = 1$, 즉 +100%입니다.

다만, 이 표가 보여주는 것은 '손실의 비대칭성'일 뿐입니다. 특정 매도 규칙이 유효하다는 증명은 아닙니다. 이 둘은 분리해서 생각해야 합니다.

가격 변동의 거칠기는 복리 성장률에도 영향을 줍니다.

수식 코ラム ②: 거칠기가 성장을 깎아먹는다 (변동성 드래그, Volatility Drag)

ightleftharpoons 	ext{평균 리턴} - rac{	ext{시그마}^2}{2}

풀이 : $ ext{시그마}( ext{ } ext{ })$는 가격 변동의 거칠기입니다. 평균 리턴이 같다면, 거칠수록 실제로 증가하는 속도(복리 성장률)는 느려집니다.

수치 예시 : 평균 리턴 7%일 경우, 거칠기 20%라면 $7% - 0.2^2 ext{ }
ightleftharpoons 5%$이고, 거칠기 10%라면 $7% - 0.5^2 ext{ }
ightleftharpoons 6.5%$입니다.

전제 : 근사식입니다. 평균 리턴이 같다는 것이 조건이며, 보유량을 줄이면 평균 리턴도 변합니다.

여기서 주의해야 할 점은 '거칠기를 낮추면 성장률이 올라간다'는 것은 아닐 수 있다는 것입니다. 보유량을 줄이면 거칠기와 함께 평균 리턴도 하락하기 때문입니다. 현금 이자율을 0%, 비용은 없다고 가정한 설명용 예시로 비교해 보겠습니다.

즉, 어느 쪽이 될지는 조건에 달려 있습니다. 또한 '기대 리턴을 크게 손상시키지 않으면서 분산으로 거칠기를 낮추는 것'과 '단순히 현금을 늘려 거칠기를 낮추는 것'은 의미가 다릅니다.

그렇다면, 방어(리스크 관리)는 자산을 늘리는 것과 무관한 걸까요? 그렇지 않다고 생각합니다. 다만, 연결되는 순서가 있습니다.

큰 손실을 피한다 → 도중에 이탈하지 않는다 → 시장에 머물며 장기 복리 성장을 받는다 → 결과적으로 자산이 늘어나기 쉬워진다

증가의 근원은 어디까지나 시장의 장기적인 성장(과 분산)입니다. 방어는 그것을 계속 받아낼 수 있는 조건을 만드는 것입니다. 방어 자체가 이익을 창출하는 것은 아닙니다.

방어가 증가로 이어지는 경로는 3가지가 있습니다.

• Morningstar의 'Mind the Gap 2025'에 따르면, 2024년 말까지의 10년간 미국 펀드의 연율 리턴은 8.2%였습니다. 이에 비해 투자자가 실제로 얻은 리턴은 7.0%로, 연 1.2포인트의 차이가 있었습니다. 자금을 투입하고 회수하는 타이밍이 이 차이의 주요 원인으로 알려져 있습니다.
• J.P. Morgan Asset Management의 분석에 따르면, 2005년부터 2024년까지 S&P 500에서 상승률이 높았던 상위 10일 중 7일은 하락률이 높았던 날로부터 2주 이내에 발생했습니다. 이 10일을 놓쳤을 뿐인데, 연율 리턴이 10.4%에서 6.1%로 떨어집니다.

투자 고전에는 Charles Ellis의 '패배자의 게임(Loser's Game)'이 있습니다. Ellis는 아마추어 테니스를 예로 들며, 득점의 상당 부분은 상대방의 좋은 플레이가 아니라 자신의 실수로 결정되기 때문에, 실수가 적은 쪽이 이긴다고 설명했습니다. 운용도 비슷해서, 큰 실수, 즉 큰 손실이나 투매를 줄이는 것이 결과적으로 성적을 좌우한다고 생각합니다. 최대 낙폭(Maximum Drawdown)을 '생존'의 지표로 보는 관점은 지난 기사에서도 다루었습니다.

반면에, 지나치게 방어하는 것 또한 지속할 수 없는 이유가 됩니다. 보유 자산을 너무 줄이면 장기적인 성장을 놓치고, 뒤처짐을 견디지 못해 원칙을 버리고 싶어질 수 있습니다. 이 점은 5장에서 다시 다루겠습니다.

