[월가아재]퀀트 투자의 허와 실 - 제 1부: 어설프게 하면 독이 됩니다

월가아재의 과학적 투자
주식 투자마케팅/광고초보 재테크AI/미래기술

Transcript

00:00:00근데 지난 뭐 10년이든 20년이든 30년이든
00:00:03그런 기간을 놓고 보았을 때
00:00:04그 기간 동안 수익성이 좋았던 패턴의 개수는 대략 몇 개나 될까요?
00:00:09답은 부안합니다. 실제로 증명도 가능해요.
00:00:12네, 안녕하세요. 월가재입니다.
00:00:21오늘은 퀀트 투자에 대해서 다뤄보겠습니다.
00:00:24이제 제 유튜브에 댓글이나 질문 이메일로
00:00:26이제 퀀트 매매에 대해서 알려달라는 분들이 계셨었는데
00:00:29제 향후 목표나 방향이라던가 채널의 커리큘럼상으로
00:00:33알고리즘 트레이딩이나 퀀트 매매에 대해서
00:00:36그렇게 근실 내에 다룰 생각은 없었어요.
00:00:38그런데 저희 채널분들 중에서도
00:00:40이제 15% 정도 되는 구독자분들이 퀀트 매매를 하신다고 하시고
00:00:44또 요즘 조금 퀀트 투자에 대해서 우려스러운 부분이 있어서
00:00:48이렇게 영상을 제작하게 되었습니다.
00:00:50그래서 오늘 다룰 목차는 먼저 퀀트의 분류나 원칙
00:00:53그런 부분에 대해서 개괄적으로 본 다음에
00:00:56퀀트 매매에서 조심해야 할 점 10가지를 다루겠습니다.
00:00:59이 10가지만 명심을 하셔도 크게 퀀트 매매를 통해서
00:01:04뭐 크나큰 시간 낭비를 하시거나
00:01:06아니면은 백테스팅이나 그런 방법론 면에서
00:01:09잘못된 방법으로 하는 바람에
00:01:11크나큰 손실이 나는 케이스는 예방할 수 있을 거라고 생각을 해요.
00:01:15이런 부분들이 사실 기본 중에 기본인데도 불구하고
00:01:18요즘 뭐 시중에서 되게 비싸게 팔리고 있는 유료 강의들에서도
00:01:21이런 부분들을 자세히 다루지 않는 것 같더라고요.
00:01:24오히려 그런 강의들은 그런 백테스팅이나 퀀트 투자나
00:01:27그런 부분들을 조금 더 미화하는 부분들이 있는 것 같은데
00:01:31오늘 이 10가지만 명심하시면은 퀀트 투자나 퀀트 매매 관련해서
00:01:35어떤 정보를 들으시든 어떤 서비스를 이용하시든 간에
00:01:39어느 정도는 조금 본인을 지키시고 안전하실 거라 생각합니다.
00:01:43좀 시작하기 전에 제가 사실 며칠 전에 조금 격앙된 어조로
00:01:47짧은 포스팅을 하나 했었는데
00:01:49제가 조금 실수를 한 것 같습니다.
00:01:51요새 퀀트 투자에 대한 바이럴 마케팅이나 과대 광고가
00:01:54도를 넘은 것 같다.
00:01:55그렇게 쓴 것인데 거기에 이제 댓글로 특정 사람이나
00:01:59특정 업체에 대한 그런 악플들이 몇몇 달리더라고요.
00:02:02그래서 뭐 그런 분들이나 업체에 신뢰가 될까 봐 삭제를 했었는데
00:02:06솔직히 뭐 어떤 그런 부분들이 불법 리딩방이라던가
00:02:09대여업체 같은 불법적이고 나쁜 일도 아닌데
00:02:12제가 조금 오지랍을 부리는 것일 수도 있다고 봐요.
00:02:16그런데 한편으로는 대여 계좌나 뭐 그런 문제들은
00:02:19그걸 이용하는 사람들도 불법인 거를 알면서
00:02:22솔직히 조금 욕심 때문에 들어가는 책임도 있거든요.
00:02:25근데 요즘 퀀트 투자에 대한 그런 담론들을 바라보면은
00:02:28이건 그냥 일반적인 사람들 그냥 열심히 뭔가 정당하게 노력하기 위해서
00:02:33재테크에 좀 더 노력해보자 해서
00:02:35퀀트 투자라는 분야에 입문하시는 분들에게
00:02:37좀 피해가 갈 수 있겠다는 생각이 들더라고요.
00:02:40왜냐하면 퀀트 투자라고 하면은 흔히 이제 인식이 과학과 통계라는 키워드가 섞여서
00:02:46사람들이 사실은 비과학적인 부분이 들어있는데도 오해할 수 있게 만드니까
00:02:51그래서 불법 리딩방, 대여 계좌는 누가 봐도 불법적인 거라서
00:02:55피하려면 피할 수가 있는데
00:02:56이거는 그냥 열심히 하려는 선량한 피해자가 생길 수 있겠다 싶더라고요.
00:03:01누구나 며칠만 하면 금방 퀀트 투자 고수가 될 수 있다거나
00:03:04아니면 이거는 뭐 수십 년의 데이터로 검증된 전략이라던가
00:03:08아니면 지난 10년 동안 20% 복리 수익 냈으니까
00:03:11앞으로도 그럴 거라는 뉘앙스로 이야기를 한다던가
00:03:14그런 것들의 의도가 악의적이지 않고 그냥 던지는 말일 수도 있지만
00:03:18많은 사람들 중에서 줄이니 분들
00:03:20누군가는 오해를 하고 착각을 해서
00:03:23그런 백테스팅에 많은 시간을 허비하고
00:03:25금전적인 손실까지도 낼 수가 있거든요.
00:03:27그 백테스팅 결과에 대해서 지나친 믿음을 가지고 약간 신념을 가지고 하면은
00:03:32그래서 미국 금감원 SEC 규정상은 펀드가 그런 식으로 고객한테
00:03:35마케팅을 하면은 그대로 불법으로 적발이 됩니다.
00:03:38그래서 퀀트 투자에 대해서 논하시는 분들이
00:03:41타인의 돈의 무게를 조금만 더 무겁게 느끼셨으면 좋겠어요.
00:03:45그래서 뭐 저도 언제까지 할지는 모르지만
00:03:47유튜브를 일단 하고 있는 입장에서 착한 척 하자고
00:03:51이런 이야기를 하는 게 아니고
00:03:52저도 20대 중반에 돈으로 되게 고생을 많이 해본 입장에서
00:03:56그게 어떤 기분인지 알거든요.
00:03:58그리고 제가 이제 손실에 대한 멘탈 관리 같은 것도 자주 다루고
00:04:01또 20대 중반에 많이 손실 받던 그런 경험이나 썰들을 풀어가지고
00:04:05저한테 유독 그런 상담들이 많이 들어오는 것 같긴 한데
00:04:09억대로 손실을 봐서 고민 상담을 이메일로 보내신 구독자분들이
00:04:14일주일에도 여러 통씩 매주 있어요.
00:04:16그래서 돈과 관련되는 재테크, 주식, 부동산 유튜버들은
00:04:20한 번쯤은 자기 건멸을 조금 해볼 필요도 있다 생각합니다.
00:04:24저도 요새 80일간의 투자 일주하면서
00:04:26아 이거 점점 제가 뭐 리딩을 하는 느낌이 들어가지고
00:04:29이번 하락장만 끝나면은 다시 초심으로 돌아가야겠다는 생각이 들더라고요.
00:04:33어쨌든 그런 취지에서 영상을 제작하게 되었는데
00:04:37결코 어떤 특정한 분이나 업체를 저격하려는 의도는 없고
00:04:40그런 퀀트 투자 마케팅 관련 분들도
00:04:43본인들이 모르시오 그러는 부분도 있으실 테고 하니까
00:04:46다 같이 힘내서 이런 부분들을 인지하고
00:04:49개선하자는 취지이니까
00:04:51시청자분들도 댓글에 누구누구 저격하든지
00:04:55뭐 그런 이야기는 하지 않으셨으면 좋겠습니다.
00:04:57그래서 서론이 길었는데
00:04:58우선 퀀트의 분류부터 좀 살펴보겠습니다.
00:05:01우선 퀀트는 되게 넓고 다양하게 정의되는 의미예요.
00:05:04그래서 대충 뭐 시간순으로 대략적으로
00:05:07편의상 구분을 해보면은 초고빈도 매매가 있고요.
00:05:10이건 하이프리컨시 트레이딩 중에서도
00:05:12울트라 HFT라고 하는데
00:05:14서버를 콜로케이션해서 거래소 쪽에다가 서버를 갖다 놓고
00:05:19기계어 레벨에서 코딩을 하고
00:05:20하드웨어 그런 부분에 신경쓰고
00:05:22뭐 그런 레벨의 매매들이고
00:05:24그 다음에 이제 그것보다는 조금 시간지평이 긴
00:05:28알고리즘 트레이딩
00:05:29뭐 이런 기술적 지표를 쓰든지 아니면 룰 베이스드를 쓰든지
00:05:33요건 이제 개인들도 좀 많이 하고
00:05:35요새 뭐 백테싱 플랫폼 요런 데서 많이 보편화되고 있는 부분이고요.
00:05:39그 다음에 이제 통계적 차익거래
00:05:41뭐 페어 트레이딩
00:05:42통계적 모델이나 기법이나
00:05:44그런 통계적 방법론을 사용해가지고
00:05:46결국 과거의 패턴을 찾아서
00:05:48평균 회기한다는 가정하에
00:05:50그런 매매를 하는 부분이 있고
00:05:52또 팩터 인베스팅이 있겠죠.
00:05:54요거는 조금 장기로 가면서 모멘텀 팩터, 가치 팩터, 캐리
00:05:59뭐 그렇게 가격을 움직이는 팩터를 찾아내고
00:06:01알파도 찾고 뭐 그렇게 하는 거고
00:06:03그 다음에 최근 몇 년간 이제 화두가 되고 있는 게
00:06:06퀀터멘탈이라고
00:06:07펀더멘탈 분석을 개량하고 자동화하고
00:06:10여러 가지 데이터 분석, 대안 데이터
00:06:12요런 것을 추가해서 장기 투자해보는 그런 방식이고
00:06:16그리고 같은 맥락에서 요런 기계 학습이나
00:06:18뭐 빅데이터, 대안 데이터 요런 것들이
00:06:20이제 여러 가지 분야로 확장이 되고 있습니다.
00:06:23그래서 요런 부분들은 뭐 편의상 구분하는 것이고
00:06:26뭐 경계가 되게 모호하죠?
00:06:28뭐 이 전체를 알고리즘 트레이딩이라고 하기도 하고
00:06:30뭐 그렇습니다.
00:06:31그래서 뭐 일반적인 퀀트 매매
00:06:33거기에 대해서 그냥 개발적으로
00:06:35다 뭉뚱그려서 다루도록 하겠습니다.
00:06:37그래서 이 퀀트 매매의 원칙은
