3장 도입. 합성 금융 데이터

같은 전략도 손실이 찾아오는 순서에 따라 결과가 달라진다

지우는 가상의 투자금 100만 원을 국내 주식과 해외 주식에 50만 원씩 나눈다. 한 달에 한 번 두 쪽의 비중을 다시 절반으로 맞춘다. 그사이 계좌가 이전 고점보다 10% 넘게 내려가면 다음 거래일부터 주식에 넣는 돈을 줄인다.

계좌가 100만 원에서 120만 원까지 올랐다가 108만 원이 되었다고 하자. 처음 넣은 돈보다는 8만 원 많다. 하지만 가장 높았던 120만 원과 비교하면 12만 원, 즉 10%가 줄었다. 이렇게 고점에서 얼마나 내려왔는지를 Drawdown(고점 대비 하락률)이라고 한다. 이 규칙에서는 10%에 닿은 뒤 더 떨어질 때 주식 비중을 줄인다.

지우가 과거 가격으로 같은 규칙을 실행해 보니 두 시장은 주로 번갈아 하락했다. 당시 시장이 실제로 움직인 순서를 Realized Path(실현 경로)라고 한다. 아래는 그 순서가 달랐을 때를 살피기 위해 만든 두 주의 비교다.

주 초에 각각 50만 원을 담았다고 하자. 국내 주식만 12% 떨어지면 국내 쪽에서 6만 원을 잃는다. 해외도 12% 떨어지면 양쪽에서 6만 원씩, 합쳐서 12만 원을 잃는다. 주 초 계좌가 고점이었다면 두 번째 주에는 위험 한도인 10%를 넘는다.

여러 시장 경로로 같은 규칙을 시험한다

Synthetic Financial Data(합성 금융 데이터)는 관측 자료의 특징을 학습하거나 명시한 가정에 따라 만든 금융 데이터다. 지우는 하루 수익률의 크기만 맞추는 대신, 큰 움직임이 며칠씩 이어지는지와 두 시장이 함께 움직이는지도 살핀다. 생성 모델이 그 관계를 담으면 같은 규칙을 여러 대안 경로에 적용할 수 있다.

고정된 확률 규칙에서 뽑은 경로는 Simulated Data(시뮬레이션 데이터), 특정 상태를 지정해 뽑은 표본은 Conditional Scenario(조건부 시나리오)라고 부를 수 있다. 지우가 변동이 큰 상태를 지정하면 그 상태에서 규칙이 어떻게 반응하는지 살필 수 있다. 그 상태가 다음 달에 찾아올 확률은 별도로 추정해야 한다.

지우는 경로마다 고점에서 얼마나 떨어졌는지, 위험 한도가 몇 번 작동했는지, 수수료를 빼고 얼마가 남았는지 기록한다. 서로 다른 상황에서도 같은 규칙이 얼마나 버티는지 살피는 작업이 Robustness Assessment(견고성 평가)다. 합성 자료를 예측 모델의 학습에 쓴다면, 성능 시험에는 생성 과정에 쓰지 않은 이후의 실제 시장 자료를 남겨 둔다.