금융·트레이딩 지식을 노드로

차트 읽기 기본 (캔들·프레임)

캔들봉 하나는 한 기간(예: 하루)의 시가·고가·저가·종가(OHLC)를 담는다. 여러 봉이 모여 가격 흐름(차트)을 이룬다. 차트는 미래를 예측하는 점괘가 아니라, 규칙(돌파·이동평균)이 작동하는 무대를 이해하기 위한 최소한의 읽기다.

• 캔들 1개 = 한 기간의 시·고·저·종(OHLC)
• 시간프레임: 1봉=1일이면 일봉, 4시간이면 4시간봉
• 축: 가로=시간, 세로=가격
• 우리는 차트를 해석하지 않고, 규칙이 가리키는 지점만 본다

왜 중요한가. 완전 초보도 ‘20일 고가 돌파에 매수’·‘종가가 이동평균 위’ 같은 예시를 따라오려면 캔들·종가·고가가 뭔지 알아야 합니다. 딱 그만큼만 — 차트로 매매 신호를 점치는 법은 우리가 경계하는 재량적 접근이라 가르치지 않습니다.

예시 (가상). 일봉 차트에서 ‘20일 고가 돌파’는 최근 20개 봉의 최고가보다 현재 가격이 위로 올라선 그 지점을 뜻합니다. 규칙이 ‘여기서 진입’이라고 가리키는 것이지, 차트 모양을 보고 느낌으로 사는 게 아닙니다.(가상 예시)

강의 연결. 강의 B1(기본개요)의 ‘차트 읽기’ 슬라이드와 짝. 이후 검증·전략 노드의 ‘종가·고가·돌파·체결’ 용어를 이해하는 토대.

기댓값 (E = W×R − (1−W))

트레이딩 전략이 장기적으로 반복되었을 때 1회 거래당 기대할 수 있는 평균 수익을 수치화한 지표입니다. 승률과 손익비를 결합하여 전략의 수학적 우위(Edge)가 존재하는지를 판별하는 핵심 척도입니다.

• 기댓값(E) = (승률 × 평균 수익) - (패배율 × 평균 손실)
• 기댓값이 0보다 커야만 통계적으로 수익을 낼 가능성이 있는 '우위'가 있다고 판단함
• 단순히 승률이 높다고 좋은 전략이 아니며, 손익비와의 상관관계를 반드시 확인해야 함
• 과거 데이터 기반의 기댓값은 미래의 수익을 보장하는 것이 아니라, 검증된 확률적 경향성을 의미함

왜 중요한가. 예측이 아닌 검증의 관점에서, 내 전략이 운에 기대는 도박인지 아니면 수학적 우위를 가진 시스템인지 구분하기 위해 필수적입니다. 이를 통해 심리적 흔들림 없이 시스템의 통계적 특성을 믿고 실행할 수 있는 근거가 됩니다.

예시 (가상). 승률이 40%이고 평균 수익이 2.5단위, 평균 손실이 1단위인 전략의 경우, 기댓값은 (0.4 2.5) - (0.6 1) = 0.4가 됩니다. 이는 1회 거래당 평균 0.4단위의 수익을 기대할 수 있음을 의미합니다. (가상 예시)

확인법. 백테스트 결과에서 총 거래 횟수가 충분한지 확인한 후, 승률과 손익비를 분리하여 기댓값을 산출합니다. 이후 전진 분석(Walk-forward)을 통해 시장 환경 변화에도 기댓값이 양수를 유지하는지 검증합니다.

강의 연결. 기댓값은 전략의 우위를 증명하는 기초 단계이며, 이후 켈리 공식(Kelly)이나 포지션 사이징을 통해 리스크를 관리하는 단계로 확장됩니다.

손익비 (R)

손익비(Payoff Ratio)는 1회 거래당 기대할 수 있는 평균 수익금과 평균 손실금의 비율을 의미합니다. 이는 단순한 승률을 넘어, 한 번의 수익이 몇 번의 손실을 상쇄할 수 있는지를 측정하는 지표입니다.

• 수익금의 평균 / 손실금의 평균으로 계산함
• 승률(Win-rate)과 상호보완적인 관계를 가짐
• 추세추종 전략에서는 일반적으로 낮은 승률과 높은 손익비를 지향함
• 고정된 수치가 아니라 전략의 진입/청산 로직에 의해 결정됨

왜 중요한가. 승률이 낮더라도 손익비가 충분히 높다면 전체 계좌는 우상향할 수 있기 때문입니다. 예측이 아닌 통계적 우위(Edge)를 검증하기 위해 반드시 확인해야 하는 핵심 수치입니다.

예시 (가상). 평균 수익이 300달러이고 평균 손실이 100달러인 전략의 손익비는 3:1입니다. 이 경우 승률이 30%만 되어도 이론적으로는 자산이 증가합니다. (가상 예시)

확인법. 백테스트 결과에서 평균 수익과 평균 손실의 비율을 확인하고, 이 비율이 표본 수(Sample size)가 충분한 상태에서 유지되는지 검증합니다. 특정 소수의 거대 수익(Outlier)에 의해 왜곡되었는지 점검해야 합니다.

강의 연결. 기대값(Expectancy) 노드와 연결하여 전략의 수익성을 종합적으로 판단하며, 포지션 사이징과 연계하여 리스크를 관리합니다.

승률 (W)

전체 매매 횟수 대비 수익으로 마감한 매매의 비율을 의미합니다. 시스템 트레이딩에서는 단순한 정답률이 아니라, 전략의 기대값이 양수(+)인지 판단하기 위한 기초 데이터로 활용됩니다.

• 승률 단독으로는 전략의 수익성을 판단할 수 없음
• 손익비(Payoff Ratio)와 결합하여 기대값을 산출하는 핵심 요소
• 추세추종 전략의 경우 일반적으로 낮은 승률을 가지는 경향이 있음
• 과최적화(Overfitting) 시 승률이 비정상적으로 높게 나타날 수 있음을 경계해야 함

왜 중요한가. 승률은 트레이더의 심리적 안정감에 영향을 주며, 자금 관리 전략을 세우는 기초가 됩니다. 하지만 높은 승률이 반드시 높은 수익을 보장하지 않으므로, 검증 단계에서 손익비와의 상관관계를 분석하는 것이 필수적입니다.

예시 (가상). 총 100번의 매매 중 40번 수익을 내고 60번 손실을 보았다면 승률은 40%입니다. 이때 평균 수익이 평균 손실의 2배라면, 낮은 승률에도 불구하고 전체 계좌는 우상향하게 됩니다. (가상 예시)

확인법. 백테스트 결과에서 승률이 지나치게 높다면 룩어헤드 편향(Look-ahead bias)이나 과최적화 여부를 먼저 의심하십시오. OOS(Out-of-Sample) 데이터에서도 동일한 승률 범위가 유지되는지 검증하여 전략의 강건성을 확인해야 합니다.

강의 연결. 단순한 예측 성공률이 아니라, 통계적 우위(Edge)를 검증하는 관점에서 '기대값' 노드와 함께 학습하십시오.

스큐 (손익 분포의 치우침)

스큐는 수익과 손실의 분포가 대칭을 이루지 않고 한쪽으로 치우친 정도를 의미합니다. 시스템 트레이딩에서는 특히 '양의 스큐(Positive Skew)'를 통해 적은 횟수의 큰 수익이 많은 횟수의 작은 손실을 상쇄하는 구조를 만드는 것이 핵심입니다.

• 수익 분포의 비대칭성을 측정하는 통계적 지표
• 추세추종 전략은 전형적으로 '낮은 승률, 높은 손익비'의 양의 스큐 구조를 가짐
• 음의 스큐는 작은 수익을 자주 내지만 한 번의 거대한 손실로 계좌가 파괴되는 위험을 내포함
• 단순 평균 수익률보다 분포의 꼬리(Tail) 부분이 어디로 뻗어 있는지가 생존을 결정함

왜 중요한가. 평균 수익률이 같더라도 스큐에 따라 심리적 압박과 파산 확률이 완전히 달라지기 때문입니다. 예측이 아닌 검증의 관점에서, 우리가 감당할 수 있는 손실의 범위와 기대할 수 있는 수익의 폭을 정량적으로 파악해야 합니다.