00:06:40첫 번째는 투자 아이디어나 가설이 있어야겠죠?
00:06:42그 다음에 이제 백테스팅을 합니다.
00:06:44과거 데이터에 그런 투자 아이디어나
00:06:47그런 가설을 검증해보는 거죠.
00:06:50요렇게 하면 돈을 벌 수 있는 것 같은데
00:06:51그러면 과거 데이터에다가 과거에 요렇게 했을 때
00:06:54돈이 실제로 벌렸나
00:06:56그거를 검증해보는 거죠.
00:06:57그래서 백테스팅에서도 수익이 잘 나오면은
00:07:00실전 매매를 하고
00:07:01그러면서 이제 리스크 관리도 해주는
00:07:03요 네 가지로 이제 프로세스가 진행이 됩니다.
00:07:06그래서 사실 퀀트 매매는 2010년대 중반 정도까지만 해도
00:07:09사실상 어떤 기관들의 전유물 기관 중에서도
00:07:13그런 뭐 이공계 박사들이 있는 퀀트들이 있는
00:07:16그런 퀀트 펀드의 전유물이었는데
00:07:18점점 기관들에서도 이제 뭐 엑스큐션이나
00:07:21그런 면에서 보편화가 되고 있고
00:07:23그리고 또 미국에서 퀀토피안이나
00:07:25그런 백테스팅을 되게 쉽게 만들어주는 서비스가
00:07:28론칭을 하면서 일반 개인들도
00:07:30그런 퀀트 매매를 손쉽게 이용할 수 있게 되면서
00:07:33많이 보편화되고 있는 추세입니다.
00:07:35근데 그와 동시에 조금 잘못된 퀀트 투자의 이해도
00:07:38요새 점점 늘고 있는 것 같아서
00:07:40그런 예시를 한번 들어보면은
00:07:42뭐 예를 들어서 지난 15년 동안 PBR이 0.92하고
00:07:46지난 12개월간 상상 기업에 투자를 했더니
00:07:48연수익률이 20.2%가 나온다.
00:07:51그거를 PBR을 좀 바꿔보니까
00:07:53뭐 14%, 17.8%가 나온다.
00:07:56그래서 이제 백테스팅을 이렇게 쭉 해보니까
00:07:58이 첫 번째 결과가 가장 좋았기 때문에
00:08:01이 첫 번째 결과대로 이런 룰로
00:08:03투자를 하자
00:08:04요렇게 결론을 내리는 모습들 많이 보거든요.
00:08:07근데 이거는 사실은 잘못된 예라고 할 수 있습니다.
00:08:09여러분들이 곰곰이 생각해 보시면은
00:08:12백테스팅의 과정은 과거의 패턴이
00:08:14미래에도 반복될 것이라는
00:08:16그런 보장되지 않는 가정 하에
00:08:18과거의 수익성이 좋았던 패턴을 찾는 것이거든요.
00:08:21근데 지난 뭐 10년이든 20년이든 30년이든
00:08:24그런 기간을 놓고 보았을 때
00:08:26그 기간 동안 수익성이 좋았던 패턴의 개수는
00:08:29대략 몇 개나 될까요?
00:08:30한번 영상을 멈추시고 생각을 해보시면은
00:08:32답은 무한합니다.
00:08:34실제로 증명도 가능해요.
00:08:36여러 가지 전략들의 파라미터가 연속적이기 때문에
00:08:38사실상 무한한 개수의 그런 수익성 좋은 전략들이 존재를 합니다.
00:08:42근데 문제는 이 중 몇 개나 미래에도 수익성이 좋을까?
00:08:46이게 사실 그런 퀀트인 노른자위라고 볼 수도 있거든요.
00:08:50과거의 수익성 좋았던 패턴을 찾는 거는
00:08:52진짜 뭐 그런 백테스팅 툴이 있고 하면은
00:08:55아무나 찾을 수 있겠죠.
00:08:56근데 과거에도 좋았으면서 미래에도 좋은 거를 찾는 게
00:09:00사실은 엄청나게 어렵고
00:09:02소위 말하는 헛간에서 바늘 찾기거든요.
00:09:04그래서 제가 여러 가지 블로그나 사이트나
00:09:07이렇게 한국 사이트들을 둘러보니까
00:09:09이 조엘 그린블라트의 마법 공식이라는 게
00:09:12되게 유명하더라고요.
00:09:13이 사람이 굉장히 간단한
00:09:15그런 뭐 시가정액이나 그런 필터링을 통해서
00:09:17주식을 선정하는 그런 공식을 세워가지고
00:09:20이제 투자하는 그런 마법 공식을 책을 썼었는데
00:09:24그게 굉장히 화제가 돼서
00:09:25뭐 일반 개인 투자자들한테 많이 알려진 것 같은데
00:09:28근데 또 요분이 해지펀드기에서는 굉장히 유명하죠.
00:09:311980년대부터 이제 투자를 했는데
00:09:33그 투자한 기간 동안 워렌 버핏보다
00:09:35더 높은 수익률을 기록해가지고
00:09:37그래서 더 마법 공식이 이제 각광을 받은 것 같은데
00:09:40결론부터 말씀드리자면
00:09:42이 그린블라트는 퀀트가 아니고
00:09:44또 이 사람의 해지펀드는 마법 공식만으로 투자한 게 아니에요.
00:09:47그 좋은 수익률이 마법 공식으로 투자한 게 아닌 거죠.
00:09:50이 펀드는 같이 투자한 게
00:09:52스페셜 시추에이션 그런 인베스팅도 했었는데
00:09:54그거는 이제 뭐 스피노프 같은
00:09:57예를 들어서 어떤 회사와 분리된다든지
00:09:59그럴 때 이제 나오는 가게의 괴리라든지
00:10:01엣지 그런 부분들을 이제 포착해서 수익을 내는
00:10:04그런 방법론들이랑 같이 사용했거든요.
00:10:07그리고 가치 투자 파트도 이런 단순한 그런 공식을
00:10:10사용하지는 않았을 거라 생각합니다.
00:10:12물론 그 프레임에 반년 했겠죠.
00:10:14근데 그냥 기계적으로 이런 식으로 공식으로 딱 사서
00:10:18그렇게 내진 않았을 거라 생각하고요.
00:10:20그래서 이제 마법 공식을 공개된 이후에
00:10:222005년부터 수익을 한번 백테스팅 해보면은
00:10:26이 회색이 S&P 지수고
00:10:28이 초록색이 마법 공식이거든요.
00:10:29그래서 보시면은 그냥 변동성 높게 있다가
00:10:32그냥 계속 언더포폼을 했고
00:10:34이런 부분들은 뭐 시스테믹 에퀴티 ETF
00:10:37그러니까 이런 것들이랑 비슷한 투자들이 나오고
00:10:40시장이 좀 더 효율적이 되면서
00:10:42그런 엣지가 사라졌다고 볼 수도 있는데
00:10:44이렇게 유명한 공식도 이런 모습밖에 못 보이는 것에서 알 수 있듯이
00:10:48과거의 수익성 좋은 패턴을 찾는 건 매우 쉽습니다.
00:10:50그리고 그걸로 책을 쓸 수도 있어요.
00:10:53근데 미래에도 수익성이 좋을 패턴을 찾는 것은
00:10:56정말 정말 정말 엄청나게 많은 작업이 소요가 됩니다.
00:11:00그래서 며칠의 생각과 클릭 몇 번으로 나오는
00:11:03그런 연 20% 전략은 세상에 존재하지 않습니다.
00:11:06그리고 또 하나의 예는 퀀토피안이죠.
00:11:08퀀토피안은 이제 2011년 정도인가 만들어진 스타트업인데
00:11:12미국에서 이제 백테스팅을 되게 쉽게 만들어주는 그런 플랫폼이었어요.
00:11:16그래서 30만 명이 1200만 번의 백테스팅을 통해서
00:11:20엄청나게 많은 퀀트 전략들을 거기서 테스팅하고 만들어냈고
00:11:24유명한 이제 억만장자 스티브 코엔이 투자했는데
00:11:27그 해지펀드 트레이더죠.
00:11:29그리고 퀀토피안의 그런 탑티어 퀀트들이
00:11:32논문까지 출판해가면서
00:11:34이런 전략 중에 미래에도 수익성 좋을 전략을
00:11:37어떤 기준으로 어떤 그런 통계적 방법론으로
00:11:40출현해야 되는지
00:11:41그런 부분들을 진짜 집중적으로 연구를 많이 해서
00:11:44전략 선정을 해서
00:11:46그걸로 어떤 새로운 해지펀드를 굴려보자
00:11:48이런 발상이었는데
00:11:49처절하게 실패했습니다.
00:11:51결국은 작년에 문을 닫았고요.
00:11:53왜 이런 현상들이 벌어질까요?
00:11:55그리고 뭐 퀀트 매매, 퀀트 투자를 하시려는 시청자분께서는
00:11:58이런 결과를 이제 어떻게 하면 피할 수 있을까요?
00:12:02물론 완벽히 피할 수는 없겠죠.
00:12:03그리고 저는 상당히 어려운 작업이라 생각하는데
00:12:07그럼에도 불구하고 도전해 보시려면은
00:12:10최소한 이 10가지는 명심을 하시고
00:12:12조심을 하셨으면 좋겠다.
00:12:13그런 관점에서 하나씩 말씀드려보겠습니다.
00:12:16이 10가지만 명심해도
00:12:17백테스팅을 잘못해 가지고 시간 낭비하고 또 손실을 보고
00:12:22그런 거는 면할 수 있지 않을까 싶습니다.
00:12:24물론 백테스팅을 잘한다고 해서 수익 내는 보장은 없습니다.
00:12:27먼저 첫 번째는 데이터를 의심해 봐야 된다는 거예요.
00:12:31보면은 막 구글, 야후 데이터 이런 걸 쓰시는 분들도 있는데
00:12:34그런 데이터는 생각보다 굉장히 굉장히 더럽습니다.
00:12:37그래서 퀀트 트레이딩을 바닥부터 시작하려는 분들은
00:12:41정말 데이터에서 많은 태클이 들어와요.
00:12:45이런 무료 데이터는 되게 더럽고 오류도 많고
00:12:47그 다음에 데이터를 깨끗하게 만드는
00:12:50그런 데이터 클리닝 작업에는
00:12:51그냥 오류만 찾아내면 된다고 생각하실 수도 있는데
00:12:54생각보다 사람의 주관적인 판단이랑
00:12:57편향도 들어가기 마련이에요.
00:12:59예를 하나 들어보겠습니다.
00:13:01어떤 주식이 41에서 43불대에서 매매가 되다가
00:13:05마감을 했어요.
00:13:06근데 장마감 즈음에서
