11.4② 요인 효과와 국면별 비중 검증하기

모멘텀의 크기, 펀딩비의 결과, 실제 비중을 따로 검증한다

ETF의 모멘텀 점수에서 공통 원인을 뺀다

모멘텀 점수를 위험 조정한 6개월 수익률로, 결과를 21거래일 미래 수익률로 정한다. 변동성과 수익률곡선 국면은 점수와 미래 수익률 양쪽을 움직일 수 있다. 팀은 이 값들을 처치 전 통제로 넣고 시간 순서대로 학습과 평가를 나눈다.

계수는 연구에서 사용한 점수 한 단위당 수익률의 변화량이다. 두 방법 모두 음의 관계를 보였고, 단순 회귀의 절댓값은 EconML 결과보다 약 28% 작았다. 절댓값 차이 0.0152를 DML 절댓값 0.0537로 나눈 값이다. 하루씩 옮겨 21거래일 결과를 만들면 이웃 행들이 같은 수익률을 공유한다. Heteroskedasticity and Autocorrelation Consistent(이분산·자기상관 일치, HAC) 표준오차는 시점별 변동 차이와 그런 의존을 고려한다. 사례에서는 21거래일 결과에 맞춰 대역폭을 정했다.

암호화폐 펀딩비 분석에서도 단순 회귀와 DML의 부호는 같았고 단순 회귀의 크기는 약 90% 작았다. 7일 Block Permutation(블록 순열)은 이웃 날짜를 함께 움직여 연속성을 일부 보존한다. 하루씩 섞으면 가짜 효과의 분포가 지나치게 좁아져 실제 추정치가 더 이례적으로 보일 수 있다. 7일 위약 비교에서는 분리됐지만 HAC 추론에서는 두 계수 모두 0과 구분하기 어려웠다. 저변동과 고변동의 효과 차이를 한 모델의 상호작용으로 확인한 결과도 뚜렷하지 않았다. 조정에 따른 크기 변화와 국면별 효과 차이는 별도로 판단한다.

같은 높은 펀딩비를 두 결과로 검증한다

펀딩비가 평소 평균보다 2표준편차 넘게 높은 때를 처치로 놓는다. 무기한 선물의 펀딩비가 양수면 매수 포지션이 매도 포지션에 비용을 낸다. 선물이 현물보다 비싸고 그 비용도 높으면 선물을 팔고 현물을 사려는 거래가 늘 수 있다. 실제 거래에는 비용, 유동성, 담보와 차익거래 제약이 따른다.

따라서 하나의 결과는 선물 프리미엄이 이후 얼마나 좁아지는지다. 다른 결과인 미래 수익률에는 청산, 시장 방향, 레버리지 수요와 위험 선호도 들어간다. 프리미엄이 줄어든 경우에도 극단값을 골랐기 때문에 일상적인 Mean Reversion(평균회귀)이 일부 나타날 수 있다.

첫 열은 표본을 다르게 나눌 때 추정치가 얼마나 움직였는지, 둘째 열은 가짜 조건에서도 원래 추정과 견줄 효과가 나온 빈도를 나타낸다. 프리미엄 쪽 수치가 두 검사에서 낮아 경로에 더 잘 맞지만, 51% 변화는 여전히 크다. 이 비교로 차익거래의 인과효과를 확정하기 어렵다.

국면별 효과를 비중에 반영하고 다음 기간을 연다

연구는 2007년 1월~2022년 11월 자료로 변동성 경계와 비중 규칙을 정하고, 2022년 12월~2025년 12월에는 고정한 규칙을 적용했다. 인과 포리스트는 시장 변동성과 국면을 효과 수정 변수로, 여러 기간의 변동성과 수익률곡선 기울기를 추가 통제로 사용했다. 훈련 안에서도 전진 분할을 썼다.

처치 효과는 저변동 +0.019, 중변동 +0.043, 고변동 −0.066이었다. 전체 평균 −0.0097의 95% 구간은 −0.0138~−0.0055였고, 단순 계수는 −0.0037이었다. 비중을 정할 때는 국면별 효과를 추정 불확실성에 비춰 조절하고 배수를 0.5~1.5로 제한했다. 절댓값 합이 1인 매수·매도 기본 포트폴리오에 고변동 배수 0.50을 곱하면 총노출은 50%가 된다. 같은 기본 비중 10%는 중변동에서 12.8%가 된다.

샤프 비율은 감수한 변동성 대비 초과수익을 나타낸다. 비용은 기본 10bp로 반영하고 5~20bp도 시험했다. 보류 기간에는 인과 비중 조절의 하락 폭이 가장 작았지만 세 규칙 모두 음수였다. 종목 순위와 실제 수익률 순위의 관계를 나타내는 Information Coefficient(정보계수, IC)도 +0.023에서 −0.053으로 뒤집혔다. 국면별 비중이 일부 손실을 줄여도, 기초 순위 신호가 뒤집힌 기간에 비용 후 초과수익을 보장할 수 없다.