1.4 변화하는 시장 국면에 대응하기

같은 종목 순위로도 손실이 커지는 환경

지우의 공시 전략은 평소에 원하는 가격 근처에서 체결됐다. 시장이 불안해진 뒤에는 주문 상대가 줄어 매수·매도 호가 차이가 벌어졌다. 종목 순위가 여전히 유효해도 비싸게 사고 싸게 팔면 수익이 줄어든다. 지우는 종목을 고르는 능력이 약해졌는지, 주문을 소화하는 시장의 능력이 약해졌는지 따로 살핀다.

Market Regime(시장 국면)은 비슷한 수익률 움직임, 거래 여건, 자산 간 관계가 한동안 이어지는 상태다. 가령 평소에는 따로 움직이던 여러 종목이 불안한 시기에 한꺼번에 떨어지면 종목 수를 늘려 얻던 분산 효과가 줄어든다. 가격이 흔들리는 정도와 거래 비용도 함께 오를 수 있다. 전략마다 약한 조건이 다르므로 상태의 이름보다 실제로 어떤 위험이 커졌는지 기록한다.

수익률로 묶은 달과 경제 지표로 묶은 달

1927~2024년 스타일 국면 분석에서는 AQR의 Century of Factor Premia(장기 팩터 프리미엄 자료)에서 한 달마다 주식시장과 여러 투자 방식의 수익률을 한 줄에 놓는다. Value(가치)는 기업의 실적이나 자산 대비 가격이 싼 종목에 주목한다. Momentum(모멘텀)은 최근 흐름이 강한 종목에 주목한다. Carry(캐리)는 가격이 크게 바뀌지 않아도 보유 중 얻을 수 있는 수익에 주목하고, Defensive(방어)는 상대적으로 위험이 낮은 자산에 주목한다. 이 자료는 개별 주식의 수익률이 아니라 정해진 규칙에 따라 여러 자산을 묶은 투자 방식의 월별 성과다.

각 수익률을 평소 수준과 변동 폭에 맞춰 표준화하면, 원래 움직임이 큰 한 계열이 분류를 좌우하는 일을 줄일 수 있다. 그다음 Gaussian Mixture Model(가우시안 혼합 모형, GMM)로 비슷한 월을 묶는다. 이 모형은 여러 상태가 저마다 중심과 퍼짐이 다른 수익률을 만든다고 놓고, 관측된 한 달이 각 상태에 속할 가능성을 추정한다. 같은 과거 기록을 거리 기준으로 묶거나, 별도의 목표값을 두고 국면별 성과를 추정하는 접근도 있다. 여기서는 월별 수익률 조합에서 반복되는 상태를 찾아 위험 차이를 설명한다.

2~6개 상태를 비교했을 때 Akaike Information Criterion(아카이케 정보 기준, AIC)은 복잡성에 벌점을 주고도 6개 상태가 더 잘 맞는다고 평가했다. 하지만 Silhouette Score(실루엣 점수)는 거의 0이었다. 같은 그룹 안의 관측값이 다른 그룹보다 뚜렷하게 가깝지 않았고, 1950년 이후에는 분류가 잘게 쪼개졌다. 위험이 다른 환경을 알아보기 쉽게 정리하는 목적에는 두 상태가 더 안정적이었다. 분류를 마친 뒤 주식 결과가 더 좋았던 쪽을 Risk-On(위험 선호), 나빴던 쪽을 Risk-Off(위험 회피)라고 이름 붙였다.

변동성, 위험 대비 수익과 낙폭을 함께 읽기

Volatility(변동성)는 수익률이 얼마나 크게 흔들리는지 나타낸다. 과거 12개월씩 창을 옮겨 그리면 시간이 지나면서 흔들림이 커졌다 줄어드는 모습을 볼 수 있다. 연환산 수치는 비교 기간을 1년 척도로 맞춘 값이다. 시계열에서 월마다 계산한 이동 변동성의 국면별 평균 기준선은 위험 선호 9.8%, 위험 회피 12.7%다. 아래 막대는 별도 국면 성과 요약에서 보고한 변동성 8.6%와 19.1%를 보여 준다. 이동 창의 기준선과 성과 요약 값은 집계 방식이 다르므로 각각의 비교 안에서 읽는다.