00:13:08어떤 트레이더 한 명이 주문 실수를 해가지고
00:13:1128달러의 일주가 체결되어 버렸습니다.
00:13:14그러면 엄밀히 말하면은
00:13:16그날 저점은 28달러죠.
00:13:1828달러에서 이 사람은 실수해서 큰 손해를 받지만
00:13:21어쨌든 저점이 28달러로 찍혀야 되잖아요.
00:13:24그게 사실이잖아요.
00:13:25그럼 저점 고점을 어떻게 설정할 것인지
00:13:28이걸 없애고 그냥 41을 저점으로 찍는 것도
00:13:31사실은 실제로 존재하는 트레이드
00:13:34실제 저점을 삭제하는 거잖아요.
00:13:36근데 이걸 없애지 않으면은
00:13:38예를 들어서 그날 범위에서
00:13:405% 이하로 5분 내에 급락을 하면은
00:13:44매수 주문을 넣는
00:13:45그런 전략을 백테스팅하게 되면은
00:13:4728불에서 매수를 했다고
00:13:48그 백테스팅이 인식을 할 수도 있겠죠.
00:13:51그러면은 나는 28불에 사가지고
00:13:53종가 42불에
00:13:55바로 판 걸로 백테스팅이 인식을 하면서
00:13:58이 전략의 그런 수익이
00:13:59엄청나게 뻥튀기 될 수도 있겠죠.
00:14:01근데 물론 1주니까 삭제할 수 있는데
00:14:03예를 들어서 이 트레이더의 주문 실수가
00:14:0610주라면, 100주라면, 아니면 만주라면
00:14:09실제로 그런 케이스들 있습니다.
00:14:11그런 케이스들이 종종 몇 번 일어나고요.
00:14:14진짜 대규모 그런 수백억 날리는
00:14:17그런 케이스도 실제로 있긴 했지만
00:14:20요런 뭐 100주, 1000주
00:14:21요런 실수들은 생각보다 잦아요.
00:14:23물론 최근 몇 년은
00:14:24그런 알고리즘들이
00:14:25엑스큐션을 하게 되면서
00:14:27그런 안전망도 갖춰지고 해서
00:14:29옛날보다는 그렇게 자주는 아니지만
00:14:31어쨌든 백테스팅 데이터는
00:14:33그런 알고리즘 엑스큐션이 되기 이전 데이터
00:14:36뭐 2011년, 2005년
00:14:37그렇게까지 뒤로 가게 되면은
00:14:39요런 케이스들이 심심치 않게 보이거든요.
00:14:41그럼 그것을 어떻게 처리할 것이냐.
00:14:43그리고 여러 거래소에서
00:14:44매매된 상품들이 있습니다.
00:14:45그런 상품들일 경우에는
00:14:47그런 여러 가지 거래소의 데이터가
00:14:49통합이 돼서
00:14:50뭐 저점, 고점이라든지
00:14:52매매 데이터 거래량 이런 것이
00:14:53잘 클린하게 통합이 된 데이터인지
00:14:56아니면은
00:14:57몇 개 거래소 데이터만 받아와서
00:14:59약간 불완전한 매매 데이터로
00:15:01백테스팅을 하고 있는지
00:15:02데이터 비용이 싸면은
00:15:04고를 가능성이 있거든요.
00:15:05그리고 MDD를 계산할 때
00:15:07종가 아닌 저가 기준으로 하는지
00:15:09예를 들어서 뭐 월별로
00:15:11리발란싱하는 전략 같은 것을
00:15:13백테스팅 할 때는
00:15:141단위 데이터를 쓰면서
00:15:15그냥 종가를 쓰는 경우도 있습니다.
00:15:17근데 사실은
00:15:18그런 드로우다운을 계산하려면은
00:15:20인트라데이 드로우다운도
00:15:21봐야 되잖아요.
00:15:22그런 사소한 부분들
00:15:24혹은 선물로 백테스팅 할 때
00:15:26만기가 있는 상품이면은
00:15:27어떻게 이걸 롤러오버 하는지
00:15:29혹은 백테스팅 같은 경우에는
00:15:31연속적인 그런 선물 만기들 이어서
00:15:33데이터를 만들어서
00:15:34백테스팅을 하는데
00:15:35그 만기 롤러오버를
00:15:37어떻게 취급할 것인지
00:15:38그런 문제들
00:15:39이런 문제들 이외에도 굉장히 많습니다.
00:15:40근데 이런 데이터 문제에 대해서
00:15:42고민을 해보셨는지
00:15:44아니면 어디 뭐 백테스팅 서비스를 사용하신다면은
00:15:47그냥 그 업체의 데이터를 잘 했겠거니 하고 믿을 것인지
00:15:51그런 부분들을 확인할 필요가 있는데
00:15:53생각보다 데이터 문제에서 정말 많은 오류가 발생하고
00:15:57백테스팅 그런 결과가
00:15:59왜곡이 되는 경우가 많습니다.
00:16:01그 외에도 이제 데이터에서 오는 문제 하나가 뭐냐면은
00:16:04생존자 편향입니다.
00:16:06백테스팅에서 대표적인 오류 중에 하나고요.
00:16:08요 그림이 뭐냐면은
00:16:101차 세계대전인지 2차인지는 잘 모르겠는데
00:16:12이제 공군에서 이제 비행기들을 보강을 하려고 합니다.
00:16:16갑판을 어디를 조금
00:16:18그런 방어막을 더 굳게 만들어야 되는지
00:16:20그걸 파악하기 위해서
00:16:21이제 엔지니어들이 공중전을 치르고
00:16:24이제 복귀한 그 비행기들을 다 모아가지고
00:16:26어디에 총을 제일 많이 만나
00:16:28그거를 이제 파악했습니다.
00:16:29그래서 아 이런 부분에 제일 총을 많이 맞는구나
00:16:33그래서 이런 부분을 이제
00:16:34철판을 더 두껍게 만들든지
00:16:36뭐 그렇게 하자 결론을 내렸는데
00:16:38이게 어마어마한 잘못이죠.
00:16:40왜냐하면 실제로 이런 부분
00:16:42이런 부분
00:16:42아니면 요런 부분들
00:16:44거기에 피격당한 비행기들은
00:16:46다 추락해서 복귀를 하지 못했거든요.
00:16:49그래서 주어진 데이터로
00:16:50결론 내리는 게 얼마나 위험한지
00:16:52그걸 잘 보여주는 예신데
00:16:54이제 주식투자에서 생존자 편향이라고 하면은
00:16:56예를 들어서
00:16:57아 지금 보면은
00:16:5980년대 애플과 마이크로소프트를 샀으면은
00:17:02정말 대박이 낫겠다
00:17:03이렇게 생각을 해서
00:17:05그런 뭐 테크 주식들을 사는 전략을 수립을 한다고 해봅시다.
00:17:08근데 실제로 80년대 그 당시에
00:17:10애플이나 마소급으로 유망한 회사들은
00:17:13당시에 30개가 넘었어요.
00:17:14그리고 그 중에 28개는 사라진 거죠.
00:17:17그래서 단 2개밖에 살아남지 못했습니다.
00:17:19그래서 이 둘밖에 살아남지 못했는데
00:17:22이 둘을 바라보면서
00:17:23아 그렇게 지금 투자하면 대박 나겠다 생각하는 거죠.
00:17:27그래서 이런 식으로 현재 생존에 있는 회사들로만
00:17:30백테스팅 대상으로 삼아서
00:17:32백테스팅을 하면은 수익률이 뻥튀기 될 수밖에 없습니다.
00:17:35그리고 이건 당연히 백테스팅 기간이 길면 길수록
00:17:38더 큰 문제가 되겠죠.
00:17:40왜냐면 그 긴 기간 동안에
00:17:41분명히 그 초기에는 있었는데
00:17:43사라져버린 회사들이 많을 테니까
00:17:45근데 생각보다 많은 주린이 분들이
00:17:47요런 백테스팅을 시작할 때
00:17:48처음에 그런 스탁 유니버스를 정하잖아요.
00:17:51그런 어떤 주식들에 대해서 백테스팅을 할 것인지
00:17:54그 범주를 정할 때
00:17:55현재 존재하는 회사들로 구성을 해요.
00:17:58그래서 그 안에서
00:17:59이제 뭐 여러 가지 잣대로 백테스팅을 해서
00:18:02어떤 식으로 이제 좋은 회사를 그 중에서 고를 것인지
00:18:05요렇게 판단을 하는데
00:18:07그렇게 하게 되면은
00:18:08그 백테스팅 기간부터 지금까지
00:18:11파산한 회사들은 다 제외가 되거든요.
00:18:13그런 신급의 능력이 나한테 존재한다고
00:18:16가정을 한 채로 백테스팅이 되는 거죠.
00:18:18그러면 수익률은 당연히 실제보다 뻥튀기가 되겠죠.
00:18:21그래서 백테스팅 할 때는
00:18:23백테스팅이 뭐 20년 지면은
00:18:252001년 기준으로 존재했던 회사들을 상대로
00:18:29시작을 해가지고
00:18:30그 범주를 범주 삼아야 된다.
00:18:32그런 말씀을 드리고
00:18:33여담인데
00:18:34유튜브에 나오는 그런 슈퍼 개미들도
00:18:37생존자 편향 문제가 조금 있을 가능성도 있습니다.
00:18:40되게 실력으로 슈퍼 개미된 분들도 계시겠지만
00:18:43굉장히 큰 리스크를 져가지고
00:18:45어떤 한 주식에 엄청나게 큰 지분을 샀는데
00:18:48그게 터져가지고
00:18:49이제 슈퍼 개미가 됐는데
00:18:51그런 행동을 한 그런 분들이
00:18:5330명, 50명이 더 있었던 거죠.
00:18:55근데 그렇게 리스크가 높은 행동을 한 50명 중에서
00:18:58한 명이 살아남았고
00:18:59시청자들은 그 사람을 바라보고 있는 것일 수도 있겠죠.
00:19:02근데 이것도 어쩌면은 생존자 편향 문제일 수도 있다.
00:19:05그래서 지금 시점에서
00:19:06나도 저렇게 돼야지 하면서
00:19:08엄청나게 리스크 큰 그런 투자를 하게 되면은
00:19:11확정적으로 그렇게 되는 게 아니고
00:19:1350명 중에 한 명이 운 좋게 되어야만 그렇게 된다는 거.
00:19:17그래서 이런 편향들을 인지하고 있는 것만으로도