이 장에서 얻을 수 있는 것

• 손실의 비대칭성과 거칠기가 복리(Compound Interest)를 깎아 먹는 메커니즘 이해하기
• 자신이 감당할 수 있는 하락 범위 내에서 운용을 지속하기 쉽게 만들기
• 중간에 포기하지 않고 시장의 장기적인 성장을 계속 받아가기 쉽게 만들기

보장할 수 없는 것

• 위험을 낮춘다고 해서 반드시 성장률이 높아지는 것은 아니다.
• 손실의 비대칭성만으로 특정 매매 규칙의 유효성을 입증하는 것은 아니다.
• 계속한다고 해서 반드시 자산이 늘어나는 것은 아니다.

알아두면 좋은 포인트

방어는 그 자체로 돈을 벌 수 있는 수단이 아닙니다. 큰 손실을 피하면서 운용을 지속하는 것이 시장의 장기적인 성장을 받아들이기 위한 조건이 됩니다. 그 결과, 자산이 늘어나기 쉬워집니다.

우선, 현재 감수하고 있는 위험을 숫자로 만듭니다. 측정 기준은 세 가지입니다.

• 가격 변동성(Volatility): 1년 동안 얼마나 오르내릴 수 있는지
• 최고가 대비 최대 낙폭(Maximum Drawdown): 가장 힘들었을 때, 어디까지 떨어졌는지
• 함께 움직이는 정도(Correlation): 분산이 정말 효과를 보고 있는지

가격 변동성은 위험의 하나의 측정 기준일 뿐, 모든 위험은 아닙니다. 또한, 숫자에는 세 가지 시간 축이 있습니다.

또 주의하고 싶은 점은, 평소에는 따로 움직이는 자산도 위기 때는 함께 하락하는 경향이 있다는 것입니다. 2022년에는 주식과 채권이 동시에 하락했습니다. 성적을 하나의 숫자로만 판단하지 않는 것도 중요합니다. 예를 들어 샤프 비율(Sharpe Ratio)만 보면 큰 낙폭은 보이지 않습니다.

수학 공식 코럼 ③: 일일 변동성을 1년치로 조정하기

	ext{연간 } 	ext{표준편차}(	ext{Annual } 	ext{StdDev}) = 	ext{일일 } 	ext{표준편차} (	ext{Daily } 	ext{StdDev}) 	imes 	ext{sqrt}(252)

풀이: 1년의 거래일은 대략 252일입니다. 일일 변동성에 $ ext{sqrt}(252)$를 곱하면 연율 변동성이 됩니다(관례적 환산).

수치 예시: 일일 변동성이 1%라면, 연율로 약 16%입니다 ($ ext{sqrt}(252) allingdotseq 15.9$).

전제: 일일 수익률이 서로 독립에 가깝다는 가정 하의 환산입니다. 미래 1년간의 변동 폭을 정확하게 예측하는 공식은 아닙니다. 수익률의 자기상관(Self-correlation)에 대해서는 지난 기사에서 다루었습니다.

수학 공식 코럼 ④: 최고가 대비 낙폭

	ext{낙폭} = rac{	ext{현재 가격}}{	ext{역대 최고가}} - 1

풀이: 역대 최고가 대비 현재 얼마나 낮은지를 나타냅니다. 그 최악의 값이 '최대 낙폭'입니다.

수치 예시: 최고가 100만 원, 현재 70만 원이라면 $70 ext{ 만원} ext{ } ext{/} ext{ } 100 ext{ 만원} - 1 = -30$%입니다.

전제: 측정할 수 있는 것은 과거에 관측된 값까지입니다.

수학 공식 코럼 ⑤: 두 자산을 혼합했을 때 전체 변동성

	ext{포트폴리오 } 	ext{분산} (	ext{Portfolio } 	ext{Variance}) = w_1^2	ext{시}_1^2 + w_2^2	ext{시}_2^2 + 2w_1w_2
ho	ext{시}_1	ext{시}_2

풀이: $w$는 보유 비율, $ ext{시}$는 각 자산의 변동성(StdDev), $
ho$는 함께 움직이는 정도(Correlation)입니다(-1~1). $
ho$가 작을수록 전체 변동성이 낮아집니다.

수치 예시: 변동성 20%인 자산을 각각 절반씩 보유할 경우, $
ho$에 따라 전체 변동성은 아래 표와 같이 달라집니다.