예시 (가상). A 전략은 10번 중 7번 1% 손실을 보고 3번 5% 수익을 내어 양의 스큐를 가집니다. 반면 B 전략은 9번 1% 수익을 내지만 1번 -10% 손실을 보아 음의 스큐를 가집니다. 두 전략의 산술 평균은 비슷할 수 있으나 생존 가능성은 A가 훨씬 높습니다. (가상 예시)

확인법. 백테스트 결과의 수익금 분포 히스토그램을 그려 꼬리가 오른쪽으로 길게 늘어져 있는지 확인하십시오. 또한 최대 낙폭(MDD)과 평균 수익의 비율을 통해 단일 거래의 치명적 손실 여부를 점검해야 합니다.

강의 연결. 이 개념은 손익비(payoff-ratio) 및 승률(win-rate)과 결합하여 전략의 기대값(expectancy)을 형성하며, 자금 관리의 핵심인 켈리 공식의 근거가 됩니다.

시장 우위 (Edge)

시장 우위(Edge)란 통계적으로 반복 가능한 확률적 이점을 의미하며, 특정 조건에서 손실보다 수익이 발생할 가능성이 높음을 검증한 상태를 말합니다. 이는 미래를 예측하는 능력이 아니라, 과거 데이터를 통해 증명된 '기댓값의 양수(+) 상태'를 이용하는 것입니다.

• 예측이 아닌 확률적 우위에 기반한 반복적 실행
• 충분한 표본 수(Sample Size)를 통한 통계적 유의성 확보
• 승률과 손익비의 조합으로 결정되는 양(+)의 기댓값
• 시장 환경(Regime)의 변화에 따라 소멸하거나 변할 수 있는 가변적 특성

왜 중요한가. 우위가 없는 트레이딩은 도박과 같으며, 결국 수학적 확률에 의해 원금이 소멸됩니다. 시스템 트레이딩의 핵심은 자신의 우위가 무엇인지 정의하고, 이를 객관적으로 검증하여 감정을 배제하고 기계적으로 실행하는 데 있습니다.

예시 (가상). 특정 추세 지표가 정배열인 상태에서 가격이 20일 이동평균선을 돌파할 때 진입하여 1:2의 손익비를 유지했더니, 100번의 가상 거래 중 승률 40%로 총 수익이 발생한 경우입니다. (가상 예시)

확인법. 과거 데이터를 활용한 백테스트를 통해 기댓값이 양수인지 확인하고, 전진 분석(Walk-Forward)을 통해 표본 외 데이터에서도 우위가 유지되는지 검증합니다. 또한, 거래 횟수가 통계적으로 유의미한 수준인지 점검해야 합니다.

강의 연결. 강의에서 강조하는 '예측이 아닌 검증'의 핵심 개념이며, 이후 기댓값(Expectancy)과 자금 관리 노드로 연결됩니다.

degradation (성능 하락)

백테스트의 화려한 성과가, 현실 가정을 하나씩 넣을 때마다 깎여 내려가는 현상. AI가 짠 ‘연 120%’가 룩어헤드·비용·OOS를 거치며 ‘연 22%’(때로 마이너스)로 수렴한다. (수치는 교육용 가상 예시.)

• 룩어헤드 제거 → 흔히 반토막
• 수수료·슬리피지 반영 → 추가 하락, 낙폭↑
• OOS(안 본 기간) → 본래 성과로 수렴
• 남는 격차가 ‘진짜 엣지’의 크기

왜 중요한가. 화려한 백테스트에 속아 실계좌를 넣는 가장 큰 이유가 바로 이 격차를 모르기 때문입니다. 곡선의 모양이 아니라 곡선이 어떤 가정 위에 그려졌는지가 전부예요. 가정이 느슨할수록 degradation은 커지고, 그 차이는 고스란히 실계좌 손실로 돌아옵니다.

예시 (가상). 한 변형 전략이 백테스트에서 연 120%로 나왔다고 합시다. 미래를 참조하던 코드 한 줄을 고치면 연 60%대로, 수수료·슬리피지를 넣으면 45%대로, 마지막으로 한 번도 보지 않은 기간(OOS)에 돌리면 연 22%로 내려앉습니다. 같은 전략·같은 데이터인데 가정만 현실로 바꿨을 뿐입니다.(가상 예시)

확인법. 단계마다 수치를 기록하는 degradation 표를 만드세요. ⓪원본 → ①룩어헤드 차단 → ②비용 반영 → ③OOS. 각 칸의 CAGR·MDD·샤프를 적으면 어느 가정에서 가장 많이 깎이는지 보입니다. 거의 안 깎였다면 축하할 일이 아니라 검증을 빠뜨린 신호입니다.

강의 연결. ‘백테스트의 거짓말 6가지’의 종합. 검증의 목표는 이 격차를 실계좌에 넣기 전에 드러내는 것.

룩어헤드 (미래 참조)

미래 정보를 과거 시점의 의사결정에 흘려 넣는 오류. 그날 종가를 알고 그날 진입하거나, 지표 계산에 미래 봉이 한 줄만 섞여도 곡선이 통째로 뒤집힌다.

• 지표에 shift(1) 미적용이 대표적
• 코드 한 줄 실수로 성과가 가짜가 됨
• 가장 흔하고 가장 치명적인 거짓말
• 자가진단: ‘지표에 shift(1)을 적용했는가?’

왜 중요한가. 여섯 가지 거짓말 중 가장 흔하고 가장 치명적입니다. 미래 정보가 한 방울만 섞여도 전략은 ‘답을 알고 시험을 보는’ 셈이라, 백테스트는 환상적으로 보여도 실전에서는 재현이 불가능합니다.

예시 (가상). 오늘 종가가 20일 최고가를 넘으면 매수한다고 합시다. 그런데 종가는 장이 끝나야 확정됩니다 — 장중에 그 가격에 사려면 미래(종가)를 알아야 하죠. 또 이동평균에 미래 봉이 한 칸 섞이면(=shift 누락) 신호가 실제보다 한 박자 빨리 떠서 성과가 부풀려집니다.(가상 예시)

확인법. 모든 지표·신호에 shift(1)을 적용했는지 확인하세요. ‘이 시점에 내가 실제로 알 수 있었던 정보만 썼는가?’를 매 신호마다 자문하면 됩니다. 의심되면 신호 시점을 한 칸 늦춰 다시 돌려, 성과가 크게 떨어지면 룩어헤드가 있었던 겁니다.

강의 연결. 검증 1관문. AI에게 사양서로 ‘룩어헤드 차단’을 명시해야 한다.

체결 (레벨 vs 시장가)

신호가 뜬 ‘그 가격’에 체결됐다고 가정하는 오류. 돌파선 레벨 체결은 유리하지만, 현실에선 다음 봉 시가/스톱으로 밀린다 = 슬리피지.

• 레벨 vs 시장가 차이 = 엣지의 상당 부분
• 같은 전략도 체결 가정만 바꾸면 흑↔적
• 보수적으로 ‘다음 봉 시가·스톱’으로 가정
• 실계좌 손실의 단골 원인

왜 중요한가. 백테스트가 ‘돌파선 그 가격’에 체결됐다고 가정하면, 현실에서 절대 받을 수 없는 유리한 체결을 공짜로 얻습니다. 진입이 잦은 전략일수록 이 차이가 누적돼 흑자가 적자로 뒤집힙니다.

예시 (가상). 20일 고가 100원을 ‘돌파하면 산다’고 할 때, 백테스트는 보통 정확히 100원에 샀다고 칩니다. 하지만 실제로는 100원을 찍는 순간 다음 체결가가 100.3~101원으로 밀려 있죠. 한 번에 0.5%씩 1년에 수백 번이면 수익의 상당 부분이 사라집니다.(가상 예시)

확인법. 체결 가정을 보수적으로 바꿔 보세요. ‘신호 봉 종가’가 아니라 ‘다음 봉 시가’ 또는 ‘스톱 체결가’로 시뮬레이션하고 슬리피지를 한 틱 이상 더합니다. 가정만 바꿔 성과가 무너지면, 그 엣지는 체결 환상 위에 서 있던 겁니다.

강의 연결. 검증 2관문. 실전에서 시뮬 엣지가 사라지는 첫 번째 지점.

비용 (수수료·슬리피지)

수수료·슬리피지·펀딩비 등 거래마다 새는 비용. 한 번에 죽이지 않고, 1000번에 걸쳐 복리의 분자를 천천히 깎는다.