00:19:20되게 합리적이고 현명한 투자를 할 수가 있다.
00:19:22그래서 백테스팅 플랫폼을 사용할 때는
00:19:24아까 전에 말씀드렸던 그런 데이터 문제라든지
00:19:27아니면 생존자 편향 문제를
00:19:28전부 다 그냥 해당 업체에 위임한다고 보시면 돼요.
00:19:31나이브하게.
00:19:32근데 과연 그 업체가
00:19:33요런 부분들이나 아까 데이터 문제를
00:19:35정말 정말 엄밀하게
00:19:37그런 유저들의 입장에서 유저들의 수익률을
00:19:39실전 수익률을 걱정하면서
00:19:41많은 자본을 투입해가지고
00:19:43데이터를 깨끗하게 만들고 했을까.
00:19:45그런 부분들을 반드시 확인해 봐야 되는 거죠.
00:19:48그 다음에 이제 두 번째 조심해야 될 점은
00:19:50루커헤드 바이어스라고
00:19:52미래를 먼저 바라보지 말라는 것.
00:19:54루커헤드 바이어스를 대충 이름 붙이자면은
00:19:57미래 선지 편향?
00:19:58뭐 그렇게 해석할 수도 있는데
00:20:00매매 시점에서는 아직 획득할 수 없는 정보가
00:20:03백테스팅은 과거 데이터로 하잖아요.
00:20:05그래서 그런 시점상으로는
00:20:07이 작년에는 없었는 정본데
00:20:09작년 시점에 매매에 그 정보를 참고해서
00:20:12매매하도록 로직을 짜둔 경우가
00:20:14심심치 않게 발견이 됩니다.
00:20:15그거를 이제 루커헤드 바이어스라고 하고요.
00:20:18요런 예중에서 대표적인 실수 중에 하나는
00:20:21예를 들어서 이번 달 2021년 9월 기준으로
00:20:24모든 한국 주식들을 다 백테스팅하기 힘드니까
00:20:27뭐 100개만 하자.
00:20:29그렇게 뭐 유저가 생각을 하는 거죠.
00:20:30그래서 코스피 시가 총액 상위 100위를 추려가지고
00:20:34요걸로 이제 백테스팅을 합니다.
00:20:35뭐 PER이 뭐 어떠면은 사는 전략.
00:20:38그렇게 뭐 해가지고
00:20:3910년간 백테스팅을 했더니
00:20:41수익률이 매우 좋아요.
00:20:42근데 뭐가 잘못했을까요?
00:20:44지금 2021년 9월 기준으로 코스피 시가 총액이 상위 100위를 추렸죠.
00:20:50그 종목들만 추렸는데
00:20:51지금 10년 지 백테스팅을 하면 2011년 기준으로
00:20:552021년에 무엇이 상위 100위 안에 들어가 있을지를
00:20:59미리 알고 하는 거나 마찬가지죠.
00:21:01시가 총액 상위라는 것은 사실은
00:21:03그 주식 가격이 계속 꾸준히 올라왔다는 뜻이니까.
00:21:06근데 사람들이 요런 부분들은 뭐 신경 써도
00:21:08은근히 뭐 시가 총액으로 끊어가지고
00:21:11몇백 개만 하자.
00:21:12뭐 요렇게 생각하는 부분에 있어서
00:21:14되게 실수를 많이 하거든요.
00:21:15그리고 또 한 가지 얘는
00:21:17기업의 뭐 재무제표 펀더멘탈 실적 데이터로 백테스팅을 할 때
00:21:21매 분기별로 각 기업들이 실적 발표
00:21:24그런 거를 하는 날짜들이 다 다르잖아요.
00:21:26근데 그 각 기업들이 실적 발표를 하고 나서
00:21:29그 이후에 뭐 리밸런싱이라든지
00:21:31하여튼 매매가 이루어지는지
00:21:33그 다음 달 초에야 이 기업은 이제 실적 발표를 했는데
00:21:36요 정보를 안 채로 요 며칠 전에 월말이라서
00:21:40리밸런싱을 한 거죠.
00:21:41미래를 이미 알고 이때 매매를 하게 되는 거죠.
00:21:44고런 것들이 백테스팅에 섞일 수가 있습니다.
00:21:46그리고 또 한 가지 예시는
00:21:48예를 들어서 종가 기준으로 뭔가를 매매한다.
00:21:50그렇게 가정을 하고
00:21:52이제 데일리 뭐 리밸런싱을 하는데
00:21:54종가라는 것은 그 하루가 끝나봐야 아는 정보죠.
00:21:57근데 뭐 주문은 시장이 끝나기
00:22:005분 전에 체결을 하도록 백테스팅을 한다든지
00:22:03고런 식으로 하면서 이제 시간대에서
00:22:05그런 미래를 미리 알아버리는
00:22:07그런 편향이 생길 수도 있겠죠.
00:22:09그 다음 이제 세 번째가 매우 매우 중요합니다.
00:22:11과체적화를 피하는 거.
00:22:13아무리 강조해도 지나치지 않은 그런 부분인데
00:22:16과체적화는 뭐냐면은
00:22:18주어진 샘플 데이터에만
00:22:19지나치게 성능이 좋도록 모델을 만드는 거예요.
00:22:23예를 들어서 지금 샘플이 요렇게 있습니다.
00:22:25그럼 우리가 알고 싶은 거는
00:22:27이 뒤에 있는 그런 모집단이죠.
00:22:29실제 전체적인 그런 모집단을
00:22:32우리가 추정을 하고 싶은데
00:22:34혹시 뭐 모집단이 모르신 분들도 계실까봐
00:22:36짧게 설명을 드리자면은
00:22:38우리가 뭐 선거 결과에 대해서
00:22:40여론조사를 한다.
00:22:41근데 전국민을 대상으로 조사를 하면은
00:22:44그게 완벽한 어떤 여론조사가 되겠죠.
00:22:46정확도가 100%인.
00:22:48근데 전국민한테 할 수가 없으니까
00:22:50전국민 중에서 샘플을 뽑습니다.
00:22:53일부 인구만 뽑아가지고 그 샘플이 그 뒤에 있는 모집단을 대표한다.
00:22:58대표성이 있다.
00:22:59가정을 하고 그걸로 이제 추정을 하죠.
00:23:02그래서 요런 데이터도 실제로 그런 뒤에 있는 그런 모집단 데이터는
00:23:06뭐 이렇게 분포가 돼 있을 거고
00:23:08그 중에서 몇 개 이렇게 샘플들을 뽑아가지고
00:23:10샘플들로 요 뒤에 모집단이 어떻게 어떤 모양일까 추정을 해보는 거겠죠.
00:23:16그래서 그 모양에 맞게 모델을 이제 피팅을 하려고 하는 모습인데
00:23:20근데 모델을 피팅한다는 거는
00:23:22지금 이 샘플이랑 요 모델 추세선이랑
00:23:25요 오차가 최소한이 되는 그런 선을 찾아야 되거든요.
00:23:30요런 선들이.
00:23:30근데 지금 보시면 이렇게 엄청나게 꼬불꼬불한
00:23:34그런 복잡한 모델을 피팅을 하면은
00:23:37이 샘플 데이터 상으로는 오차가 제로죠.
00:23:39모든 샘플에 닿고 있습니다.
00:23:41그래서 이 샘플에는 완벽히 오차 없는
00:23:44오차 제로의 그런 모델이에요.
00:23:47근데 실제로 이게 뒤에 있는 모집단을 잘 표현하는 모델일까요?
00:23:51아니겠죠?
00:23:51새로운 샘플을 뽑아보면은 이 오차가 되게 크겠죠.
00:23:54그래서 요렇게 적당히 피팅을 해야지
00:23:58새로운 샘플들이 들어왔을 때
00:24:00요 오차가 어쨌든 되게 그 합이 적습니다.
00:24:03반면에 이거는 너무 단순한 직선을
00:24:06요렇게 피팅을 해버리면은
00:24:08언더핏 최적화가 덜 됐다.
00:24:10그래서 그냥 샘플 상으로도 오차가 그냥 커버리는 거죠.
00:24:13그래서 어떤 모델링에서 제일 중요한 게
00:24:16요렇게 적당히 최적화를 하는 것인데
00:24:18많은 분들이 백테스팅을 하실 때
00:24:20과거 데이터, 과거 데이터 어떻게 보면 샘플 데이터죠.
00:24:24그 샘플 데이터에 이런 식으로
00:24:26그냥 그 샘플 안에서 수익률이 그냥 극대화되도록
00:24:29온갖 그런 규칙을 집어넣어가지고
00:24:32수익률을 그냥 최대한 높여놓는다는 거죠.
00:24:35예를 들어서 2015년부터 2021년의 데이터의 백테스팅을 해보니까
00:24:39PER이 13.75 이상, 17.23 이하이고
00:24:43시가총액이 517억 이상, 623억 이하
00:24:46PBR은 1.17이 이하인 주식을 사면은
00:24:50연 70% 수익이 가능하다.
00:24:52요런 백테스팅 결과 나왔어요.
00:24:54이거는 딱 보셔도 완전히 오버피팅을 한 거죠.
00:24:57과체적화를 한 거죠.
00:24:58막 PER이 17.24인 기업인데 되게 수익성이 나빴던 그런 주식이
00:25:04이 데이터에 끼어 있었다든지
00:25:05아니면 시가총액이 막 515억이었는데
00:25:09되게 나쁜 그런 예여서 요렇게 정했다든지
00:25:12막 그런 식으로 되게 세밀하게 그냥 그 샘플 데이터, 과거 데이터만 보고
00:25:16어떻게든 수익률을 극대화하려고 하다 보면은
00:25:19요런 식의 모델이 나오고
00:25:21그러면 미래에 실제로 그 분포에서 그런 데이터가 나오면은
00:25:25오차 범위가 커진다.
00:25:27그런 이야기인데
00:25:28조금 더 자세히 보도록 하겠습니다.
00:25:29요것도 과체적화의 예죠.
00:25:31빨간색과 파란색을 잘 나누는
00:25:34그런 어떤 선을 배우려고 합니다.
00:25:36그런 선의 모델.
00:25:37근데 지금 이 까만색은 딱 적당하게 배웠는데
00:25:40초록색 꾸불꾸불한 거는
00:25:42지금 보이시는 파란색과 빨간색 그 점 기준으로는
00:25:46완벽하게 나눴죠.
00:25:48그래서 요 샘플 데이터 상으로는
00:25:50오차가 제로인 완벽한 선이지만
00:25:52실제로 뒤에 있는 모집단은
00:25:55뭐 파란색이 대충 여기서 막 나오고
00:25:57빨간색은 막 여기서 이제 막 나오면은