전제: $
ho$는 과거 데이터에서 측정된 값이며, 위기 시에는 변할 수 있습니다.

| 함께 움직이는 정도 $
ho$ | 전체적인 변동성 | 읽는 법 |
|---|---|
| 1 (완전히 같은 움직임) | 20% | 섞어도 변동성은 줄지 않는다 |
| ... |

참고로, $
ho = 0$은 '선형적 상관관계가 없다'는 의미이며, '무관(독립)'을 의미하지는 않습니다. 분포의 꼬리 부분(Fat Tail)이나 상관관계 변화에 대해서는 지난 글에서 자세히 다루었습니다.

이 상황에서 할 수 있는 것

• 자신의 자산 리스크를 같은 기준으로 비교할 수 있게 하는 것
• 분산 효과가 있는지, 상관관계를 통해 확인하는 것

보장할 수 없는 것

• 측정한 숫자가 미래에도 같을 것이라는 점
• 과거의 최대 하락이 미래 손실의 상한선이라는 점

알아두면 좋은 포인트

분산 효과는 '몇 개를 보유하느냐'가 아니라 '함께 움직이는 정도'로 결정됩니다. 그리고 측정한 숫자는 과거 기록일 뿐, 미래의 상한선이 아닙니다.

'비슷한 것들'을 아무리 많이 가져도 분산은 되지 않습니다. 예를 들어, 미국 주식 ETF와 전 세계 주식 ETF는 내용물이 상당히 겹칩니다. 3장의 표로 말하자면, $
ho$가 1에 가까운 조합입니다.

과거 데이터로부터 '최적의 배분'을 계산으로 구하면, 데이터의 작은 오차에 쉽게 흔들릴 수 있습니다. 연구에서도 계산으로 최적화된 배분이 단순히 균등하게 나눈 배분(1/N)보다 좋지 않을 때가 있다는 보고가 있습니다 (DeMiguel 등의 연구). 처음에는 균등 배분을 기준으로 생각하는 것이 입문자에게는 이해하기 쉽다고 생각합니다.

한 단계 더 나아가면, 변동성이 큰 자산은 적게, 안정적인 자산은 많이 보유하는 방법이 있습니다.

수식 코럼⑥: 변동성의 역수로 배분하기 (간단한 리스크 배분)

w_i = rac{1/	ext{시그마}_i}{	ext{∑}_j 1/	ext{시그마}_j}

말로 설명하면: 각 자산의 '변동성의 역수' 비율로 배분합니다. 변동성이 클수록, 비율이 작아집니다.

수치 예시: 주식(변동성 20%)과 채권(변동성 5%)이라면 $1/20 : 1/5 = 1 : 4$ 이므로, 주식 20%・채권 80%입니다.

전제 조건: 자산이 두 개일 때는 각 자산의 리스크 기여도가 같아지지만, 자산이 세 개 이상이 되면 상관관계까지 고려한 엄밀한 리스크 균등 배분과는 별개의 문제입니다.

여기서 머신러닝과 통계적 방법이 등장합니다. 이 글에서는 개요만 소개합니다.

• 비슷한 것들끼리 모아서 배분하기 (HRP: 계층적 리스크 패리티): 머신러닝(계층적 클러스터링)을 사용하여 움직임이 비슷한 자산을 그룹으로 나누고, 그룹 단위로 배분합니다. 비유하자면, 먼저 분류를 한 다음 각 팀에 역할을 할당하는 방식입니다. 수식 코럼⑥과 직관은 비슷하지만 다른 규칙입니다. 예를 들어 그룹의 변동성이 20%와 10%라면, ⑥의 생각(변동성의 역수)으로는 약 33% 대 67%가 되지만, HRP의 그룹 배분(분산의 역수)으로는 20% 대 80%가 됩니다.
• 측정한 상관관계를 평균에 가깝게 조정하기 (축소 추정): 이것은 머신러닝이 아니라 통계적 추정 기법입니다. 제한된 데이터로 측정한 값의 추정 오차 영향을 줄입니다. 비유하자면, 한 번의 시험 점수만으로 판단하지 않고 평균 점수에 조금 가깝게 반영하여 평가하는 방식입니다.

HRP를 포함한 실무 도구와 각각의 '고장 나는 경우'는 지난 글에서, 배분을 제약 조건으로 규율화하는 생각은 볼록 최적화(Convex Optimization) 글에서 다루었습니다.