• 작은 누수의 누적이 핵심
• 고빈도일수록 치명적
• 시뮬–실계좌 divergence의 주범

왜 중요한가. ‘수수료 그거 얼마나’가 가장 비싼 착각입니다. 비용은 한 번에 죽이지 않고, 거래마다 복리의 분자를 조금씩 갉아 장기적으로 곡선을 눕힙니다. 거래가 잦을수록 치명적이에요.

예시 (가상). 왕복 수수료 0.1% + 슬리피지 0.2% = 거래당 0.3%라고 합시다. 한 달에 20번 매매하면 월 6%, 단리로 연 70%가 비용으로만 나갑니다. 신호가 잦은 전략이 백테스트에선 좋아 보여도 실계좌에서 녹는 핵심 이유입니다.(가상 예시)

확인법. 수수료·슬리피지·(선물이면)펀딩비를 전부 모델에 넣고, 비용 반영 전/후 곡선을 나란히 보세요. 두 곡선이 벌어지는 폭이 곧 ‘실행 비용’입니다. 거래 빈도를 줄이면 이 누수가 얼마나 줄어드는지도 함께 확인하세요.

강의 연결. 검증 3관문. ‘수수료 그거 얼마나’가 가장 비싼 착각.

과최적화 (고원 vs 봉우리)

파라미터를 과거 데이터에 과하게 맞춰 노이즈까지 외운 상태. ‘20일이 좋네 → 19일이 더 좋네 → 18.5일이…’ 하는 순간 시작된다.

• 뾰족한 봉우리(과적합) vs 넓은 고원(강건)
• 최적값보다 강건성
• 고원의 한가운데를 고른다

왜 중요한가. 파라미터를 과거에 너무 잘 맞추면 신호가 아니라 노이즈까지 외웁니다. 백테스트 성적은 최고지만 미래엔 무너지죠. ‘최고 성적’ 파라미터일수록 의심해야 하는 이유입니다.

예시 (가상). 이동평균 기간을 19일·20일·21일… 바꿔 가며 ‘제일 좋은’ 18.5일을 골랐다고 합시다. 그런데 18.5일이 18일·19일보다 유독 좋다면, 실력이 아니라 과거 데이터의 우연(노이즈)에 맞춘 것일 가능성이 큽니다.(가상 예시)

확인법. 파라미터를 한 칸씩 바꿔도 성과가 완만하게 유지되는 ‘넓은 고원’을 고르세요. 한 점만 뾰족하게 솟은 ‘봉우리’는 과적합 신호입니다. 그리고 항상 OOS에서 재확인하세요.

강의 연결. 검증 4관문. 최고 성적 파라미터일수록 의심하라.

OOS (표본 밖 검증)

전략 수립에 쓰지 않고 숨겨둔 기간(Out-of-Sample)에서의 검증. 여기서도 기댓값 E>0이어야 ‘진짜’에 가깝다.

• IS 70% / OOS 30%로 분리
• OOS에서 무너지면 = 과적합 신호
• 워크포워드로 확장

왜 중요한가. 전략을 ‘만든’ 데이터에서 잘 나오는 건 당연합니다. 진짜 질문은 ‘한 번도 보지 않은 기간에서도 통하는가’예요. OOS는 검증의 심장입니다.

예시 (가상). 데이터를 시간순으로 70%(IS, 학습)와 30%(OOS, 검증)로 나눕니다. IS에서 규칙·파라미터를 다 정한 뒤 OOS에 딱 한 번 돌려요. IS에선 연 80%였는데 OOS에서 마이너스라면, 그 전략은 과거에만 맞춘 것입니다.(가상 예시)

확인법. OOS는 마지막에 한 번만 쓰세요. OOS를 보고 다시 파라미터를 고치면 그 순간 OOS도 IS가 돼 의미가 사라집니다(=느린 과적합). 더 엄격하게는 워크포워드(이동 창 반복 검증)로 확장합니다.

강의 연결. 검증의 심장. 사업(런칭)에도 같은 사고를 적용한다.

표본 수 (운 vs 실력)

성과 수치를 믿으려면 거래 표본이 충분해야 한다. 거래 30건의 ‘샤프 3’은 실력이 아니라 운일 수 있다.

• 동전 10번에 7번 앞 = 우연
• 표본↑일수록 분포가 안정
• 예: 거래 200회+ 권장

왜 중요한가. 표본이 적으면 아무리 예쁜 수치도 우연일 수 있습니다. 거래 수가 적은 ‘샤프 3’은 실력이 아니라 운일 가능성이 크죠.

예시 (가상). 동전을 10번 던져 7번 앞면이 나왔다고 ‘앞면이 잘 나오는 동전’이라 할 순 없습니다. 마찬가지로 거래 30건짜리 백테스트의 화려한 수치는 신뢰 구간이 너무 넓어요. 같은 엣지라도 거래 300건이면 분포가 훨씬 안정됩니다.(가상 예시)

확인법. 거래 횟수를 먼저 보세요. 권장은 최소 200회 이상(많을수록 좋음). 표본이 적으면 기간·시장을 늘리거나 수치를 신뢰 구간과 함께 해석하세요. ‘예쁜 숫자일수록’ 표본을 의심합니다.

강의 연결. 검증 5관문. 표본이 적으면 예쁜 숫자일수록 더 의심.

최대낙폭 (MDD)

전고점부터 최저점까지 하락한 최대 비율을 의미하며, 전략이 겪을 수 있는 최악의 손실 구간을 수치화한 지표입니다. 단순히 수익률을 보는 것이 아니라, 자산 곡선의 가장 깊은 골짜기를 측정하여 심리적·재무적 한계를 파악하는 도구입니다.

• 수익률의 변동성보다 '최악의 상황'에 집중하는 리스크 지표
• 자본금의 최대 손실 가능성을 통해 파산 위험을 예측
• 회복 기간(Recovery Period)과 함께 분석하여 전략의 복원력 평가
• 예측치가 아닌 과거 데이터를 통한 '검증된 고통의 크기' 측정

왜 중요한가. 아무리 높은 수익률을 기록하는 전략이라도 MDD가 감당 가능한 수준을 넘어서면 트레이더는 전략을 중도 포기하게 됩니다. 이는 심리적 붕괴를 막고 생존 가능성을 확보하기 위한 필수 검증 단계입니다.

예시 (가상). 가상 자산 1,000만 원으로 시작한 전략이 최고점 1,500만 원을 찍은 후 900만 원까지 하락했다면, MDD는 40%가 됩니다. 이후 다시 상승하더라도 이 40%의 하락 구간이 해당 전략의 최대 낙폭으로 기록됩니다. (가상 예시)

확인법. 백테스트 결과에서 MDD가 본인의 심리적 한계선(예: -20%)을 넘는지 확인하십시오. 또한, 특정 구간에 MDD가 집중되어 있다면 해당 시장 regime에서 전략이 취약한지 분석해야 합니다.

강의 연결. MDD는 단순 수익률보다 중요하며, Calmar Ratio를 통해 수익 대비 리스크 효율성을 검증하는 기초 데이터가 됩니다.

칼마 비율 (수익÷낙폭)

연평균 수익률(CAGR)을 최대 낙폭(MDD)으로 나눈 수치로, 위험 대비 수익 효율성을 측정하는 지표입니다. 투자자가 겪어야 할 최대 고통 대비 얼마나 많은 수익을 얻었는지를 정량화합니다.

• 수익률과 MDD의 단순 비율로 계산되어 직관적임
• 샤프 지수와 달리 변동성이 아닌 '최악의 하락폭'에 집중함
• 수치가 높을수록 동일한 리스크 대비 높은 수익을 냈음을 의미함
• 추세추종 전략의 복구 가능성과 효율성을 판단하는 핵심 척도

왜 중요한가. 단순 수익률은 MDD라는 심리적/물리적 한계를 반영하지 못합니다. 칼마 비율을 통해 전략이 실전에서 운용 가능한 수준의 리스크를 가지고 있는지 검증할 수 있습니다.

예시 (가상). A 전략은 연수익 20%에 MDD 10%로 칼마 비율이 2.0이며, B 전략은 연수익 40%에 MDD 40%로 칼마 비율이 1.0입니다. 이 경우 B보다 A가 훨씬 안정적인 효율성을 가진 전략으로 평가됩니다. (가상 예시)

확인법. 백테스트 결과에서 칼마 비율이 지나치게 높다면 오버피팅이나 룩어헤드 편향을 의심해야 합니다. 실전 적용 전 OOS(Out-of-Sample) 구간에서도 유사한 비율이 유지되는지 확인하십시오.