00:25:59실제 미래에 새로 그런 데이터가 들어오면은
00:26:03이 초록색 선은 오차가 되게 많을 거다.
00:26:05그렇게 추측할 수 있겠죠.
00:26:07그래서 과거 데이터에 너무 상색이 끼워 맞추면은
00:26:10미래에는 적용이 안 된다.
00:26:11이것도 뭐 비슷한 예인데
00:26:13재학 중이던 학생 100명의 인적 사항에 대한
00:26:15상세한 데이터를 수집했다.
00:26:16이를 토대로 올해 재학 중인 학생 100명 중에
00:26:19성적이 좋을 학생을 판별해라.
00:26:20그럼 막 이렇게 뭐 성의 정시고
00:26:22키는 요사이고
00:26:23막 그렇게 작년의 상위권 학생들의 데이터에
00:26:26지나치게 막 최적화시켜서
00:26:28그런 판별 규칙을 정하면은
00:26:30올해 재학 중인 학생한테 이걸 적용해버리면은
00:26:32진짜 얼토당토 안 할 수가 있다는 거죠.
00:26:34그냥 뭐 공부 시간이 몇 시간 이상인 학생들로
00:26:37이제 판별 규칙을 정하면은
00:26:39작년 재학 중이던 학생들의 데이터에 끼워보면은
00:26:42요렇게 세세한 것보다는
00:26:44정확도가 낮을 수 있어요.
00:26:45근데 정확도는 조금 낮지만
00:26:47실제로 올해 재학 중인 학생한테 해도
00:26:49여전히 정확도가 그만큼 괜찮을 확률이 높은 거죠.
00:26:53그러면은 이런 과체적화 문제를 어떻게 하면 완화할 수 있을까요?
00:26:56모든 백테스팅은 어느 정도는 과체적화 문제를 가지고 있고
00:27:00완전히 제거하는 건 불가능해요.
00:27:01그래서 뭐 예를 들어서 지난 5년치 데이터에 백테스팅한 전략의 수익률이
00:27:06향후 미래에 3년간 유효할지 어떻게 알까?
00:27:08그 질문에 대해서 완벽한 답은
00:27:11그냥 3년간 매매해 보는 거겠죠?
00:27:12근데 이거는 사후적인 거라서
00:27:153년간 매매했는데 손실 나오고 하면은
00:27:17무의미하겠죠?
00:27:17그래서 한 가지 방법은
00:27:19Out of Sample Data라고
00:27:21샘플 외의 데이터를 이용하는 것이에요.
00:27:23뭐 이건 제가 번역이 맞는지 모르겠는데
00:27:25보통 OOS 데이터라고 하거든요.
00:27:27그래서 예를 들어서
00:27:282015년 9월부터 2021년 9월
00:27:31그러니까 6년치 데이터에서
00:27:33수익률 좋은 전략을 찾아서
00:27:342021년 10월부터 매매하는 거는 별로겠죠?
00:27:38이렇게 하는 게 아니고
00:27:392014년 9월부터 2020년 9월까지
00:27:426년 데이터를 써가지고
00:27:44수익률 좋은 전략을 찾은 다음에
00:27:46그거를 이제 2020년 10월부터
00:27:492021년 9월에 백테스팅을 한 번 더 해보는 거죠.
00:27:52그러니까 2014년부터 6년간의 데이터에서
00:27:55백테스팅하면서 수익률 좋은 걸 찾은 다음에
00:27:57그거를 2020년 10월부터 실제로 매매해 본다고 상상을 하고
00:28:021년 동안 백테스팅을 해보는 거예요.
00:28:04그래서 그 결과가 좋으면은
00:28:062021년 10월부터 실전 매매를 하는 거죠.
00:28:09근데 물론 이렇게 나누면은
00:28:10또 다른 문제가 생기긴 하는데
00:28:12조금 이따 그거는 다루도록 하고
00:28:13지금 이제 전하고자 하는 부분은
00:28:16샘플 데이터가 이만큼 있으면은
00:28:18요만큼을 따로 떼 놓는 거죠.
00:28:19따로 떼 놓고
00:28:21요만큼 데이터에서 열심히 전략을 찾고
00:28:23백테스팅을 많이 하고
00:28:24여기에다 최적화를 해본 다음에
00:28:26바로 실전 투입하는 것이 아니고
00:28:28요렇게 이제 전략 찾는데
00:28:30쓰지 않았던 데이터에다가
00:28:31자 이제 실전이다 상상하고
00:28:33여기 써보는 거죠.
00:28:34그게 이제 샘플 웨 데이터
00:28:35OOS 데이터를 이용하는 것이라 하고요.
00:28:38뭐 데이터 과학에서는
00:28:39학습 데이터, 검증 데이터,
00:28:41트레인 데이터, 테스트 데이터,
00:28:42아니면 디벨로먼 데이터
00:28:44뭐 그런 용어들은
00:28:45굳이 뭐 중요하진 않고
00:28:46그래서 4번은 3번에서 이어지는데
00:28:48검증 기회는 단 한 번뿐이다.
00:28:50요게 굉장히 굉장히 굉장히 중요합니다.
00:28:53진짜 아무리 강조해도 부족함이 없는
00:28:58정말 정말 중요한 어떤 문장인데
00:29:01요 샘플 웨 데이터 테스팅에 대해서
00:29:03좀 더 다뤄보도록 하겠습니다.
00:29:04이제 샘플 데이터와 샘플 웨 데이터
00:29:06그러니까 뭐 다양한 명칭이 있는데
00:29:08이제 이 영상에서는
00:29:09학습 데이터, 검증 데이터로
00:29:11통일을 하겠습니다.
00:29:12아까 전 예시에서 보시면
00:29:132014년부터 2020년까지
00:29:16데이터는 학습 데이터
00:29:18그러니까 학습 데이터는
00:29:19전략을 찾는 데 쓰인 데이터
00:29:20그 다음 전략을 찾고 나서
00:29:22요거를 이제 검증해 보는 거
00:29:24그 마지막에 이제 1년 동안
00:29:26그 데이터 백댄싱 한 거를
00:29:28검증 데이터 그렇게 그냥 부를게요.
00:29:30그래서 지금 이 그래프는 뭐냐면
00:29:32규칙이나 모델이 얼마나 복잡한지
00:29:35오른쪽으로 갈수록
00:29:36정말 정말 더 복잡한 모델인 거죠.
00:29:38그러니까 뭐 173cm부터
00:29:40173.25cm
00:29:42이런 식으로 아까 규칙을 정하고
00:29:44그렇게 하면 할수록
00:29:45이제 복잡도가 올라가고요.
00:29:47그 다음 이거는 예측 오류
00:29:49그러니까 실전에 투입해 봤을 때
00:29:50오차가 얼마나 큰지
00:29:52그건데 보시면은
00:29:53트레이닝 샘플
00:29:54그러니까 학습 데이터에서는
00:29:55복잡한 모델을 쓰면 쓸수록
00:29:58오차가 줄어듭니다.
00:29:59아까 전에 막 이렇게 이제 샘플들이 있는데
00:30:02막 이렇게 꼬불꼬불 해서
00:30:03막 복잡하게 할수록
00:30:05요 샘플 데이터 안에서는
00:30:06오차를 제로로 없앨 수 있었죠.
00:30:08그래서 모델을 엄청나게 복잡하게 하면 할수록
00:30:12오차는 0의 수렴에 가고요.
00:30:14그런데 그렇게 학습한 모델을
00:30:16이제 따로 떼둔 그런 검증 데이터로
00:30:18한번 시험을 해보면은
00:30:19오차가 얼마나 나오느냐.
00:30:21처음에 모델이 굉장히 단순한
00:30:23뭐 직선이라든지
00:30:24되게 언더피팅을 했을 때는
00:30:26오차가 비슷하게 나옵니다.
00:30:28그런데 모델이나 규칙이 점점 복잡해지면 복잡해질수록
00:30:31지금 요 학습 데이터 상의 샘플에서는
00:30:33오차가 계속 줄어드는데
00:30:35이 검증 데이터에서는
00:30:37바닥을 찍고 지나치게 복잡해지기 시작하는 시점부터
00:30:40오차가 더 늘게 돼요.
00:30:42그래서 뭐 투자해서 백테스팅으로 비유를 하자면은
00:30:45굉장히 백테스팅을 막 많이 돌리고
00:30:47이것저것 되게 세세한 그런 규칙들을 정하고
00:30:51많이 백테스팅 해보고
00:30:52그러면서 막 되게 세밀하게
00:30:55그런 뭐 파라미터 같은 거
00:30:56PER 값을 얼마 이상으로 해야 된다.
00:30:59그런 것들을 세세하게 복잡하게 만들을수록
00:31:02그 과거 데이터 상의 수익률은 점점점 올라갑니다.
00:31:05이건 지금 오차 그래프니까 낮을수록 좋은 거죠.
00:31:08그러니까 어쨌든 과거 데이터에 되게 끼워 맞춤 백테스팅은
00:31:12끼워 맞춤 맞출수록 점점 수익률이 좋아지는데
00:31:15이걸 실전에 적용했을 때는
00:31:17이렇게 지나치게 복잡하게 하면
00:31:18어느 순간부터는 복잡한 복잡한 룰일수록
00:31:21실전상에서의 수익률은 낮아진다.
00:31:23이렇게 되는 거죠.
00:31:24근데 지금 제가 오차가 낮아지는 것을
00:31:26수익률이 좋아진다.
00:31:28오차가 높아지는 것을 수익률이 나빠진다.
00:31:31이렇게 표현을 했는데
00:31:32엄밀히 말하자면은
00:31:33오차가 커진다는 것은
00:31:34수익률이 낮아진다는 것과는 살짝 달라요.
00:31:37그러니까 백테스팅을 막 엉망으로 하고
00:31:39엄청 오버피팅을 하면 할수록
00:31:42백테스팅 수익률과 미래 수익률 사이의 격차가
00:31:45오차가 커진다는 것이지
00:31:47그 오차가 오히려 무작위적으로
00:31:49더 높을 수도
00:31:50더 나질 수도 있겠죠.
00:31:51근데 일반적으로 그렇게 오차가 나면은
00:31:53실전 수익률이 더 나쁘게 됩니다.
00:31:55왜냐하면은 과거 데이터에 끼워 맞출 때
00:31:57수익률을 최대한 끌어올리도록
00:31:59막 끼워 맞춘 거라서
00:32:00그 수익률에서 오차가 나면