이 상황에서 할 수 있는 것

• 비슷한 자산의 중복을 파악하여 배분의 편향을 줄이는 것
• 추정 오차의 영향을 덜 받는 배분을 선택하는 것

보장할 수 없는 것

• 위기 시에 자산이 함께 하락하는 것을 막는 것
• 추정 오차를 완전히 제거하는 것

al아두면 좋은 포인트

배분의 기본은 균등 배분이나 간단한 리스크 배분으로도 실천할 수 있습니다. 이 글에서는 머신러닝을 '비슷한 자산을 정리하기 위한 추가적인 수단'으로 사용합니다.

보유량을 결정하는 방법에는 크게 3가지 방침이 있습니다.

• 정한 배분을 계속 유지하는 것
• 주기적으로, 정한 비율로 되돌리는 것 (리밸런싱)
• 변동성 정도 등에 따라 보유량을 동적으로 증감시키는 것

동적인 조정이 정답이라는 것은 아닙니다. 중요한 것은 어떤 방침을 선택할지, 그 이유와 약점을 사전에 결정해 두는 것입니다. 여기서는 3번의 대표적인 방법을 소개합니다.

비나 안개가 오는 날에는 자동차 속도를 줄입니다. 목적지는 바꾸지 않고 속도만 조정하는 것과 생각이 같습니다.

수식 코럼⑦: 보유 비율을 정하는 방법

w = 	ext{min}igg(1,	ext{ } rac{	ext{목표 변동성}}{	ext{현재 변동성}}igg)

ことばで: 목표로 하는 변동성(荒さ)을 현재 추정된 변동성으로 나눈 값을 보유 비율로 합니다. 다만, 100%(=1)를 상한선으로 하며, 대출을 해서까지 늘리지는 않습니다.**

수치 예시: 목표가 10%, 현 시점 추정이 20%라면 $w = 0.5$입니다. 현금의 가격 움직임을 무시할 경우, 계산상의 추정 변동성은 $0.5 imes 20% = 10%$가 됩니다.

전제: 어디까지나 추정치에 기반한 계산입니다. 그 이후 자산의 변동성이 40%가 된다면, 같은 보유 비율이라도 20% 상당이 됩니다. 목표 변동성은 미래 손실의 상한선일 뿐이며, 실제로 실현되는 변동성을 보장하지 않습니다.

연구에서는 어떨까요? 결과는 일률적이지 않습니다$^3$.

• Harvey 등은 60개 이상의 자산으로 이 방법을 검증하여, 극단적인 리턴이 발생하기 어려워진다고 보고했습니다. 다만, 줄어드는 것은 하방의 극단적인 리턴뿐만 아니라 상방도 마찬가지로 줄어듭니다. 또한, 샤프 비율(Sharpe Ratio) 개선은 주식이나 크레딧 같은 위험 자산에서 나타났으며, 채권・통화・상품에서는 거의 영향이 없었습니다.
• 한편, Cederburg 등은 103개의 주식 전략을 검증하여, 조정하지 않은 전략에 대한 체계적인 우위성은 발견되지 않았다고 보고했습니다. 실제로 실행 가능한 형태(Out-of-Sample)로 시험했을 때, 오히려 성적이 떨어지는 경우가 많았다고 합니다.

이 방법의 약점도 여기서 짚고 넘어가겠습니다. 급락 초동이나 추정 지연에는 대응하지 못하여 큰 손실을 막지 못할 수 있습니다. 또한, 급반등 국면에서는 뒤처집니다.

또 다른 대표적인 방식은 가격이 장기 평균선(예: 200일 이동평균)을 하회하면 보유량을 조금 줄이는 방법입니다. 5-1에 추가 규칙으로 사용할 수도 있습니다.

수식 코럼⑧: 장기 평균으로부터의 괴리율

\text{괴리율} = \frac{\text{현재 가격}}{\text{200일 평균}} - 1

ことばで: 현재 가격이 장기 평균보다 높은지 낮은지를 나타냅니다. 마이너스라면 '하락세'로 판단하여 보유량을 줄입니다.

수치 예시: 괴리율이 마이너스라면 보유량을 절반으로,와 같이 단계적으로 조정합니다. 5-1과 조합할 경우 곱셈으로 생각합니다 (변동성 조정으로 50%, 하락세 판정으로 50%라면, $0.5 imes 0.5 = 25%$).

전제: 평균선의 기간이나 줄이는 방식에 따라 결과는 달라집니다. 선택하는 방식을 과거에 너무 맞추지 않는 것이 중요합니다(6장).