강의 연결. MDD 노드와 함께 학습하여 전략의 생존 가능성을 검토하고, 샤프 지수와의 차이점을 통해 리스크 정의를 명확히 하십시오.

샤프 비율

단위 위험 대비 초과 수익을 측정하는 지표로, 포트폴리오의 변동성 한 단위당 얼마나 많은 수익을 올렸는지 수치화한 것입니다. 단순히 수익률만 보는 것이 아니라 위험(표준편차)을 고려한 효율성을 평가하는 도구입니다.

• 수익률에서 무위험 수익률을 뺀 초과 수익을 변동성으로 나눈 값
• 값이 높을수록 동일 위험 대비 수익 효율이 좋음을 의미
• 단순 수익률의 함정을 방지하고 전략의 안정성을 검증하는 척도
• 정규분포를 가정하므로 꼬리 위험(Tail Risk) 파악에는 한계가 있음

왜 중요한가. 높은 수익률이 단순히 운 좋게 발생한 변동성의 결과인지, 아니면 통제된 위험 하에 얻은 결과인지 구분하기 위해 필수적입니다. 시스템 트레이딩에서 전략의 견고함을 객관적으로 비교하는 표준 기준이 됩니다.

예시 (가상). 전략 A는 연 수익률 20%에 변동성 10%로 샤프 비율 2.0을 기록하고, 전략 B는 연 수익률 30%에 변동성 25%로 샤프 비율 1.2를 기록했다면, 위험 대비 효율은 전략 A가 더 우수하다고 판단합니다. (가상 예시)

확인법. 백테스트 결과에서 샤프 비율이 지나치게 높다면 오버피팅이나 룩어헤드 편향을 의심해야 합니다. 실전 적용 시에는 OOS(Out-of-Sample) 구간에서도 샤프 비율이 일정하게 유지되는지 확인하여 전략의 일관성을 검증하십시오.

강의 연결. 수익의 절대값보다 '위험 대비 효율'을 검증하는 능력이 중요하며, 이는 칼마 비율(Calmar)과 함께 분석할 때 시너지가 납니다.

생존편향

상장 폐지되거나 사라진 데이터는 제외하고, 현재 생존해 있는 데이터만을 대상으로 분석하여 결과가 왜곡되는 현상입니다. 이는 과거의 성과를 과대평가하게 만들어 전략의 실효성을 오판하게 만드는 치명적인 오류입니다.

• 생존한 종목(Survivors)만을 대상으로 한 백테스트의 함정
• 상장 폐지된 종목의 손실 데이터 누락으로 인한 수익률 뻥튀기
• 데이터셋의 선택 편향(Selection Bias)의 일종
• 과거의 성과가 미래의 수익을 보장하지 않는 대표적 사례

왜 중요한가. 실제 시장에서는 성공한 기업뿐 아니라 실패한 기업도 존재합니다. 생존편향이 제거되지 않은 검증 결과는 실전 투입 시 예상치 못한 거대한 손실을 초래할 수 있으므로, '검증 능력'의 핵심은 누락된 데이터를 찾는 것입니다.

예시 (가상). 특정 퀀트 전략을 10년 전 상장된 종목들로 테스트했을 때, 현재까지 상장 유지 중인 종목들로만 계산하여 연평균 수익률이 30%로 나왔으나, 상장 폐지된 종목을 포함하자 수익률이 -10%로 급감한 경우 (가상 예시)

확인법. 백테스트 시 '현재 시점의 리스트'가 아닌 '당시 시점의 전체 리스트(Point-in-Time Data)'를 사용했는지 확인하십시오. 상장 폐지된 종목의 데이터가 포함된 데이터셋을 확보하여 재검증하는 과정이 필수적입니다.

강의 연결. 전략의 강건성을 확인하는 검증 단계에서 overfitting과 함께 반드시 체크해야 할 항목이며, OOS(Out-of-Sample) 테스트의 신뢰도를 결정짓습니다.

워크포워드 검증

과거 데이터를 일정 구간으로 나누어 최적화(In-Sample)와 전진 검증(Out-of-Sample)을 반복 수행하는 동적 검증 방식입니다. 고정된 기간의 백테스트가 가진 한계를 극복하고 전략의 시계열적 안정성을 확인하는 데 목적이 있습니다.

• 데이터를 윈도우(Window) 단위로 슬라이딩하며 최적화와 검증을 반복함
• 과최적화(Overfitting)를 방지하고 미래 데이터에 대한 적응력을 측정함
• 전략의 파라미터가 시간에 따라 어떻게 변화해야 하는지(Robustness) 확인 가능
• 단순 백테스트보다 실제 운용 환경에 더 가까운 시뮬레이션 제공

왜 중요한가. 시장은 끊임없이 변하므로 과거의 특정 시점에만 맞춘 전략은 실전에서 빠르게 무너집니다. 워크포워드 검증을 통해 전략이 다양한 시장 국면(Regime)에서도 일관된 성과를 내는지 검증함으로써 생존 확률을 높일 수 있습니다.

예시 (가상). 1~12월 데이터를 3개월 단위로 나누어, 1~3월에 최적화한 파라미터를 4월 한 달간 적용하고, 다시 2~4월 최적화 값을 5월에 적용하는 과정을 반복하여 전체 수익 곡선을 산출합니다. (가상 예시)

확인법. In-Sample 성과와 Out-of-Sample 성과의 괴리율(Efficiency)을 측정하십시오. OOS 성과가 IS 성과의 일정 비율(예: 50% 이상)을 유지한다면 해당 전략은 통계적 유의미성을 가졌다고 판단할 수 있습니다.

강의 연결. 단순한 수익률 예측이 아니라 '검증 능력'을 기르는 과정이며, 과최적화 노드와 함께 학습하여 전략의 견고함을 평가하십시오.

몬테카를로 (최악 MDD)

거래 순서를 무작위로 섞어 수천 개의 가능한 자본곡선을 만들어, 당신이 본 한 경로가 ‘운 좋은 하나’가 아닌지 보는 기법. 95% 최악 MDD를 견딜 사이즈인지 점검한다.

• 곡선은 부채꼴로 흩어진다
• 95% 최악 MDD 라인을 본다
• 사이징은 켈리보다 최악 MDD 우선

왜 중요한가. 당신이 본 자본곡선은 일어날 수 있었던 수많은 경로 중 하나일 뿐입니다. 운이 좋아 부드러웠을 수도 있죠. 최악의 경로에서도 살아남을 사이즈인지 확인해야 합니다.

예시 (가상). 백테스트의 거래들을 순서만 무작위로 섞어 곡선을 1,000번 다시 그립니다. 그러면 곡선이 부채꼴로 흩어지고, 하위 5%(95% 최악)의 MDD가 -45%로 나올 수 있어요. 당신이 본 -20% 곡선은 운 좋은 한 줄이었던 셈입니다.(가상 예시)

확인법. 몬테카를로로 95% 최악 MDD를 구하고, 그 낙폭을 견딜 수 있는 포지션 크기로 역산하세요. 사이징은 ‘평균’이 아니라 ‘최악’을 기준으로 잡습니다.

강의 연결. 검증 6관문 + 리스크 관리의 연결고리.

포지션 사이징 (하프 켈리)

‘한 번에 얼마를 거는가’. 생존이 먼저이며, 최악 MDD를 견딜 수 있을 만큼 작게 건다. 켈리 공식의 절반(하프 켈리) 수준이 실전 기준.

• 1회 리스크 ≤ 1% 류의 규칙
• 켈리는 이론상 과대 → 하프 켈리
• 최악 MDD에서 역산해 사이즈 결정

왜 중요한가. ‘무엇을 사느냐’보다 ‘얼마를 거느냐’가 생존을 결정합니다. 좋은 전략도 과도한 사이즈면 최악 구간에서 계좌가 끝나고, 그러면 회복할 기회조차 없습니다.

예시 (가상). 이론상 최적인 켈리 비중이 자본의 20%라 해도, 켈리는 추정 오차에 민감해 실전에선 과합니다. 그 절반인 하프 켈리(10%)로 낮추면 성장률은 약간 줄지만 낙폭과 파산 위험이 크게 떨어집니다.(가상 예시)

확인법. 한 번의 거래에 총자본의 일정 비율(예: 1% 이하)만 리스크로 노출하세요. 그리고 몬테카를로의 95% 최악 MDD를 견딜 수 있는지로 사이즈를 역산합니다. 켈리는 상한일 뿐, 실제는 그 절반 이하.