00:32:02보통 아래쪽으로 오차가 나겠죠.
00:32:03그래서 그러면은 학습 데이터와 검증 데이터를
00:32:06어떻게 나눠서 백테스팅을 할 것인가.
00:32:08예를 들어서 2011년부터 2021년까지
00:32:1111년치 데이터로 학습해서 내년부터 적용해 보는 것은
00:32:15이제 그렇게 나눠서 검증 데이터를 쓰지 않겠다는 뜻이죠.
00:32:18전부 다 학습 데이터로 써가지고 적용하는 건데
00:32:21이건 권장하지 않고요.
00:32:22이제 아까 전에 말씀드린 그렇게 나누는 것은
00:32:25이렇게 10년치 데이터로 학습 데이터를 삼아서 학습한 다음에
00:32:282021년 마지막 1년을 검증을 한 다음에
00:32:312022년부터 적용하는 방법이 있겠고요.
00:32:34근데 요거는 좀 이따 말씀드리겠지만
00:32:36그렇게 좋은 방법은 아니다.
00:32:38그 외에 조금 더 개선된 방법들은 뭐냐.
00:32:40워크포워드 테스팅이라는 방식이 있는데
00:32:43요거는 뭐냐면은
00:32:44예를 들어서 99년도부터 3년 동안
00:32:46거기서 이제 학습해서 파라미터를 최적화한 다음에
00:32:49그걸 토대로 1년간 검증해 보고
00:32:52그 다음에 이렇게 롤링식으로 요렇게 하는 거죠.
00:32:55그래서 요런 식으로 써서 이제 전략을 수립하게 되면은
00:32:58사실 예를 들어서 굉장히 단순한 모델
00:33:01저는 뭐 PER로 기준 삼아서 백테스팅한 건
00:33:04말도 안 된다고 생각하지만
00:33:05PER 일정 이하 되는 주식을 사는 전략이 있다고 가정해 봅시다.
00:33:08그러면 10년 동안의 그런 데이터 상으로
00:33:11PER을 최적화하면은
00:33:13각 해마다 더 좋은 그런 PER 기준들이 다 다를 텐데
00:33:17그 중에서 그냥 평균적으로 괜찮은 거를 선택하게 되겠죠.
00:33:20근데 그걸 조금 더 좁히면은
00:33:22지난 3년치를 토대로 이제 PER 값을 정해서 매매를 하고
00:33:26뭐 요런 식으로 테스팅을 하게 되면은
00:33:28이 파라미터를 조금 더 유연하게
00:33:30시간 흐름과 함께 조절할 수 있게 되는 거죠.
00:33:32그런 식으로 테스팅을 하는 건데
00:33:35뭐 그렇게 테스팅해도 되고
00:33:37그 다음 KFOLD CBE라고
00:33:38CROSS VALIDATION이라고 하는데
00:33:39요거는 어떻게 하냐면은
00:33:41요 K값이 몇 개 단위로 나누냐 요런 뜻인데
00:33:45그림을 보시면 K값이 5겠죠.
00:33:47그러면 K값을 5로 정하면은 데이터를 5등분 해가지고
00:33:50요 4년치에다가 학습을 시킨 다음에
00:33:531년치에 검증 데이터에서 수익률이 얼만지 찾아보고
00:33:56그 다음에 요 4가지에다가 학습을 시킨 다음에
00:33:59요 해에 그게 어떻는지 검증을 해보고
00:34:01요런 식으로 한 다음에 요 수익률의 평균을 5분의 1로 이제 나눕니다.
00:34:05그러니까 요 수익률들을 평균하는 거죠.
00:34:09그게 이제 기대할 수 있는 수익률이랑 비슷하다.
00:34:12그런 생각을 하는 거고요.
00:34:13그 외에는 예를 들어서 지난 10년간의 데이터를 쓴다.
00:34:16그러면은 짝수해의 데이터로 학습을 하고
00:34:19홀수해의 데이터로 검증을 하기도 합니다.
00:34:22요런 것들이 다 장단점이 있는데
00:34:23요거의 장점을 말씀드리자면은
00:34:26마켓 레짐 체인지에 되게 파라미터가 안정적이에요.
00:34:30무슨 뜻이냐면은
00:34:31금융 위기나 코로나가 터지면은
00:34:33시장 성질이 변화하게 됩니다.
00:34:35그러면은 예를 들어서 2008년도에 금융 위기가 터졌는데
00:34:391998년부터 2007년까지 데이터로 학습을 해서
00:34:43수익률 좋은 걸 찾아낸 다음에
00:34:45여기서 검증하고 하면은
00:34:46이 시장 성질이 달라져 버리기 때문에
00:34:49이게 조금 분포도 달라지고
00:34:51이 뒤의 시장 상황을
00:34:52이 앞에 그런 패턴들이 반영을 하지 않겠죠.
00:34:55그래서 요런 식으로 나누게 되면은
00:34:57그렇게 엄청난 사건이 터져가지고
00:35:00시장 성질과 패턴이 변해버리는 문제에
00:35:02조금 더 안정적으로 이제 검증을 할 수가 있어요.
00:35:06그래서 요런 방식을 쓰기도 하고
00:35:08요런 방식을 쓰면은 아까전에 말씀드린 미래를 바라보는 거
00:35:11그거를 주의하셔야 돼요.
00:35:13왜냐하면은 매매 주기에 따라서 다르겠지만
00:35:16월별로 매매한다 치면은
00:35:18지금 학습 데이터에
00:35:19이게 2014년 학습 데이터가 반영이 돼 있는데
00:35:222013년도에 어떤 규칙이나 어떤 데이터를 쓰냐에 따라서
00:35:262014년이 되어야 아는 부분들이
00:35:28요 검증 데이터에 섞일 수가 있거든요.
00:35:30그러면은 요 검증 데이터의 수익률이 뻥튀기 되겠죠.
00:35:34이미 미래를 바라보고 학습을 했으니까.
00:35:36그래서 각별히 요 부분을 주의하셔야 되고
00:35:39그리고 되게 그냥 거칠게 말씀을 드렸는데
00:35:41기계 학습 머신러닝 요런 파트의 경우에는
00:35:44하이퍼 파라미터 요런 부분들이 있습니다.
00:35:46또 그러니까 파라미터는 일반적으로 모델 자체가
00:35:50샘플 데이터의 오차를 줄이기 위해서 조절해 나가는 부분이고
00:35:54하이퍼 파라미터는 사람이 정해야 되는 부분이에요.
00:35:57예를 들어서 회기 분석을 한다.
00:35:59그러면은 뭐 직선을 쓸 것인지 아니면 곡선을 쓸 것인지
00:36:03그러니까 파라미터가 얼마나 복잡한 그런 형태의 식을
00:36:07그런 모델을 쓸 것인지
00:36:09그런 것은 사람이 결정하겠죠.
00:36:11그러면 그런 파라미터의 개수 요런 거는 하이퍼 파라미터고요.
00:36:15그거를 정해놓고 나면은 이제 그 데이터에 따라서
00:36:18그 데이터의 오차를 최적화하는 방향으로
00:36:22요 선을 피팅을 하는 거죠.
00:36:23그래서 기울기라든지 절편 그게 이제 요 데이터에 맞춰서
00:36:28모델이 학습하게 되는데 요 기울기 값 요런 부분들을 파라미터라고 합니다.
00:36:33그래서 하이퍼 파라미터도 여러 가지를 시도를 해 봐야겠죠.
00:36:36그래서 그냥 요렇게 트레인 테스트 데이터로 나눈 게 아니고
00:36:40데프 데이터라고 하나를 더 나눠요.
00:36:42그래서 여기다가 이제 최적화를 한 다음에
00:36:45하이퍼 파라미터는 여기다가 최적화하고
00:36:48그 다음에 이제 테스트 데이터로 검증하고 요렇게 하기도 합니다.
00:36:51근데 뭐 기계 학습을 아시는 분들은 이미 다 이해하실 거고
00:36:55요걸 모르시는 분들은 어차피 요정도 설명으로는 모르실 거기 때문에
00:36:58그냥 뭐 넘어가도록 하겠습니다.
00:37:00근데 이런 작업을 할 때 굉장히 굉장히 굉장히
00:37:04아무리 강조해도 지나치지 않은 중요한 부분이 있습니다.
00:37:08바로 검증 데이터
00:37:10검증 데이터는 절대로 절대로 절대로 두 번 보시면 안 됩니다.
00:37:15그 결과를
00:37:16학습 데이터에서 막 학습을 해서 수익률 좋은 그런 전략을 백테스팅 여러 번 해보고 그래서 찾아내잖아요.
00:37:22그러면 요 전략이 학습 데이터 상에서는 어쨌든 수익률 좋은 걸 찾았는데
00:37:26실전에서 요걸 사용해 보면은 정말 그대로 좋을지 그것을 검증하기 위해서
00:37:31학습 데이터에 사용하지 않았던 그 기간이나 그 데이터를 써가지고 요걸 돌려보는 거잖아요.
00:37:38근데 이거는 절대로 두 번 돌리시면 안 됩니다.
00:37:41딱 한 번만 돌려보고 딱 한 번 돌렸을 때 수익률이 나쁘잖아요.
00:37:45그러면은 아무리 뭐 몇 년을 노력하고 아무리 이 전략을 만드는데 개고생을 했었어도
00:37:50전체 전략을 그냥 버려야 됩니다.
00:37:52왜냐? 실전에 이 전략을 적용했을 때 손익을 볼 기회도 단 한 번밖에 없거든요.
00:37:57시간을 돌릴 수는 없잖아요.
00:37:58그럼에도 불구하고 아까워가지고 요 검증 데이터에서 나쁘게 나왔다고
00:38:03다시 학습 데이터만 써가지고 파라미터 좀 조정해보고 그러면서
00:38:07다시 돌려봤는데 검증 데이터에서 수익률이 좋게 나왔어요.
00:38:10그렇게 하는 순간 이미 검증 데이터는 검증 데이터가 아니고
00:38:14학습 데이터로 편입이 되어버린 거예요.
00:38:16그 파라미터를 찾고 하는데 검증 데이터까지 포함해서 최적화를 해버렸잖아요.
00:38:21그래서 요 전략은 이제 실전에 갔을 때 얼마나 좋은 수익률을 낼지
00:38:26우리가 어떤 아무런 보장을 할 수가 없는 거죠.
00:38:29그래서 그 부분이 굉장히 중요하고
00:38:31이제 백테스팅을 하실 때 중요한 점 요것도 이어지는 얘기인데
00:38:34시대는 변한다는 거 마켓 레짐이라는 개념
00:38:37제가 질문을 하나 해보겠습니다.
00:38:3920년치 백테스팅이랑 3년치 백테스팅 중에서
00:38:42어느 것이 더 유의미할까요?
