리스크와 측정

백테스트에서 연 15% 수익률을 기록한 전략이 실제 운용에서는 2.3%에 그쳤습니다. 2014년 Bailey와 Lopez de Prado의 연구에 따르면 이러한 격차는 예외가 아니라 일반적인 현상입니다. 원인은 운이 나쁜 것이 아닙니다. 잘못된 측정 때문입니다.

우리가 신뢰하는 지표는 종종 오해를 불러일으킨다

퀀트 금융에서 가장 많이 인용되는 수치인 샤프 비율은 수익률이 정규분포를 따른다고 가정합니다. 하지만 현실에서는 그렇지 않은 경우가 대부분입니다. 옵션형 수익 구조, 꼬리 위험 노출, 레버리지를 가진 전략은 치명적인 낙폭이 지표가 숨기고 있던 것을 드러내기 전까지 뛰어나 보이는 샤프 비율을 만들어낼 수 있습니다. 작은 수익을 꾸준히 거두면서 드물지만 파괴적인 손실을 흡수하는 전략은 실제보다 훨씬 안전해 보일 수 있습니다.

샤프 비율이 정확히 측정되더라도 선택 편향이 이를 부풀립니다. 백 가지 전략 변형을 테스트하고 가장 좋은 것을 보고하면, 그 승리한 샤프 비율은 거의 확실히 과대평가된 것입니다. Bailey와 Lopez de Prado가 도입한 디플레이티드 샤프 비율은 시행 횟수를 조정하여 이를 보정하며, 많은 "인상적인" 결과를 통계적 잡음으로 바꿉니다.

백테스트는 증거가 아니다

백테스트 수익과 실제 수익 사이의 격차는 퀀트 금융에서 가장 잘 문서화된 현상 중 하나입니다. 과거 데이터에 대한 과적합, 거래 비용 무시, 시장 충격 미반영이 모두 합쳐져 서류상 수익률을 현실보다 좋게 보이게 만듭니다. Harvey, Liu, Zhu는 이 분야에서 테스트된 가설의 수를 고려하면 전통적인 t-통계량 기준 2.0이 너무 낮다고 주장했습니다. 그들이 제안한 3.0의 기준은 대다수의 거짓 발견을 걸러냅니다.

기초로서의 측정

정직한 리스크 측정은 부차적인 문제가 아닙니다. 퀀트 투자의 모든 의사결정이 그 위에 놓이는 토대입니다. 포지션 규모 결정은 변동성 추정에 의존합니다. 전략 선택은 낙폭 분석에 달려 있습니다. 포트폴리오 구성은 상관관계 측정에 좌우됩니다. 이러한 입력값 중 하나라도 잘못되면 후속 의사결정에서 오류가 복합적으로 증폭됩니다.

이 섹션의 글들은 리스크 측정의 도구와 함정을 면밀히 분석합니다: 샤프 비율이 실제로 무엇을 알려주는지(그리고 무엇을 알려주지 않는지), 최대 낙폭이 분산 기반 지표가 놓치는 위험을 어떻게 드러내는지, 변동성 타겟팅이 수익률을 어떻게 안정화할 수 있는지, 그리고 거래 비용이 백테스트 알파를 어떻게 조용히 잠식하는지를 다룹니다. 목표는 정량적 분석을 막는 것이 아니라 더 엄밀하게 만드는 것입니다 — 이 분야에서는 측정의 질이 결과의 질을 결정하기 때문입니다.