강의 연결. 래리 하이트·브루스 코브너의 제1원칙 = ‘살아남기’.

켈리 공식 & 파산확률

켈리 공식은 기대값이 양수인 전략에서 장기적으로 자산 성장을 극대화하기 위한 최적의 베팅 비율을 산출하는 수학적 모델입니다. 파산 확률은 자산의 일정 비율을 지속적으로 투입할 때, 운 나쁜 연속 손실로 인해 계좌가 회복 불가능한 수준으로 감소할 가능성을 의미합니다.

• 기대값(Edge)이 양수일 때만 베팅 규모를 결정하는 것이 유효함
• 승률과 손익비의 조화를 통해 자산 성장 곡선의 기울기를 최적화함
• 켈리 비율을 초과하는 과도한 레버리지는 수학적으로 파산 확률을 급격히 높임
• 실전에서는 심리적 변동성과 추정 오차를 고려해 '하프 켈리(Half-Kelly)' 등 보수적 접근이 권장됨

왜 중요한가. 단순히 승률이 높다고 수익이 나는 것이 아니라, 적절한 비중 조절이 동반되어야 파산을 피하고 복리 효과를 누릴 수 있기 때문입니다. 예측이 아닌 '검증된 기대값'을 바탕으로 리스크를 정량화하는 능력이 생존의 핵심입니다.

예시 (가상). 승률 40%, 손익비 2:1인 전략의 켈리 최적 비중은 (2×0.4 − 0.6) ÷ 2 ≈ 10%로 계산됩니다. 하지만 승률·손익비 추정 오차와 MDD 급증을 감안해, 실제로는 그 절반인 '하프 켈리(약 5%)'만 투입해 파산 확률을 낮춥니다. (가상 예시)

확인법. 백테스트 결과의 기대값과 승률을 바탕으로 이론적 최적 비중을 산출하고, 이를 현재 운용 비중과 비교합니다. 몬테카를로 시뮬레이션을 통해 해당 비중으로 운용했을 때 발생 가능한 최대 낙폭과 파산 가능성을 사전에 검증합니다.

강의 연결. 포지션 사이징의 수학적 근거가 되며, 기대값(expectancy) 노드와 함께 학습하여 자금 관리 체계를 구축하십시오.

레버리지

자본금보다 더 큰 규모의 포지션을 운용하기 위해 부채나 파생상품을 활용하는 기법입니다. 적은 자본으로 수익 잠재력을 높일 수 있으나, 동시에 손실 규모 또한 동일한 배수로 확대되는 양날의 검과 같습니다.

• 자본 효율성을 극대화하여 절대 수익 금액을 증폭시키는 도구
• 손실 발생 시 원금 회복을 위해 필요한 수익률이 기하급수적으로 증가하는 '음의 복리' 위험 존재
• 단순한 수익률 확대가 아니라, 리스크 대비 기대수익의 최적점을 찾는 과정
• 심리적 압박감을 증폭시켜 시스템의 원칙 준수 능력을 저하시키는 요인

왜 중요한가. 레버리지는 잘못 사용하면 단 한 번의 예외적인 변동성(Tail Risk)만으로도 계좌가 파산(Ruin)할 수 있기 때문입니다. 따라서 예측이 아닌, 시스템의 검증된 MDD와 생존 확률을 바탕으로 정교하게 설계되어야 합니다.

예시 (가상). 자본금 1,000만 원으로 3배 레버리지를 사용하여 3,000만 원 규모의 포지션을 잡았을 때, 기초 자산이 10% 하락하면 계좌는 30%의 손실을 입게 됩니다. 반면 33.3% 하락 시 원금은 전액 손실됩니다. (가상 예시)

확인법. 백테스트 상의 최대 낙폭(MDD)이 레버리지 적용 시 원금의 100%에 도달하는지 확인하십시오. 또한, 가상 시나리오를 통해 연속 손실 발생 시 심리적으로 매매 원칙을 지킬 수 있는 최대 배수를 설정해야 합니다.

강의 연결. 포지션 사이징과 켈리 공식 노드를 통해 파산 확률을 최소화하는 최적의 레버리지 비율을 산출하는 법을 학습하십시오.

변동성 타게팅

자산의 변동성이 커지면 비중을 줄이고, 변동성이 작아지면 비중을 늘려 포트폴리오 전체의 리스크 수준을 일정하게 유지하는 전략입니다. 시장의 노이즈 수준에 맞춰 노출도를 동적으로 조절하는 리스크 관리 기법입니다.

• 변동성(Volatility)을 리스크의 척도로 삼아 포지션 규모를 결정함
• 고변동성 구간에서 최대 낙폭(MDD)을 제한하여 생존 확률을 높임
• 저변동성 구간에서 레버리지를 활용해 효율적인 자본 배분을 수행함
• 예측이 아닌 현재 시장의 상태(Regime)를 측정하여 대응하는 방식임

왜 중요한가. 모든 시장 구간에서 동일한 금액을 투자하면 변동성이 폭발하는 구간에서 치명적인 손실을 입을 수 있습니다. 변동성 타게팅을 통해 리스크를 표준화하면 심리적 안정감을 유지하며 장기적인 추세 추종이 가능해집니다.

예시 (가상). 타겟 변동성을 10%로 설정했을 때, 최근 ATR이 상승하여 변동성이 20%가 되면 포지션 규모를 50%로 축소합니다. 반대로 변동성이 5%로 낮아지면 비중을 200%까지 확대하여 리스크 노출도를 일정하게 맞춥니다. (가상 예시)

확인법. 최근 n일간의 표준편차나 ATR을 계산하여 현재 변동성 수준을 측정합니다. 설정한 타겟 변동성 대비 현재 변동성의 비율을 계산하여 포지션 사이징에 즉각 반영하는지 검증합니다.

강의 연결. 포지션 사이징의 심화 단계이며, ATR 노드와 함께 학습하여 실전 리스크 관리 체계를 구축하십시오.

추세추종 (예측 아닌 반응)

방향을 예측하지 않고 추세에 반응하는 전략군. 작은 손실을 여러 번 감수하고, 큰 추세 몇 번으로 번다. 터틀이 대표 사례.

• 예측이 아니라 반응
• 낮은 승률·높은 손익비
• 여러 시장 분산이 핵심
• 큰 추세 몇 번이 1년을 만든다

왜 중요한가. 추세추종은 미래를 맞히려 하지 않습니다. 추세가 나오면 따라붙고 아니면 작게 잃고 빠지죠. 맞히는 게 아니라 대응하는 철학이라, 예측이 빗나가도 무너지지 않습니다.

예시 (가상). 10개 시장에 같은 규칙을 적용하면 8개는 횡보로 조금씩 잃어도 2개의 큰 추세가 전체를 플러스로 만듭니다. 그래서 분산과 손절이 핵심이고, 큰 추세를 놓치지 않도록 ‘이익을 길게 끌고 가는’ 청산이 중요합니다.(가상 예시)

확인법. 터틀이 대표적입니다 — N일 고가 돌파 진입, 변동성(ATR) 기반 사이징, 추적 손절. 승률은 낮아도(40%대) 손익비가 높아 전체가 양(+)이 됩니다. 횡보장의 연속 손실을 견디는 규율이 성패를 가릅니다.

강의 연결. 강의를 관통하는 철학(터틀 베이스).

추적 손절 (트레일링 스톱)

가격이 유리한 방향으로 움직일 때 손절선을 함께 이동시켜 확보된 수익을 보존하고 잠재적 손실을 제한하는 동적 위험 관리 기법입니다. 고정 손절과 달리 추세의 지속성을 활용하여 수익 극대화를 추구하는 전략적 도구입니다.

• 추세 추종 전략에서 수익 구간을 길게 가져가기 위한 핵심 메커니즘
• 가격의 최고점(또는 최저점)으로부터 일정 거리나 비율을 유지하며 손절선 업데이트
• 예측이 아닌 시장의 실제 움직임에 근거하여 출구 전략을 동적으로 수정
• 추세 반전 시 수익금의 일부를 확정 짓는 '수익 보존' 기능 수행

왜 중요한가. 추세의 끝을 정확히 예측하는 것은 불가능하므로, 추세가 꺾이는 것을 확인하고 나오는 검증된 방식이 필요하기 때문입니다. 이를 통해 '크게 먹고 적게 잃는' 손익비 구조를 실현할 수 있습니다.