00:38:44이미 제가 제목을 이렇게 해둬서 답은 나왔는데
00:38:47많은 줄이니 분들이 백테스팅을 길게 할수록 좋다
00:38:50데이터가 많을수록 좋다 그렇게 생각하시는 분들이 계세요.
00:38:54근데 저라면은 이 두 가지 백테스팅 중에서
00:38:57물론 뭐 시간 지평이나 얼마나 자주 매매하냐
00:39:00그런 거에 따라서 다르겠지만
00:39:01웬만해서는 3년치를 쓰겠습니다.
00:39:03데이터의 개수는 많으면 많을수록 좋아요.
00:39:06근데 같은 분포에서 비롯되는 데이터여야 돼요.
00:39:09무조건 데이터는 많을수록 좋은데
00:39:11이미 뭔가 환경이 변해버린 부분에서 오는 다른 데이터가 섞이면 좋지 않다는 거죠.
00:39:17그래서 백테스팅을 길게 잡으면 직면하는 문제는
00:39:20시장의 성질이 변한다는 거죠.
00:39:22이거는 이제 뭐 이게 뭐 실질 수익률 그래프인가
00:39:26어쨌든 뭐 금리 관련 그래프인데
00:39:28지금 보시면은 시기별로 적정 금리라고 하는 그런 개념 자체가
00:39:33물론 요렇게 변동을 하지만
00:39:34그 체제 하의 그런 적정 금리 그런 수준이 확확 변하죠.
00:39:38이때는 이쯤에다가 요 뭐 오일쇼크인가
00:39:41어쨌든 요 시기를 계기로 요때는 또 요기고
00:39:45그 다음에 80년대 이후로는
00:39:47요기가 이제 일반적으로 통용되는 그런 금리가 되었죠.
00:39:51그러면 뭐 채권 관련 트레이딩을 하는데
00:39:53요 시기 안에서 이제 매매 전략을 이제 학습해서
00:39:57요기다가 이제 사용한다고 해봅시다.
00:39:59그러면은 이때 이제 마켓 레짐이 바뀌어버리면은
00:40:02여기에서는 요기 학습한 그런 데이터로 만든 수익성 좋은 전략은
00:40:07여기서 통용되지 않겠죠.
00:40:08그게 이제 마켓 레짐 체인지라고 하거든요.
00:40:11뭐 시장의 성질, 시장의 체제, 그런 변화
00:40:14그래서 시장 성질의 변화는
00:40:17뭐 시장 플레이어들의 변화에 따라서 이루어지기도 하고요.
00:40:20예를 들어서 코로나 이후에 개미들이 엄청나게 유입이 많이 되면서
00:40:23게임스탑 사태도 생겨나고
00:40:25그러면 예전에는 코로나 이전에는
00:40:27그런 공매도 전략들, 쇼셀링 전략들
00:40:30뭐 쇼셀링 전문으로 하는 해지펀드들도 있죠.
00:40:32되게 잘 먹히던 전략들인데
00:40:34갑자기 요런 걸로 이제 시장 성질이 변하면서
00:40:37완전히 뭐 파상까지 갔었죠.
00:40:39그 다음에 이제 제도 및 규제 변화, 금융위기가 터지고
00:40:43투자은행에서 프랍 매매들이 금지되고
00:40:45그 다음 파생상품 시장에서도 여러 규제들로 시장이 변화하고
00:40:49그런 금융위기 이전의 학습 데이터로
00:40:50학습한 그런 전략은
00:40:52이후에 잘 먹히지 않겠죠.
00:40:54그 다음 이제 뭐 외생적인 이벤트
00:40:55오일 쇼크 같은 그런 엄청나게
00:40:57시장 자체를 변화시켜버리는
00:40:59그런 거시경제적인 이벤트
00:41:01그 다음에 이제 거시경제적인 변화들
00:41:03부채 비율이 점점점 이제 올라가면서
00:41:06금리 수준이 옛날에는 뭐 이 정도였는데
00:41:08이제는 엄청나게 저금리 시대가 된 거
00:41:11그러면서 사실 양적 완화 이런 부분들도
00:41:13이런 저금리에 일조를 하고
00:41:15그러면서 성장주들이 갑자기 아웃퍼폼을
00:41:17지난 10년 동안 엄청나게 했죠.
00:41:19근데 양적 완화 하기 전의 학습 데이터로
00:41:22수익성 좋은 전략을 찾아 냈는데
00:41:24막 가치주를 사고 막 그런 거예요.
00:41:25그러면은 당연히 향후 10년 동안은
00:41:27되게 안 좋았겠죠.
00:41:28그 외에도 뭐 신기술 등장
00:41:30아니면 산업 구조 변화
00:41:32뭐 그런 부분들이 있습니다.
00:41:33그래서 20년치 백테싱 했을 때
00:41:352001년의 데이터가 과연 의미가 있을까
00:41:38물론 마켓 레짐 체인지라는 것은
00:41:40어떤 요소를 보느냐
00:41:42거기에 따라서 좀 달라요.
00:41:43결국은 전략의 어떤 로직이나
00:41:45규칙이나 아니면 모델이
00:41:47어떤 요소들을 보고
00:41:49어떤 데이터를 사용하는지
00:41:51거기에 따라서
00:41:52그 데이터의 레짐이
00:41:53체인지 되는 것을 봐야겠죠.
00:41:55그래서 뭐 월 단위로도
00:41:56되게 빨리빨리 성질이 변화하는
00:41:58데이터도 있을 것이고
00:41:59아니면 뭐 10년, 15년 정도는
00:42:01되게 안정적인 그런 데이터도 있을 것이고
00:42:03그래서 코로나 주기들도 다 다르기 때문에
00:42:05일반적으로 이렇게 뭐
00:42:07무조건 코로나 터졌다고 해서
00:42:09그 전에 모든 패턴들이
00:42:09다 무의미하고 그런 건 아니에요.
00:42:12근데 어쨌든 막 20년 치
00:42:14막 이렇게 하게 되면은
00:42:15분명히 조금 문제가 있다.
00:42:17그렇게 보셔도 되고
00:42:18만약에 되게 옛날 데이터를
00:42:20써가지고 유추하려고 하면은
00:42:22마켓 레짐이
00:42:23중간에 변화했는데
00:42:24또 변화하고 해가지고
00:42:25어쨌든 현재 시점을 반영하는
00:42:29먼 과거의 데이터면은
00:42:30이제 또 사용 가능하기도 해요.
00:42:32그래서 뭐 어떤 사람들은
00:42:33지금 1940년대와 지금이 닮았다.
00:42:35요런 얘기도 하기도 하는데
00:42:37여담이고
00:42:38그래서 퀀트 트레이딩은
00:42:41되게 뭐 보편화가 많이 되고
00:42:42일반 개인들도 하고 하는데
00:42:44장기 투자하는 거
00:42:45퀀트 투자의 어떤 맹점은
00:42:47어떤 요런 개량적 기법을
00:42:49장기 투자에 적용을 할 때
00:42:51많은 데이터 기술을 확보하는 동시에
00:42:53레짐 체인지를 피하는 게 되게 힘들거든요.
00:42:55예를 들어서 뭐 분단이 데이터를 쓰는
00:42:57그런 알고리즘 매매 전략이 있다고 해봅시다.
00:42:591분에 아니 1시간에
00:43:0160개 데이터가 있죠.
00:43:0260분이니까
00:43:0360개 데이터가 있고
00:43:04그러면은 뭐
00:43:0524시간 트레이딩 되는 선물이라고 해봅시다.
00:43:08그럼 24 곱하면은
00:43:091440개
00:43:10맞나?
00:43:101440개 데이터가 있죠.
00:43:12그러면은 1440개의 하루가 있으면은
00:43:15뭐 주 5일 매매 돼서 250개
00:43:17251이 있다고 가정하면은
00:43:201년에 뭐 30몇만 개
00:43:21그 정도 숫자의 데이터가
00:43:231년치에 확보가 되죠.
00:43:25그렇게 1년치만 해도
00:43:2630몇만 개의 데이터 개수가 확보가 되기 때문에
00:43:29충분히 유의미하게 많은 데이터 속에서
00:43:32검증도 하고
00:43:33좀 더 복잡한 모델도 써보고
00:43:35그렇게 할 수가 있습니다.
00:43:36근데 뭐 월 단위로 매매하는
00:43:37그런 리밸런싱 전략이라고 해봅시다.
00:43:39그럼 1년에 12개밖에 없죠.
00:43:41그럼 20년을 해도
00:43:42240개밖에 없습니다.
00:43:44그래서 데이터 개수를 시간축으로 못 늘리기 때문에
00:43:47여러가지 주식 종목들을 이제 보면서
00:43:49그쪽으로 이제 조금 넓혀가지고
00:43:51유의미성을 조금 확보하려고 하는데
00:43:53결국은 시간축에서
00:43:54그럼 레짐 체인지를 피하기는 어렵죠.
00:43:57그래서 요런 부분들이 굉장히 어려워요.
00:43:58그래서 코로나 터지고 나서
00:44:00되게 많은 퀀트들이
00:44:02이 이니고 프레이저 젠킨스라는 사람은
00:44:05되게 유명한 회사의 퀀트 헤드로 알고 있는데
00:44:09왜 나는 더 이상 퀀트가 아닌지
00:44:11여기에 대해서 설명을 했는데
00:44:13결국은 요런 이제 내용이 뭐냐면은
00:44:15퀀트가 하는 일이 과거 패턴을 바탕으로 미래를 예측하는 것인데
00:44:19이런 식으로
00:44:20코로나 같은 게 터져버리면은 과거 패턴들이 무용지물이 돼서
00:44:23마켓 레짐 체인지가 있을 때
00:44:25전혀 퀀트가 할 수 있는 것이 되게 적다.
00:44:28그래서 뭐 퀀트들의 존재론적 위기
00:44:30뭐 이런 얘기도 하고
00:44:31그리고 작년에 되게 퀀트들이 안 좋았죠.
00:44:34물론 되게 좋았던 퀀트들도 일부 있지만
00:44:36평균적으로 굉장히 굉장히 안 좋았습니다.
00:44:38그래서 지금 한 절반 정도 온 것 같은데
00:44:40벌써 한 시간 반이 지나가지고
00:44:43일단 1부는 여기까지 하고요.
00:44:45내일은 이제 2부에서 나머지 6번부터 10번 다루고
00:44:49장점과 한계
00:44:50그 다음 퀀트 공부를 위한 커리큘럼
00:44:52요렇게 다뤄보도록 하겠습니다.
00:44:54그럼 2부에서 뵙겠습니다.
00:44:55감사합니다.