샤프 비율은 안전자산 수익률을 넘긴 성과를 변동성 한 단위당 비교한다. 위험 회피에서는 변동 폭이 더 컸고, 위험 한 단위당 초과 성과도 더 작았다. 최대 낙폭은 고점에서 뒤이은 저점까지의 가장 큰 하락률이다. 계좌가 100만 원에서 120만 원을 찍고 108만 원으로 내려갔다면 시작점 대비로는 8만 원을 벌었지만, 고점 기준으로는 12만 원을 잃었다. 12만 원을 120만 원으로 나눈 낙폭은 10%다.

위험 회피에서 가치 스타일은 상대적으로 강했지만, 캐리와 방어 수익률은 각각 −0.6%와 −0.5%였다. 이름에 ‘방어’가 있어도 위험한 달에 수익이 보장되지는 않는다. 또 98년 동안 267번 전환됐다. 98년에 12개월을 곱해 267로 나누면 전환당 약 4.4개월이다. 과거 위험을 나눠 보여 주는 분류를 주문 규칙으로 쓰면 이처럼 잦은 전환으로 매매 비용이 생길 수 있다.

경제 환경을 먼저 묶고 주식 위험을 나중에 비교하기

거시 국면 연구에서는 Federal Reserve Economic Data(미국 연방준비은행 경제 데이터, FRED)의 실업률, 연방기금금리, 10년물과 2년물 국채금리의 차이, 소비자물가 상승률을 사용한다. 소비자물가 지수 자체는 시간이 흐르며 오르는 경향이 있으므로, 1년 전과 비교한 상승률을 쓴다. 각 자료를 월별로 맞춰 표준화한 뒤 네 그룹을 만든다. 예를 들어 실업률이 높고 정책금리가 0%에 가까운 그룹은 위기로, 물가 상승률과 정책금리가 높고 장단기 금리 차가 작은 그룹은 긴축으로 해석한다.

비슷한 달끼리 먼저 합쳐 나무 모양으로 그리는 Hierarchical Clustering(계층적 군집화)으로도 비교했다. Cophenetic Correlation(코페네틱 상관계수) 0.710은 나무에서 두 관측치가 합쳐지는 높이가 원래 거리와 어느 정도 함께 움직였다는 뜻이다. 다른 분류법에서도 비슷한 구조가 보였지만, 이 값으로 이후 수익률을 예측하는 능력을 평가할 수는 없다.

그룹을 나눈 뒤 월별 S&P 500 자료를 붙여 주식시장의 연환산 변동성과 낙폭을 비교했다. 2003~2026년의 분류에서 글로벌 금융위기, 코로나19, 물가 충격이 언제 나타났는지 함께 보되, 사건의 이름과 분류된 경제 환경을 구분한다.

월별 등락이 큰 것과 여러 달에 걸쳐 손실이 누적되는 것은 다른 현상이다. 지우는 흔들림에 민감한 주문 한도와 연속 손실에 대응하는 비중 축소 기준을 따로 설정한다. 신용 스프레드나 주택 지표를 더 넣으면 경제 환경을 세밀하게 볼 수 있지만, 기간이 짧은 계열과 우연히 잘 맞는 조합도 늘어난다. 자료를 추가했을 때 국면과 위험의 관계가 다른 기간에도 남는지 확인한다.

당시 관측값으로 경보를 내고 대응하기

과거 전체로 모형을 학습해 붙인 국면 이름을 과거 주문에 사용하면 미래 정보 편향이 생긴다. 실시간 검증에서는 각 시점까지 공개된 지표와 그때 볼 수 있었던 판본만 꺼낸다. Sequential Change-point Test(순차 변화점 검정)는 새 관측이 도착할 때마다 기존 패턴에서 벗어났는지 확인하고, Regime-switching Model(국면 전환 모형)은 상태가 바뀔 가능성을 추정한다. 어느 쪽이든 학습과 경보를 과거에서 미래로 옮겨 가며 늦은 경보와 거짓 경보를 함께 기록한다. 관측 변수, 기간 길이, 상태 수를 바꾸면 경보도 달라진다.

모멘텀 전략은 종목들이 함께 움직이거나 기존 추세가 한꺼번에 뒤집힐 때 약해질 수 있다. 캐리 전략은 자금 조달이 어려워지거나 정책 방향이 바뀔 때, Mean Reversion(평균 회귀) 전략은 가격이 평소 범위로 돌아오기 전에 변동성이 오르고 호가가 얇아질 때 취약할 수 있다. 각 전략이 실제로 약했던 조건을 찾아, 관측 지표와 발동 기준, 한도 축소와 복귀 조건을 연결한다.