예시 (가상). ATR(평균 실제 범위)의 3배수를 추적 손절선으로 설정한 경우, 가격이 상승함에 따라 손절선도 함께 상승하며, 고점 대비 3ATR만큼 하락 시 포지션을 청산합니다. 예를 들어 진입가 10,000원에서 15,000원까지 상승했다면 손절선은 15,000원에서 일정 거리 아래로 상향 조정됩니다. (가상 예시)

확인법. 백테스트 시 고정 손절 대비 최대 낙폭(MDD)의 개선 여부와 수익 곡선의 우상향 지속성을 확인하십시오. 특히 추세장과 횡보장에서의 청산 시점 차이를 분석하여 최적의 추적 간격을 검증해야 합니다.

강의 연결. 추세 추종 전략의 핵심이며, 변동성 기반의 ATR 노드와 함께 학습하여 최적의 간격을 설정하는 능력을 기르십시오.

돌파 진입

가격이 특정 저항선이나 전고점을 강력하게 상향 돌파할 때 추세의 시작으로 간주하고 진입하는 전략입니다. 예측이 아닌, 시장이 이미 방향성을 결정했다는 '신호'를 확인하고 진입하는 추세추종의 핵심 기법입니다.

• 전고점이나 박스권 상단을 돌파하는 시점의 가격 액션 확인
• 돌파 시 거래량 동반 여부를 통한 가짜 돌파(Fakeout) 필터링
• 추세의 가속도가 붙는 지점에서 진입하여 단기간에 수익 구간 확보
• 손절선을 돌파 지점 하단이나 직전 저점에 설정하여 리스크 관리

왜 중요한가. 추세의 초기 단계에 진입하여 큰 추세 수익(Big Win)을 낼 수 있는 가장 효율적인 방법이기 때문입니다. 횡보 구간의 지루함을 피하고 변동성이 확대되는 시점에만 시장에 참여함으로써 자본 효율성을 높일 수 있습니다.

예시 (가상). 가상 자산 A가 100원에서 110원 사이의 박스권을 3개월간 형성하다가, 거래량이 평소 대비 3배 급증하며 111원을 돌파하는 순간 진입합니다. 이후 추세가 지속되어 150원까지 상승하는 시나리오를 가정합니다. (가상 예시)

확인법. 단순히 가격이 선을 넘었는지가 아니라, 돌파 후 해당 지점이 지지선으로 전환되는지(Retest)를 검증해야 합니다. 또한 과거 데이터를 통해 해당 자산의 돌파 성공률과 평균 수익비를 백테스트하여 기대값을 산출해야 합니다.

강의 연결. 추세추종 전략의 진입 시점을 결정하는 핵심 노드이며, 손절 및 포지션 사이징 노드와 함께 운용되어야 합니다.

ATR · 변동성 단위(N)

ATR(Average True Range)은 시장의 변동성을 절대 수치로 측정하는 지표로, 특정 기간 동안의 평균 가격 변동폭을 계산합니다. 시스템 트레이딩에서는 이를 'N'이라는 변동성 단위로 정의하여 시장의 현재 상태에 맞게 전략을 동적으로 조정하는 척도로 사용합니다.

• 단순 고가-저가가 아닌 갭(Gap)을 포함한 True Range를 계산하여 실제 변동성을 반영함
• 가격의 방향성이 아니라 '움직임의 크기'만을 측정하는 비방향성 지표임
• 시장 상황(변동성 확대/축소)에 따라 손절선과 진입 간격을 유연하게 조절하는 기준이 됨
• 추세추종 전략에서 노이즈에 의한 털림을 방지하고 추세의 지속성을 확보하는 핵심 도구임

왜 중요한가. 고정 틱(Tick)이나 퍼센트(%) 기반의 설정은 시장의 변동성 변화에 대응하지 못해 과최적화 위험이 큽니다. ATR을 통해 변동성 단위(N)를 적용하면, 변동성이 낮을 때는 타이트하게, 높을 때는 넓게 대응함으로써 전략의 강건성(Robustness)을 높일 수 있습니다.

예시 (가상). 현재 ATR(N)이 100포인트인 종목에서 손절선을 2N으로 설정하면 200포인트의 여유를 둡니다. 이후 변동성이 커져 N이 200포인트가 되면 손절선은 자동으로 400포인트로 확장되어 시장의 소음으로부터 포지션을 보호합니다. (가상 예시)

확인법. 백테스트 시 고정 수치 대신 ATR 배수를 적용했을 때 수익 곡선이 더 매끄러운지 검증하십시오. 또한, 현재 시장의 N 값이 과거 평균 대비 지나치게 높거나 낮은지 확인하여 진입 강도를 조절하는 필터로 활용할 수 있습니다.

강의 연결. 변동성 기반의 포지션 사이징과 트레일링 스톱의 기초가 되며, 이는 리스크 관리의 핵심 단계입니다.

평균회귀 (역추세)

가격이 평균에서 과도하게 벗어났을 때 다시 평균으로 돌아오려는 성질을 이용한 매매 기법입니다. 추세의 끝이나 일시적인 과매수/과매도 상태를 포착하여 반대 방향으로 진입하는 역추세 전략의 핵심 원리입니다.

• 평균(이동평균, 표준편차 등)과의 괴리율을 측정하여 진입 시점을 결정함
• 추세 추종과 정반대로 가격의 '반전' 가능성에 베팅하는 전략
• 강한 추세 시장(Strong Trend)에서는 끝없는 손실이 발생할 수 있는 위험이 있음
• 박스권(Ranging Market)이나 횡보장에서 높은 승률을 보이는 경향이 있음

왜 중요한가. 시장의 모든 움직임이 추세로만 이루어지지 않으며, 과도한 쏠림은 반드시 되돌림을 발생시키기 때문입니다. 추세 전략의 보완재로서 포트폴리오의 변동성을 낮추는 역할을 할 수 있습니다.

예시 (가상). 가격이 20일 이동평균선으로부터 +3표준편차 이상 상향 이탈했을 때, 평균으로의 회귀를 예상하여 숏 포지션을 진입하고 평균값 도달 시 청산하는 전략 (가상 예시)

확인법. 현재 시장의 레짐(Regime)이 추세장인지 횡보장인지 먼저 구분해야 합니다. 단순히 지표의 과매수/과매도만 보는 것이 아니라, 변동성 범위 내에서 가격이 머무는 시간을 통계적으로 검증하여 적용합니다.

강의 연결. 추세추종(trend-following) 전략과 상충하는 개념이며, 시장의 성격에 따라 어떤 전략을 사용할지 결정하는 '레짐 분석'과 밀접하게 연결됩니다.

시장 국면 (레짐)

시장 국면(Regime)이란 가격의 변동성, 추세의 강도, 상관관계 등 시장의 통계적 특성이 일정하게 유지되는 상태를 의미합니다. 시장은 추세장, 횡보장, 변동성 확대장 등으로 구분되며 각 국면마다 작동하는 전략의 효율성이 달라집니다.

• 시장은 정지된 상태가 아니라 지속적으로 성격이 변하는 동적 시스템임
• 특정 전략의 성과 저하는 전략 자체의 결함이 아닌 국면의 변화(Regime Shift)일 수 있음
• 추세추종 전략은 강한 추세 국면에서 수익을 극대화하고 횡보 국면에서 손실을 누적함
• 국면 분석의 목적은 예측이 아니라 현재 시장이 내 전략에 유리한 환경인지 검증하는 것

왜 중요한가. 동일한 로직이라도 시장 국면에 따라 기대값이 완전히 달라지기 때문입니다. 국면을 구분하지 못하면 전략의 일시적 부진을 전략의 완전한 파손으로 오해하여 성급하게 폐기하거나, 반대로 위험한 구간에서 무리하게 베팅하는 실수를 범하게 됩니다.

예시 (가상). 추세추종 전략이 강세장에서 연 20%의 가상 수익을 기록하다가, 횡보 국면으로 진입하며 6개월간 가상 손실 -10%를 기록하는 경우입니다. 이는 로직의 오류가 아니라 시장 국면이 '추세'에서 '박스권'으로 변한 결과로 해석할 수 있습니다. (가상 예시)

확인법. 이동평균선의 기울기, ATR의 변동 폭, 또는 고점과 저점의 갱신 빈도를 통해 현재 국면을 정량적으로 정의합니다. 정의된 기준을 바탕으로 현재 시장이 내 전략의 '수익 구간'에 해당하는지 체크리스트를 통해 검증합니다.