Key Takeaway

퀀트 투자는 단순히 과거 데이터를 끼워 맞추는 것이 아니라, 데이터 편향과 과체적화를 엄격히 관리하며 미래에도 유효한 패턴을 찾는 고도의 통계적 과정입니다.

Highlights

퀀트 투자는 과거의 패턴을 찾는 것이나, 과거의 수익이 미래의 수익을 보장하지 않는다는 본질적인 한계가 있음

시중의 유료 강의나 마케팅에서 퀀트의 과학적 이미지를 이용해 과대 광고를 하는 사례가 많아 주의가 필요함

데이터의 무결성 문제, 생존자 편향, 미래 선지 편향 등 백테스팅 과정에서 발생할 수 있는 치명적인 오류들

과체적화(Overfitting)는 샘플 데이터에만 완벽하게 맞춘 모델로, 실전 매매에서 실패하는 가장 큰 원인임

시장 성질의 변화(Market Regime Change)로 인해 과거 수십 년의 데이터보다 최근 데이터가 더 유의미할 수 있음

Timeline

퀀트 투자의 현상황과 영상 제작 취지

월가아재는 최근 퀀트 투자에 대한 관심이 높아짐에 따라 잘못된 정보로 인한 피해를 예방하기 위해 이번 시리즈를 제작했습니다. 특히 시중의 유료 강의들이 백테스팅의 미화된 측면만 강조하고 기본적으로 지켜야 할 원칙들을 누락하고 있다는 점을 지적합니다. 퀀트 투자가 과학과 통계라는 키워드를 사용하여 비과학적인 부분을 숨기는 마케팅적 오해를 바로잡고자 합니다. 타인의 돈의 무게를 가볍게 여기는 과대 광고와 바이럴 마케팅에 대해 우려를 표하며 투자자 스스로를 보호할 수 있는 10가지 주의사항을 예고합니다. 20대 시절 큰 손실을 경험했던 본인의 사례를 언급하며 진정성 있는 조언을 전달합니다.

퀀트의 분류 및 기본적인 투자 프로세스

퀀트의 범주를 초고빈도 매매(HFT), 알고리즘 트레이딩, 통계적 차익거래, 팩터 인베스팅, 퀀터멘탈 등으로 세분화하여 설명합니다. 퀀트 투자의 핵심 원칙은 투자 가설 설정, 과거 데이터를 이용한 백테스팅, 실전 매매, 그리고 리스크 관리라는 4단계 프로세스로 이루어집니다. 2010년대 중반까지는 기관 투자자들의 전유물이었으나 퀀토피안과 같은 플랫폼의 등장으로 개인들도 쉽게 접근할 수 있게 되었습니다. 하지만 기술적 접근이 쉬워진 만큼 이론적 바탕 없이 도구만 사용하는 것에 대한 위험성을 경고합니다. 이 섹션은 퀀트라는 넓은 개념을 정립하고 이후 다룰 심화 내용의 토대를 마련해 줍니다.

백테스팅의 함정과 미래 수익의 불확실성

과거 데이터에서 수익성 좋은 패턴을 찾는 것은 무한히 가능하지만, 그 패턴이 미래에도 지속될지 판단하는 것이 퀀트의 핵심 역량입니다. 조엘 그린블라트의 마법 공식이 공개 이후 시장 효율성 증대로 인해 수익률이 하락한 사례를 들어 설명합니다. 또한 유명 퀀트 플랫폼이었던 퀀토피안이 최고의 인재들을 보유했음에도 불구하고 해지펀드 운용에 실패하여 문을 닫은 사례를 제시합니다. 며칠간의 백테스팅만으로 연 20% 수익을 보장하는 전략은 세상에 존재하지 않는다는 점을 명확히 합니다. 이는 투자자들이 백테스팅 결과에 대해 맹목적인 신뢰를 갖지 않도록 경계심을 일깨워주는 중요한 대목입니다.

데이터의 오염과 생존자 편향의 위험성

첫 번째 주의사항으로 데이터의 무결성을 의심해야 하며, 특히 무료 데이터는 오류가 많아 정교한 클리닝 작업이 필수적입니다. 데이터 클리닝 과정에서 발생하는 주관적 개입이 백테스팅 결과를 왜곡할 수 있는 실무적인 예시를 들어 설명합니다. 두 번째로 생존자 편향(Survivorship Bias)을 언급하며, 현재 상장된 기업들로만 과거를 테스트하면 수익률이 비정상적으로 높게 측정된다고 경고합니다. 2차 세계대전 당시 총탄 흔적이 남은 전투기만 분석했던 오류를 비유로 들어 이해를 돕습니다. 투자자는 백테스팅 시작 시점에 존재했던 모든 기업을 포함하는 '유니버스'를 구성해야만 실제와 가까운 결과를 얻을 수 있습니다.

미래 선지 편향과 과체적화의 치명적 오류

미래 선지 편향(Look-ahead Bias)은 매매 시점에 알 수 없는 정보를 백테스팅 로직에 포함시키는 실수로, 시가총액 상위 100개 종목을 미리 정해두고 과거를 테스트하는 것이 대표적입니다. 세 번째로 강조하는 과체적화(Overfitting)는 주어진 샘플 데이터에만 지나치게 맞춤화되어 모집단의 특성을 반영하지 못하는 현상을 말합니다. 복잡한 규칙을 추가할수록 과거 수익률은 극대화되지만 실전에서의 예측 오류는 기하급수적으로 커지게 됩니다. 이를 해결하기 위해 전략 수립에 사용하지 않은 '샘플 외 데이터(Out of Sample Data)'를 별도로 떼어놓고 검증하는 과정이 반드시 필요합니다. 이는 퀀트 모델의 일반화 성능을 확보하기 위한 가장 기본적인 안전장치입니다.

검증 데이터의 유일성과 시장 성질의 변화

검증 데이터(OOS)를 통한 테스트는 실전과 같으므로 절대로 두 번 이상 결과를 보고 수정해서는 안 되며, 결과가 나쁘면 전략 전체를 폐기해야 합니다. 네 번째 주의사항인 '검증 기회는 단 한 번'이라는 원칙은 퀀트의 무결성을 지키는 가장 중요한 규칙입니다. 다섯 번째로는 시장 성질의 변화(Market Regime Change)를 다루며, 20년치 긴 데이터보다 현재의 시장 체제를 반영하는 최근 데이터가 더 유의미할 수 있음을 설명합니다. 코로나19나 금융 위기와 같은 외생적 이벤트는 시장의 패턴을 완전히 바꾸어 놓기 때문에 퀀트 모델이 무용지물이 될 수 있는 위기를 초래합니다. 1부에서는 이러한 5가지 핵심 사항을 마무리하며 다음 영상에서 나머지 5가지를 다룰 것을 예고합니다.

Community Posts

View all posts