10.9 요약

무엇을 설명하고 무엇을 예측했는지 구분하기

한 운용자가 주식 계좌의 손실을 분석한다. PCA로 찾은 공통 방향이 오늘의 손실을 잘 설명한다면 종목별 노출을 조정하는 데 쓸 수 있다. 채권 계좌라면 수준, 기울기, 곡률에 대한 민감도를 따로 보고 선물과 스왑으로 조절한다. 이 판단에는 내일의 요인 수익률 예측이 필요하지 않다.

같은 정보를 다음 거래의 순위로 바꾸려면 먼저 학습 기간에서 요인과 노출을 추정하고, 관측한 이력으로 다음 기간의 요인 프리미엄을 예상한 뒤, 오늘의 노출과 곱한다. RP-PCA는 평균 수익률의 오차에 가중치를 준다. IPCA는 종목 특성에 따라 베타가 선형으로 달라지게 하고, CAE는 그 관계를 비선형으로 만든다. 이 차이는 첫 단계에 있다. SDF는 상태별 할인 가중치를 가격 제약으로 추정하고, SAE는 특성에서 미래 점수를 직접 내놓는다.

통계적 비교를 거래 판단으로 연결하기

다섯 시장 중 네 곳의 최상위 잠재 모형은 양의 순위 정보를 보였다. 같은 날짜에 기존 최상위 모형과 비교하자 ETF에서만 분명하게 앞섰고, 선물과 주식·옵션에서는 차이의 구간이 0을 포함했다. 미국 주식과 기업 특성은 그래디언트 부스팅 모형의 순위가 더 좋았다. 표본이 짧고 종목이 많은 곳에서는 공분산을 직접 추정하기가 특히 어려웠다. 예측이 약한 곳에서도 공통 위험을 나누는 역할은 남는다.

순위가 맞는 것과 그 순위가 생긴 원인을 밝히는 것은 별도 연구 문제다. 예측을 거래로 옮길 때는 발표 시점과 주문 시점을 일치시키고, 다음 기간에도 점수가 이어지는지 확인한다. 그런 뒤 포지션을 정하고 실제 체결 가격에 가까운 비용으로 모의 거래를 평가한다.