트렌드 폴로잉(Trend Following)에 대해서는 Hurst 등이 100년 이상의 데이터로 검증한 유명한 연구가 있습니다. 다만, 이것은 많은 시장에서 매수와 매도를 모두 사용하는 전략의 연구이며, '200일 평균을 깼으면 보유량을 절반으로 한다'라는 규칙 자체를 실증한 것은 아닙니다. 생각의 연관 연구로 받아들여 주십시오. 트렌드 폴로잉이 살아남는 이유는 이전 기사에서 시장의 성질이 변해가는 시각은 적응적 시장 가설(Adaptive Market Hypothesis) 기사에 쓰여 있습니다.

이 방법의 약점은 평균선 근처에서 사고팔기를 반복하는 '왔다 갔다 때리기'(往復ビンタ)와 판단 지연입니다.

'전부 매도/전부 매수'로 전환하는 것은 급격한 반등을 놓치기 쉽습니다. 2-4에서 본 것처럼, 상승률이 높은 날은 급락 직후에 집중되기 쉽기 때문입니다. 전기 스위치의 ON/OFF 스위치가 아니라, 조광 다이얼처럼 조금씩 조정하는 것이 좋다고 생각합니다.

그럼에도 불구하고, 뒤처짐(出遅れ)은 사라지지 않습니다. 예를 들어 2020년 봄처럼, 급락 후 변동성이 높은 상태로 가격이 급격히 회복되는 국면에서는 보유 비율의 복귀가 느립니다. 이것을 안심하기 위해 지불하는 '보험료'라고 생각할 수도 있습니다. 다만, 보험처럼 손실을 보상해 주지는 않습니다.

이 상황에서 할 수 있는 것

• 변동성에 따라 위험 확대를 억제하는 것을 목표로 한다
• 방침을 사전에 정하여 당황한 매매를 줄인다

보장할 수 없는 것

• 큰 손실을 막는 것
• 목표 변동성이 미래에도 실현되는 것
• 급반등에 올라타지 못하는 것

알아내기 포인트

변동성에 따라 보유량을 조정하는 것은 위험 확대를 억제하기 위한 방법입니다. 큰 손실을 막을 수 있다는 보장이 아니며, 뒤처짐까지 포함하여 평가할 필요가 있습니다.

규칙을 만들었다고 끝이 아닙니다. '시행 기록 → 미사용 데이터에서의 확인 → 단순 비교 → 비용 확인 → 감시 및 중단'이라는 흐름으로 생각합니다.

과거에 딱 맞았던 규칙이 미래에도 잘 통할 것이라는 보장은 없습니다. 과거 시험의 답을 외운다고 해서 실제 시험에서 점수를 받을 수 없는 것과 같습니다.

수식 코럼⑨: 너무 많이 시도하는 위험성

1 - 0.95^{20} allingdotseq 0.64

말로 풀이하면: 전혀 효과가 없는 규칙이라 하더라도, 우연히 '효과가 있는 것처럼 보이는' 확률이 5% 있다고 가정해 봅시다. 이를 20번 시도하면, 한 번 이상 그렇게 보일 확률은 약 64%가 됩니다.

수치 예시: 많은 것을 시도해서 가장 좋은 것을 고르게 되면, 우연한 성공을 '실력'으로 착각하기 쉽습니다.

전제: 각 검정이 독립적이며 모두 효과가 없고, 각각의 오탐지율이 5%라는 설명상의 가정입니다. 이 64% 자체는 PBO(백테스트 과적합 확률)가 아닙니다.

PBO나 DSR(디플레이티드 샤프 비율)은 보정하면 미래의 유효성을 증명할 수 있는 도구가 아닙니다. 시도와 오류를 거치며 나타난 가짜 성과 상승을 의심하기 위한 도구입니다. PBO 관련 글이나 AI가 만든 전략 검증에 관한 글도 함께 참고해 주세요.

규칙을 만들지 않은 기간의 데이터로 성적을 확인합니다.

여기서 놓치기 쉬운 부분이 있습니다. 조정 규칙의 성과는 '주식 100%'와 비교하는 것만으로는 충분하지 않습니다. 평균적으로 비슷한 수준의 리스크를 취하는 '주식과 현금의 고정 배분'과도 비교해야 합니다.

동적인 조정을 통해 최대 하락폭이 줄어들더라도, 평균 주식 보유 비중 자체가 크게 낮아졌다면, 개선된 부분 중 일부는 단순히 주식을 적게 보유한 결과일 수 있습니다. 리스크를 낮춘 효과인지, 낮은 시점을 선택한 부가 가치인지를 구분하는 비교입니다.