강의 연결. 전략의 성과 저하를 다루는 'degradation' 노드와 연결되며, Walk-Forward 분석을 통해 국면 변화에 대한 적응력을 검증하는 과정과 연계됩니다.

분산 (유일한 공짜 점심)

서로 상관관계가 낮은 여러 전략이나 자산에 자본을 배분하여, 개별 전략의 일시적 부진이 전체 포트폴리오에 미치는 충격을 완화하는 기법입니다. 현대 포트폴리오 이론에서 리스크를 증가시키지 않고 기대 수익을 유지할 수 있는 '유일한 공짜 점심'으로 불립니다.

• 단순히 종목 수를 늘리는 것이 아니라 '상관관계(Correlation)'가 낮은 전략들의 조합이 핵심임
• 특정 시장 국면(Regime)에서 발생하는 전략의 성능 저하(Degradation)를 상쇄함
• 심리적 안정감을 제공하여 시스템 트레이딩의 최대 적이라 할 수 있는 '중도 포기' 가능성을 낮춤
• 단일 전략의 파산 위험(Risk of Ruin)을 분산하여 생존 확률을 극대화함

왜 중요한가. 완벽한 예측 모델은 존재하지 않기에, 특정 전략이 작동하지 않는 구간에서도 다른 전략이 수익을 내어 자산 곡선의 변동성을 줄여야 합니다. 이는 MDD를 낮추어 결과적으로 더 높은 레버리지나 효율적인 자금 운용을 가능하게 합니다.

예시 (가상). 추세추종 전략과 평균회귀 전략을 5:5 비율로 배분했을 때, 횡보장에서 추세 전략이 손실을 보더라도 평균회귀 전략이 이를 보완하여 전체 자산 곡선은 완만하게 우상향하는 경우입니다. (가상 예시)

확인법. 전략 간의 수익률 시계열 상관계수를 측정하여 0에 가깝거나 음의 상관관계를 가진 전략들을 조합합니다. 또한, 서로 다른 타임프레임이나 서로 다른 자산군(주식, 채권, 원자재 등)에 분산되어 있는지 검증합니다.

강의 연결. 단순한 분산보다 효율적인 자금 배분을 위해서는 'Position Sizing' 및 'Volatility Targeting' 노드와 함께 학습하십시오.

상관관계 & 위기 상관붕괴

상관관계는 두 자산의 가격 움직임이 얼마나 유사한 방향으로 움직이는지를 나타내는 통계적 척도입니다. 위기 상관붕괴는 평상시에는 낮았던 상관관계가 시장의 극심한 변동성이나 패닉 상황에서 갑자기 1에 가깝게 수렴하며 모든 자산이 동시에 하락하는 현상을 의미합니다.

• 상관계수(+1 ~ -1)를 통해 자산 간의 동조화 정도를 수치화함
• 단순히 종목을 나누는 것이 아니라, 서로 다른 성격의 '엣지'를 가진 전략을 결합하는 것이 진정한 분산
• 위기 상황에서는 유동성 부족과 투매로 인해 자산 간 상관관계가 급격히 상승함
• 상관관계는 고정된 값이 아니라 시장 국면(Regime)에 따라 변하는 동적인 값임

왜 중요한가. 상관관계를 무시한 포트폴리오는 겉으로는 분산된 것처럼 보이지만, 실제 위기 시에는 모든 전략이 동시에 손실을 내어 파산 위험을 높입니다. 진정한 리스크 관리는 예측이 아니라, 상관관계 붕괴 시나리오를 검증하고 견딜 수 있는 자금 관리를 설계하는 능력에 있습니다.

예시 (가상). 주식 전략과 채권 전략을 5:5로 배분하여 평소에는 낮은 상관관계로 변동성을 낮췄으나, 글로벌 금융위기 같은 극단적 상황에서 두 자산이 동시에 -20% 하락하며 포트폴리오 전체가 급락하는 경우입니다. (가상 예시)

확인법. 과거 데이터의 상관관계뿐만 아니라, 최대 낙폭(MDD) 구간에서 각 전략의 수익률 곡선이 얼마나 유사하게 움직였는지 '상관관계의 동적 변화'를 시각적으로 점검해야 합니다. 또한 스트레스 테스트를 통해 모든 전략이 동시에 손실을 낼 때의 최대 노출도를 계산합니다.

강의 연결. 분산 투자의 실질적 효과를 이해하기 위해 'diversification' 노드와 연결되며, 리스크 배분 관점에서는 'risk-parity' 개념으로 확장됩니다.

리스크 패리티

자산의 금액 기준이 아니라, 각 자산이 전체 포트폴리오에 기여하는 '리스크(변동성)의 양'을 동일하게 맞추는 자산 배분 전략입니다. 특정 고변동성 자산이 전체 포트폴리오의 성과를 지배하는 것을 방지하고 리스크 분산을 최적화하는 데 목적이 있습니다.

• 자본 투입액이 아닌 변동성(Volatility) 기반의 비중 조절
• 저변동성 자산에는 레버리지를 활용하여 리스크 기여도를 상향 평준화
• 상관관계가 낮은 다양한 자산군을 결합하여 포트폴리오의 안정성 추구
• 시장 예측이 아닌 수학적 변동성 측정에 기반한 기계적 배분

왜 중요한가. 전통적인 60/40 포트폴리오는 금액 기준 배분으로 인해 실제 리스크의 대부분을 주식이 차지하는 불균형이 발생합니다. 리스크 패리티는 이를 교정하여 어떤 시장 국면에서도 특정 자산의 폭락이 전체 계좌를 파괴하지 않도록 방어력을 높여줍니다.

예시 (가상). 변동성이 큰 주식(20%)과 변동성이 낮은 채권(5%)이 있을 때, 리스크 기여도를 맞추기 위해 주식 비중을 낮추고 채권 비중을 높이거나 채권에 레버리지를 적용하여 두 자산의 변동성 영향력을 1:1로 맞춥니다. 이를 통해 주식 하락 시 채권이 실질적인 완충 작용을 하도록 설계합니다. (가상 예시)

확인법. 각 자산의 ATR이나 표준편차를 측정하여 포트폴리오 내 리스크 점유율을 계산합니다. 특정 자산의 변동성이 급증하여 리스크 비중이 높아지면, 해당 자산의 비중을 줄이는 리밸런싱을 통해 다시 균형을 맞춥니다.

강의 연결. 단순한 분산 투자를 넘어 '변동성 타겟팅' 개념과 결합하여 시스템의 견고함을 검증하는 단계로 확장됩니다.

킬스위치 & 운영 HALT

시스템의 손실이 사전에 정의된 임계치를 초과하거나 시장 환경이 전략의 전제 조건에서 완전히 벗어났을 때, 모든 거래를 즉시 중단하는 강제 종료 메커니즘입니다. 이는 단순한 손절매를 넘어 시스템 전체의 운영을 일시 정지(HALT)하고 재검증 단계로 진입시키는 안전장치입니다.

• 최대 허용 낙폭(Max Drawdown) 도달 시 자동 작동
• 전략의 유효성(Edge) 소멸 가능성 판단 기준 설정
• 감정적 대응 배제를 위한 하드코딩된 중단 규칙
• 운영 중단 후 재가동을 위한 복구 프로세스(Recovery Plan) 포함

왜 중요한가. 시스템 트레이딩에서 가장 위험한 것은 예측 실패가 아니라, 전략이 더 이상 작동하지 않는 '체제 변화'를 인지하지 못하고 계속 자산을 투입하는 것입니다. 킬스위치는 파산 위험을 원천 차단하고 자본을 보존하여 다음 기회를 도모하게 합니다.

예시 (가상). 가상 예시로, 전체 자산의 15% 손실 발생 시 모든 포지션을 청산하고 2주간 운영을 중단하는 킬스위치를 설정합니다. 이후 OOS 데이터와 현재 시장의 상관관계를 재분석하여 전략의 유효성을 검증한 뒤에만 재가동합니다. (가상 예시)

확인법. 최근의 수익 곡선이 몬테카를로 시뮬레이션의 최악의 경로(Worst Case)를 하향 돌파하는지 상시 모니터링합니다. 또한, 전략의 핵심 지표인 승률이나 손익비가 통계적 유의미함 아래로 급격히 추락하는지 점검합니다.

