11장 도입. 수익률을 예고하는 값과 수익률을 바꾸는 요인

수익률을 예고하는 값과 수익률을 바꾸는 요인

비트코인 무기한 선물의 펀딩비가 높은 날 뒤에 가격이 자주 하락했다고 하자. 펀딩비를 관찰하는 트레이더는 이 패턴을 이용해 다음 수익률을 예측할 수 있다. 하지만 거래소가 같은 시장 상황에서 펀딩비만 낮췄더라면 수익률도 달라졌을지는 별개의 문제다. 이미 과열된 시장에서는 투자자의 레버리지 수요가 펀딩비를 올리는 동시에 이후 청산과 하락 가능성도 키울 수 있다.

과거 기록에서 같이 움직이는 값의 관계를 Predictive Association(예측 연관성)이라고 한다. 같은 조건에서 개입만 바꿀 때 결과가 얼마나 달라지는지를 Causal Effect(인과효과)라고 한다. 실제로는 한 날짜에 두 가지 펀딩비가 동시에 적용될 수 없다. 관찰하지 못한 쪽의 결과를 Counterfactual(반사실)이라고 하며, 이를 대신할 비교를 어떻게 만들었는지가 인과 분석의 출발점이다.

후보를 걸러낸 다음에는 여러 요인을 함께 본다

특성 하나를 점검할 때는 정보가 결과보다 먼저 들어왔는지, 둘을 동시에 움직이는 시장 요인이 있는지 살핀다. 이런 검사는 잘못된 이야기를 일찍 걸러낼 수 있다. 그래도 펀딩비에는 레버리지, 유동성, 변동성이 함께 반영될 수 있다. 각각을 따로 살펴본 결과만으로는 이들의 결합 효과를 떼어 내기 어렵다.

여러 요인을 함께 다룰 때도 먼저 비교의 근거를 정한다. 처치와 결과를 정의하고, 인과 경로를 그려 통제할 변수를 골라야 한다. 모델을 실행한 뒤에는 효과가 없을 날짜에서도 같은 결과를 내는지, 숨은 시장 요인이 조금만 강해져도 결론이 뒤집히는지 확인한다.

연구자가 가진 기록	비교하고 싶은 두 상황	이어지는 방법
날짜마다 다른 펀딩비나 모멘텀 점수	처치 전 시장 여건이 비슷하지만 점수가 다른 관측	Double Machine Learning(이중 기계학습)
발표 시각과 발표 전후의 채권 가격	실제 채권 경로와 발표가 없었을 채권 경로	Bayesian Structural Time Series(베이지안 구조 시계열)
여러 자산의 일별 수익률과 시차	다른 요인을 고려하고도 남는 선후 관계	Causal Discovery(인과 구조 발견)

효과 추정치는 비교 설계가 성립하는 범위에서 해석한다. 거래 여부를 정할 때는 그 숫자와 별도로 미래 종목 순위를 맞힐 수 있는지, 신호가 표본 밖에서 유지되는지, 비용을 낸 뒤 손익이 남는지 살핀다.