매매에 따르는 비용(수수료 등)과 과세 계좌에서 이익을 확정했을 때의 세금 부담은 별개로 생각해야 합니다. 매매 횟수가 늘어날수록, 어느 쪽 모두 성적을 떨어뜨립니다.

정해진 규칙은 감정에 휘둘려 깨지 않는 것이 중요합니다. 완전히 자동화할지, 반자동으로 할지, 주기적으로 손으로 확인할지는 구현의 선택 문제입니다.

동시에, 규칙을 맹목적으로 계속 움직이지 않는 것도 중요합니다. 데이터 누락, 비정상적인 주문량, 예상치 못한 변동이 발생했을 때 확인하고 멈출 수 있도록 준비해 두어야 합니다.

이 상황에서 할 수 있는 것

• 우연한 성공을 실력으로 착각할 위험을 줄이는 것
• 감정적인 임기응변 매매를 줄이는 것
• 전제가 무너졌을 때 알아차리고 멈출 수 있도록 하는 것

보장할 수 없는 것

• 검증을 거친 규칙이 미래에도 유효하다는 것

알아차린 포인트

감정으로 규칙을 깨지 않는 것과, 전제가 무너진 규칙을 맹목적으로 계속 움직이지 않는 것. 이 두 가지를 병행하는 것이 '지속'입니다.

전문가나 로보 어드바이저의 사례도 이 지도로 읽어낼 수 있습니다. 다만, 여기서 소개하는 것은 유효성의 증명이 아닙니다. '같은 지도라도 목적이나 제약에 따라 사용법이 다르다'는 예시일 뿐입니다.

지도를 가지고 있으면 서비스나 전략을 '어떤 상황에, 무엇을 전제로 퀀트를 사용하고 있는지'로 읽을 수 있게 된다.

각 장의 '보장할 수 없는 것'을 여기서 정리하며 되돌아봅니다.

• 상승세가 지속되는 시장에서는 아무것도 하지 않는 운용에 패배할 때가 있다
• 급격한 회복 국면에서는 뒤처진다
• 너무 방어적이면 장기 성장을 놓칠 수 있다 (2-4)
• 추정에는 오차가 있고, 판단은 늦어진다
• 연구 결과의 적용 범위는 한정적이다. 자산, 기간, 규칙이 다르면 결과도 다르다
• 평가는 수익의 크기뿐만 아니라, 최대 하락폭이나 비슷한 수준의 리스크를 취하는 고정 배분과의 비교로도 봐야 한다

알아차린 포인트

방어에는 비용이 들고, 통하지 않는 상황도 있다. 이를 인지하고 선택하며, 그 이유를 설명할 수 있는 것이 중요하다.

마지막으로 지도를 다시 한번 되돌아봅니다.

출발점(무엇을 지킬 것) → ① 측정 → ② 분리 → ③ 조정 → ④ 지속

자신의 운용을 검토할 때, 다음 5가지 질문을 던져보세요.

• 이 자금의 목적과, 어느 정도 감소해야 운용을 지속할 수 있을지를 말과 숫자로 결정했는지
• 자신의 자산의 변동성(荒さ)・과거 최대 하락폭・상관관계(相関)를 파악하고, 그것이 미래의 상한선은 아니라고 이해하는지
• 유사한 움직임을 보이는 상품을 겹쳐 보유하며 분산했다고 착각하지는 않았는지
• 시장이 불안정할 때, 자산 배분(配分)을 유지할 것인지, 주기적으로 되돌릴 것인지, 보유량을 동적으로 바꿀 것인지. 그 방침과 이유, 약점을 사전에 결정했는지
• 규칙을 과거에 너무 맞추고만 있지는 않은지. 단순한 비교 대상과 비교하여, 전제가 무너졌을 때 멈추고 재검토하는 장치가 있는지

'4가지 상황에서 생각한다'는 것과 '소개된 기법을 모두 도입한다'는 것은 별개입니다. 자신의 규칙과, 그것을 선택한 이유를 설명할 수 있는 것이 이 글의 목표입니다.

방어(守り)는 수익을 보장하지 않습니다. 하지만 장기적인 성장을 받기 위해서는, 우선 운용을 계속하고 있어야 합니다. 방어적 퀀트(クオンツ)는 그를 위한 도구라고 생각합니다.

이 시리즈에서는 4가지 상황을 하나씩 깊이 파고들어 갈 예정입니다.