13.15 요약

같은 ETF 신호로 운용해도 동일가중은 가장 얕은 낙폭을, 축소 평균–분산 최적화는 더 높은 샤프지수를 보일 수 있었다. 어떤 차이가 중요한지는 기준 포트폴리오, 거래비용, 손실 허용 범위에 따라 달라진다. 예측을 비중으로 바꿀 때는 당시 관측 가능한 정보, 위험 추정창, 제약, 주문 시점과 평가 구간을 먼저 명세한다.

동일가중과 역변동성은 필요한 추정이 적어 표본 밖 비교의 출발점이 된다. 예상 수익의 차이를 반영할 때는 공분산 축소, 종목 상한, 회전율 패널티로 추정 오차가 비중에 증폭되는 정도를 낮춘다. 계층적 위험균형은 비슷한 자산끼리 묶어 공분산 역행렬 없이 나눈다. 기대 수익의 크기를 활용하기 어렵고 군집이 바뀌면 비중도 달라질 수 있다. 국면에 맞춰 위험 추정창과 제약을 점진적으로 조정하는 방법은 고정 배분과 갑작스러운 전환 사이에 놓인다.

종단간 학습은 거래비용이나 위기 구간의 성과를 비중 학습에 직접 넣는다. 예측과 배분을 분리한 방식보다 어떤 단계가 성과를 만들었는지 진단하기 어려워, 구성 요소를 하나씩 제거한 비교와 여러 시드의 결과가 중요하다. 같은 배분 규칙이 모든 시장에서 앞서지 않았으며, 표본에 따라 모형이나 체결을 개선하는 효과가 배분 방식 변경보다 클 수 있었다.

비중이 정해지면 거래 마찰과 위험 관리가 이어진다. 주문 크기와 빈도에 따라 수수료와 가격 밀림이 얼마나 쌓이는지 살피고, 스트레스 구간의 총노출과 낙폭이 제약을 지키는지 확인한다. 비용 전 성과가 비슷한 두 방식도 이 단계에서 결과가 갈릴 수 있다.