강의 연결. 예측이 아닌 '검증 능력'의 핵심은 언제 멈춰야 하는지를 아는 것이며, 이는 drawdown 및 oos 노드와 밀접하게 연결됩니다.

손절 (자본 보존)

미리 정한 가격에서 손실을 확정해 자본을 보존하는 규칙. 손절은 실패가 아니라, 다음 기회를 위한 비용이다.

• 손절의 80%는 후회되지만, 그 20%가 계좌를 살린다
• 추세추종은 작은 손실 多·큰 이익 少(낮은 승률, 높은 손익비)
• 손실 꼬리를 자르면 payoff가 양(+)으로
• 감정이 아니라 규칙으로 자른다

왜 중요한가. 대부분은 손절을 ‘졌다’로 받아들이지만, 시스템 트레이딩에서 손절은 설계의 일부입니다. 작은 손실을 제때 끊지 못하면 그 한 번이 수십 번의 작은 이익을 통째로 삼킵니다.

예시 (가상). 추세추종의 손익 구조는 ‘자주 조금씩 잃고, 가끔 크게 번다’예요. 승률이 40%여도 손실은 -1R로 자르고 이익은 +5R까지 키우면 전체는 플러스가 됩니다. 손절이 없으면 이 구조 자체가 성립하지 않습니다.(가상 예시, R=1회 리스크)

확인법. 손절을 감정이 아니라 규칙(예: 진입가 대비 -N%, 또는 ATR 기반)으로 미리 정하고 주문으로 걸어 두세요. 사후에 ‘후회되는 손절’이 80%라도, 계좌를 지키는 건 나머지 20%입니다.

강의 연결. 심리·규율의 핵심. 거장(세이코타·튜더존스·슈워츠)이 한목소리로 강조.

7요소 사양서 (AI에게 시키는 법)

AI에게 ‘터틀 짜줘’라고 하면 안 되는 이유 — 모호한 요구는 룩어헤드 가득한 ‘예쁜 거짓말’을 낳는다. 7요소(시장·진입·청산·사이징·비용·체결·룩어헤드 차단)를 명시해야 현실적인 백테스트가 나온다.

• 요구의 정밀함 = 결과의 정직함
• 7요소를 빠짐없이 채운다
• ‘룩어헤드 차단’을 명시

왜 중요한가. AI는 잘못이 없습니다. ‘터틀 짜줘’처럼 모호하게 시키면 AI는 빈칸을 가장 잘 나오는 방향(=룩어헤드 가득한 거짓말)으로 채웁니다. 요구의 정밀함이 결과의 정직함을 결정합니다.

예시 (가상). ‘터틀 전략 백테스트 코드 짜줘’ → 화려하지만 룩어헤드투성이. 반면 7요소(① 시장·기간 ② 진입 ③ 청산·손절 ④ 사이징 ⑤ 수수료·슬리피지 ⑥ 체결 가정 ⑦ 룩어헤드 차단=shift)를 명시하면 현실적인(=덜 화려한) 백테스트가 나옵니다.

확인법. 프롬프트에 7요소가 빠짐없이 들어갔는지 체크리스트로 확인하세요. 특히 ⑥체결과 ⑦룩어헤드 차단을 명시하지 않으면 AI는 기본값으로 유리한 가정을 씁니다. 받은 코드는 한 줄씩 ‘이 시점에 알 수 있는 정보인가’로 검토합니다.

강의 연결. AI 활용의 출발점. AI는 잘못이 없다 — 무엇을·어떻게 시킬지가 전부.

시장의 마법사들

정상급 트레이더 인터뷰집. 전략은 제각각이어도 공통점은 화려한 진입이 아니라 리스크관리·규율·손절. 화려한 비법을 기대하면 실망하지만, 거장들이 공통으로 말하는 살아남는 법이 이 강의의 출발점이다.

• 전략보다 리스크·규율·손절이 공통분모
• 거장도 자주 틀린다 — 살아남는 게 우선

강의 연결. 마법사 노드 8인의 1차 출처

터틀 트레이딩

‘트레이딩은 가르칠 수 있는가’를 증명한 터틀 실험 당사자의 기록. 추세추종 규칙·자금관리·심리를 1차 자료로 다룬다. 규칙보다 규칙을 지키는 규율이 어렵다는 걸 당사자의 시선으로 보여준다.

• 터틀 규칙: 돌파 진입·ATR 사이징·추적 손절
• 규칙보다 지키는 규율이 어렵다

강의 연결. 관통 사례(터틀)의 원전

추세추종

추세추종 트레이더들이 수십 년간 시장에서 살아남은 실증과 사례. ‘예측이 아니라 반응한다’. 수익이 큰 추세 몇 번에서 나오고 대부분의 시간은 견디는 구간임을 데이터로 납득시킨다.

• 추세추종의 장기 실증·사례
• ‘예측이 아니라 반응’

강의 연결. 추세추종 철학

어느 주식투자자의 회상

전설적 투기꾼 제시 리버모어의 일대기. 군중심리·손절·자기통제의 고전으로, 100년 전 이야기지만 지금 차트 앞의 당신과 똑같은 실수를 한다.

• 군중심리·손절의 고전
• 100년 전이나 지금이나 같은 실수

강의 연결. 손절 심리

존 안에서 트레이딩하기

트레이딩은 확률 게임이며, 한 번의 결과가 아니라 과정의 일관성이 돈을 번다. 한 번의 손익에 흔들리지 않는 확률적 사고를 훈련한다.

• 트레이딩 = 확률 게임
• 과정의 일관성 > 한 번의 결과

강의 연결. 캡스톤 채점 철학(결과≠과정)

행운에 속지 마라

화려한 성과 뒤의 무작위성·생존편향. 운 좋은 한 명만 보고 따라 하는 함정을 파헤친다. 화려한 트랙레코드가 실력인지 운인지 구분하는 눈을 길러준다.

• 무작위성·생존편향
• 운 좋은 한 명만 보는 함정

강의 연결. 표본·생존편향

결정, 흔들리지 않고 마음먹은 대로

프로 포커 챔피언이 말하는 확률적 의사결정. 좋은 결정과 좋은 결과를 분리하라. 정보가 불완전한 상태에서 ‘베팅’으로 사고하는 법을 가르친다.

• 확률적 의사결정
• 좋은 결정 ≠ 좋은 결과

강의 연결. 검증·리스크 사고

Evidence-Based Technical Analysis

기술적 지표를 통계적으로 검증하는 법과 데이터마이닝 편향의 위험. 지표가 ‘통했다’는 착각을 통계로 검증·반증하는 방법을 다룬다. 우리 ‘검증’ 모듈의 학술적 뿌리.(원서)

• 지표를 통계로 검증·반증
• 데이터마이닝 편향 경계

강의 연결. 검증 모듈

퀀트 트레이딩

개인이 백테스트→체결→비용→실전까지 가는 실무 가이드. 흔한 함정(과최적화·생존편향)을 짚고, 개인 트레이더가 실제로 부딪히는 데이터·체결·비용 문제를 현실적으로 안내한다.

• 백테스트→체결→비용→실전 실무
• 과최적화·생존편향 점검

강의 연결. 백테스트 실습

알고리즘 트레이딩 시스템 구축

전략 개발→검증→실전→폐기까지의 라이프사이클. 몬테카를로·워크포워드를 실전으로 보여주고, 전략을 언제 버려야 하는지(폐기 조건)까지 다루는 드문 책.

• 개발→검증→실전→폐기 사이클
• 몬테카를로·워크포워드 실전

강의 연결. 운영·폐기 조건

시장의 마법사들: 헤지펀드 편

레이 달리오 등 현대 매니저들의 리스크 균형·비대칭 손익 사고. 개인을 넘어 기관 규모의 리스크 사고를 엿본다.

• 현대 매니저의 리스크 균형
• 비대칭 손익 사고

강의 연결. 포트폴리오·리스크

Advances in Financial Machine Learning

백테스트 과적합과 교차검증의 최신 학술. 통계·코딩 기반이라 고급 독자용이며, 검증을 한 단계 더 깊게 파고들고 싶을 때.(원서)

• 백테스트 과적합·교차검증 (학술)
• 고급 독자용

강의 연결. 검증 심화