6.5 포지션과 데이터에 숨은 구조 읽기

여러 시장을 같은 소수의 움직임으로 설명하기

연구자가 채권 ETF 열 개의 일별 수익률을 입력한다. 금리가 급등한 날 대부분 함께 하락한다면 비슷한 정보가 열마다 반복된다. 여러 열에 공통으로 나타나는 움직임을 몇 개의 값으로 요약하는 것이 Learned Representation(학습된 표현)이다. Principal Component Analysis(주성분 분석, PCA)는 자료가 크게 함께 움직이는 방향을 찾아 각 날짜를 그 방향 위의 점수로 바꾼다. Autoencoder(오토인코더)는 적은 수의 중간값으로 원래 입력을 복원하도록 학습한다. Time-Series Foundation Model(시계열 기반 모델)도 시계열 구간을 벡터로 바꿀 수 있다. TimesFM, Chronos, Moirai처럼 사전학습 모델을 쓸 때는 학습 자료의 시점과 적용 규칙도 확인한다.

전체 기간으로 공통 방향을 찾으면 검증 기간에만 등장한 위기의 움직임을 학습 입력에도 섞게 된다. Walk-forward Validation(전진 검증)에서는 각 구간에서 과거 자료로 변환을 적합하고 다음 구간에 적용한다. 검증 시점에는 그 시점까지 들어온 원자료를 쓰되, 적합한 가중치와 변환 버전, 학습 시작·종료 시점을 기록한다. 공통 움직임이 바뀌었을 때는 모델이 익숙한 패턴을 계속 가정하는지 추적한다.

어느 쪽에 거래가 몰렸는지 살피기

선물 추세가 강해도 같은 방향에 포지션이 몰려 있다면 많은 참가자가 한꺼번에 정리할 때 가격이 크게 밀릴 수 있다. Flows and Positioning(자금 흐름과 포지셔닝)은 그 상태를 간접적으로 읽는다. 예를 들어 Commitments of Traders(거래자 포지션 보고서, COT)에서 참가자 집단의 순매수 계약 수를 과거 범위와 비교한다. 보고서의 집계일과 공개일이 다르면 공개 뒤부터 반영한다. 참가자 분류나 보고 범위가 바뀌면 포지션이 그대로여도 지표가 뛸 수 있다.

On-chain Data(온체인 데이터)에서는 거래소 보유 지갑에 들어온 자금, 큰 지갑의 이동, 스테이블코인 공급, Total Value Locked(예치 자산 총액, TVL)과 풀 구성으로 수급을 살핀다. 대형 지갑 이동이 한 거래소 내부 이체일 수 있어 매도 주문으로 바로 해석하기 어렵다. 어느 주소를 거래소로 분류했는지, 대형 지갑의 잔액 기준, 프로토콜이 분기됐을 때 어느 체인을 포함했는지 버전을 남긴다. 이후 재분류된 주소 정보는 과거 주문 시점에 알려져 있었는지 확인한다.

종목 수가 많을 때 약한 신호가 모이는 조건

아홉 전략 사례의 특성 수는 39~66개였다. 과거 수익률 창은 모두에 있었지만 주문장이나 펀딩 자료처럼 자산마다 쓸 수 있는 값은 달랐다. 특성 수를 늘리는 것과 서로 다른 거래 기회를 늘리는 것은 구분한다. Fundamental Law of Active Management(능동 운용의 기본 법칙)의 단순 근사에서는 Information Ratio(정보비율, IR)를 IC와 독립 기회 수의 제곱근을 곱해 가늠한다. 예를 들어 IC가 0.04라면 기회 25개에서 $0.04\sqrt{25}=0.20$, 100개에서 0.40이다. 이 비교는 기회가 독립적이고 신호를 비슷하게 활용한다는 조건을 둔다.

사례 비교에서는 가로·세로에 종목 수와 표본 내 최대 절대 IC를 두고 원의 면적으로 근사 IR을 표현했다. 2,483개 기업을 다룬 재무 특성 사례의 근사 IR은 약 4였다. 눈에 띄는 차이는 작은 IC 우위보다 큰 종목 범위에서 왔다. 종목 수를 독립 기회 수로 본 단순 진단이므로 업종 동조, 최고 IC 선택 편향, 비용과 투자 제약을 적용한 실제 IR은 별도로 확인한다.

같은 요약값에서 서로 다른 구조 찾기

과거 20거래일 수익률 하나로는 두 경로 모두 10%다. Path Geometry(경로의 기하)를 살리려면 변화의 순서와 누적 구조를 남겨야 한다. Path Signature(경로 시그니처)는 여러 변수의 움직임이 어떤 순서로 이어졌는지 요약하는 방법이다. 위 예시에서는 먼저 고점 대비 하락 폭과 진행 방향 전환 횟수만 보아도 차이가 드러난다. 가격과 거래량이 함께 움직이는 순서가 중요하면 더 풍부한 경로 표현을 검토한다.

또 어떤 종목의 최근 변동성이 20%라는 사실만으로는 충격이 며칠이나 이어지는지 알 수 없다. Conditional Dynamics(조건부 동학)를 보고 싶다면 Generalized Autoregressive Conditional Heteroskedasticity(일반화 자기회귀 조건부 이분산, GARCH)처럼 과거 충격과 변동성으로 다음 변동성을 추정하는 모델에서 충격의 지속 정도를 읽는다.

시장이 추세 국면인지 반전 국면인지는 가격표에 직접 표시되지 않는다. Latent State(잠재 상태)를 추정하는 Hidden Markov Model(은닉 마르코프 모형, HMM)이나 상태 전환 모형은 관측값과 이전 상태에서 이어지는 경향으로 현재 상태의 확률을 갱신한다. 과거 날짜의 확률을 계산할 때 그 뒤의 가격까지 본 확률을 사용하면 주문 시점을 재현할 수 없다.

거래량에 주간 반복이 있는지 보려면 평일별 평균부터 비교할 수 있다. 반복되는 주기가 미리 알려져 있지 않다면 Fast Fourier Transform(고속 푸리에 변환, FFT)으로 서로 다른 주파수 성분의 크기를 비교한다. 한 번의 폭증이나 창의 양 끝에서도 강한 주기가 있는 것처럼 보일 수 있어 다른 과거 구간에서 확인한다. 경로 시그니처와 FFT의 변환 자체는 고정 규칙으로 계산할 수 있다. 주파수, 차수, 입력 선택을 자료에 맞춰 정했다면 그 선택에 사용한 구간도 기록한다.