Quantitative Trading Strategies
금융 시장에서 운용되는 다양한 Quantitative Trading Strategies는 시장 구조에 대한 깊은 이해 + 정교한 논리 + 철저한 검증 과정을 거쳐 탄생한다. 오늘은 이러한 Quant Strategy가 어떤 식으로 개발되는지 그 과정을 다뤄보려고 한다.
Quantitative Research의 출발점은 '아이디어'다. 아이디어란, 다음과 같은 질문들에서 시작된다.
특정 지표(예: 모멘텀, 밸류에이션, 변동성 등)가 Alpha(초과 수익)를 설명할 수 있는가?
어떤 시장 환경에서 특정한 특성이 수익률에 유의미한 영향을 주는가?
기존 전략에 어떤 비효율이 존재하고 이를 개선할 수 있는 방법은 무엇인가?
아이디어가 도출되면, 이를 Hypothesis(정량적 가설)로 전환한다.
다음과 같은 가설이 그 예시가 될 수 있다.
“지난 6개월간 수익률이 상위 20%에 속하는 종목은 다음 달에도 시장을 outperform할 것이다."
"미국 시장에서 유효했던 sentimental volume 기반 L/S 전략은 한국 시장에서도 유효할 것이다."
여기서 핵심은, 가설 설정은 결과를 예측하는 것이 아니라, '검증 가능한 형태'로 표현해야 한다는 것이다. 그럴듯해 보이는 가설이라도, 검증 가능할 수 없다면 그 가설은 그냥 본인의 뇌피셜에 그칠 수 밖에 없다.
전략 아이디어를 도출하고, 가설을 세웠다면, 이제 그 전략을 검증하기 위해서 데이터를 수집해야 한다.
퀀트가 주로 사용하는 데이터 유형은 다음과 같이 요약해볼 수 있다. 아래 데이터 외에도 기술적 지표 등 다양한 데이터 유형이 존재한다.
Price Data: 시가, 고가, 저가, 종가, 거래량 등
Fundamental Data: ROE, PBR, PER, 매출 성장률 등
Factor Data: 베타, 사이즈, 모멘텀, 밸류, 퀄리티 등
Sentimental Data: 뉴스 워딩, 소셜 미디어 워딩 등
* 데이터 수집 이후에는 경우에 따라 전처리 작업이 필요하다. 이 과정에는 Missing Value와 Outlier 값들을 깔끔하게 처리하는 과정 등이 포함된다.
데이터 수집까지 마쳤다면, 이제는 앞서 세웠던 가설을 구현하기 위한 트레이딩 로직을 설계하게 된다. 이 단계에서는 구체적인 전략의 구성 방식을 정의한다. 예를 들어 본인이 구현하고자 하는 전략이 'factor scoring based의 market-neutral strategy'이라고 한다면, 아래와 같은 로직을 설계해 볼 수 있을 것이다.
종목 스코어링 기준 설정 (Momentum Score, Value Score 등)
롱/숏 종목 선택 방식 설정 (상위/하위 n개 종목 등)
리밸런싱 및 스코어링 산출 주기 설정 (월간, 주간, 일간 등)
투자 비중 설정 (스코어별 차등, 동일 비중 등)
* 참고로, 이 단계에서는 전략이 overfitting되지 않도록 주의가 필요하다. 지나치게 복잡하고, 화려한 전략은 일반화 성능을 해친다.
전략 로직이 완성되면, 이를 과거 데이터에 적용하여 백테스트를 진행한다.
여기서 고려해야 할 핵심은 '현실적인 요소를 최대한 고려해야 한다는 점'이다. 예시는 아래와 같다.
슬리피지 & 거래비용 고려
실현 가능성 고려 (실제 시장과 유사한 유동성, 체결 가능성 등)
Survivorship Bias 제거
Look-ahead Bias 방지 등
* 더불어서, 백테스트 Metrics에는 단순 수익률 외에도 Sharpe, MDD, Turnover, Win Rate 등 다양한 지표를 포함해야 한다. 1~2개의 지표만으로 전략의 성과를 판단하기에는 너무 큰 리스크가 존재한다.
백테스트를 통해서 전략의 성과가 우수하다는 결론이 도출되었다면, 해당 전략이 다양한 상황에서 일관되게 좋은 performance를 나타내는지 추가적인 검증을 수행할 필요가 있다. 이를 강건성 검증이라고 부르며, 강건성 검증의 예시는 아래와 같다.
시계열 분할 검증: 시계열의 In-Sample과 Out-of-Sample을 여러 구간으로 나눠 반복 검증할 시 성과 변화 파악
슬리피지 & 거래비용 민감도 테스트: 슬리피지 및 거래 수수료 변화에 따른 성과 변화 파악
시장 충격 시뮬레이션: 금융위기, 코로나 쇼크 등 외생 이벤트 시 성과 변화 파악
변수 왜곡 테스트: 일부 핵심 변수에 노이즈를 주었을 때 성과 변화 파악
이러한 리서치 과정을 반복적으로 거치다보면, 본인이 자신있게 컨트롤할 수 있는 데이터 유형, 트레이딩 로직이 슬슬 눈에 들어오게 된다. 이는 단순히 전략을 많이 만들어봤다는 수준을 넘어서, 자신만의 퀀트 스타일을 정립해가는 과정이다. 마치 장인이 오랜 시행착오 끝에 자신만의 도구와 손맛을 갖게 되듯, 퀀트 리서처 역시 실험과 실패 속에서 자신만의 통찰을 얻게 된다고 생각한다.