전략 성과의 시간 가변적 특성
전략 성과는 고정된 속성이 아닙니다. 한 기간에 강한 수익을 낸 트레이딩 전략이 다른 기간에는 더 약하거나 심지어 마이너스 수익을 낼 수도 있습니다. 이러한 변동은 단순한 무작위 잡음이 아니라 시장 상황, 참여자 행동, 규제 체계의 변화를 반영하는 경우가 많습니다. 많은 퀀트 전략은 역사적 백테스트에 따르면 10년 이상 전에 오늘보다 훨씬 더 좋은 성과를 보인 것으로 나타납니다. 그러나 이러한 겉보기 성과 저하는 부분적으로는 백테스트가 구성되는 방식의 인공적 산물이며, 부분적으로는 시장 진화의 진정한 결과입니다. 초기 백테스트 결과가 매력적으로 보이는 한 가지 주요 이유는 시장 환경이 달랐기 때문입니다. 퀀트 헤지펀드가 더 적게 활동하던 시절에는 동일한 이상 현상(anomaly)에 대한 경쟁이 덜했습니다. 가격 비효율성이 더 오래 지속되었고, 매수-매도 스프레드가 더 넓었기 때문에 마켓 메이커는 유동성 공급에 대한 더 큰 보상을 요구했습니다. 만약 백테스트가 오늘날의 좁은 스프레드와 낮은 거래 비용을 과거 데이터에 적용한다면, 당시 실제로 달성 가능했던 수익을 과대평가하게 됩니다. 이는 비용 가정에서의 미래 정보 사용 편향(look-ahead bias)의 한 형태입니다. 또한, 역사적 데이터베이스의 생존 편향은 초기 성과를 부풀리는 경향이 있습니다. 백테스트가 더 과거로 거슬러 올라갈수록 더 많은 주식이 상장폐지되었으며, 이는 종종 파산이나 인수로 인한 것입니다. 데이터셋이 이러한 실패한 기업을 제외하면, 롱 온리(long-only) 전략은 실제로 존재했던 패자를 피한 것처럼 보입니다. 결과적으로 초기 연도는 비현실적으로 매끄럽고 긍정적인 결과를 보입니다. 마지막으로, 금융 시장은 규제, 거시경제 상황, 또는 시장 구조의 변화인 국면 전환(regime shift)을 겪으며, 이는 역사적 관계의 연속성을 깨뜨립니다. 서브프라임 위기, 주가의 소수점화(decimalization), 공매도 제한 철폐는 자산 수익률의 통계적 속성을 변화시킨 사건의 예입니다. 금융 시계열은 비정상적이기 때문에, 오래된 데이터가 현재 데이터와 동일한 과정을 따른다고 가정할 수 없습니다. 이는 더 많은 역사적 데이터가 항상 더 신뢰할 수 있는 백테스트로 이어진다는 일반적인 믿음에 도전합니다.
백테스트 인플레이션: 거래 비용과 시장 경쟁
거래 비용은 백테스팅의 중요한 구성 요소이지만 종종 지나치게 단순화됩니다. 과거에는 매수-매도 스프레드가 오늘날보다 상당히 넓었으며, 특히 소수점화와 전자 거래의 확산 이전에는 더욱 그랬습니다. 자주 거래하는 전략은 초기 수십 년 동안 훨씬 더 높은 비용을 부담했을 것입니다. 백테스트가 긴 역사에 걸쳐 단일한 현대적 비용 모델을 사용할 때, 이는 사실상 초기 기간에 전략에 비현실적인 이점을 부여합니다. 그 결과 성과 곡선은 매끄러운 상승 추세를 보인 후 최근 하락을 보일 수 있으며, 분석가들은 전략이 쇠퇴했다고 결론 내릴 수 있습니다. 실제로 그 하락의 일부는 지나치게 낙관적인 비용 가정의 수정에 불과합니다. 시장 경쟁도 역할을 합니다. 소수의 퀀트 펀드만이 특정 전략을 사용했을 때, 관련 알파—시장 노출로 설명되지 않는 초과 수익—는 지속될 수 있었습니다. 더 많은 자본이 동일한 전략에 유입되면 기회는 줄어드는 경향이 있습니다. 이를 흔히 알파 감쇠(alpha decay)라고 합니다. 더 많은 참여자의 존재는 스프레드를 좁히고, 유동성을 개선하며, 가격 이상 현상을 더 빠르게 제거할 수 있습니다. 따라서 거래 비용이 올바르게 모델링되었더라도, 초기 수익은 현재 달성 가능한 것보다 여전히 높을 수 있습니다. 이는 데이터 인공물이 아니라 기회 집합의 진정한 변화입니다. 그러나 경쟁의 효과와 편향된 비용 가정의 효과를 분리하는 것은 어렵습니다. 두 요인 모두 초기 백테스트 수익을 부풀리는 경향이 있습니다. 흔한 실수는 역사적 비용 구조가 현재와 유사하다고 가정하는 것입니다. 실제로 시장 충격, 슬리피지, 수수료는 극적으로 변했습니다. 예를 들어, 전자 주문 매칭이 널리 사용되기 전에는 대규모 주문을 실행하려면 전문가나 마켓 메이커와 협상해야 했으며, 종종 상당한 비용이 들었습니다. 이러한 마찰을 무시하는 백테스트는 오해의 소지가 있는 결과를 낳습니다. 따라서 전략의 역사적 성과를 평가할 때는 해당 기간에 적합한 거래 비용 모델을 사용하는 것이 필수적입니다. 그것이 불가능하다면, 분석가는 적어도 초기 결과가 과대평가되었을 가능성이 높다는 점을 인정해야 합니다. 핵심 요점은 초기 기간의 백테스트 수익이 시장 미시구조와 경쟁의 진화를 조정하지 않고는 최근 기간의 수익과 직접 비교할 수 없다는 것입니다.
생존 편향과 초기 데이터에서의 증폭
생존 편향은 데이터셋이 현재까지 살아남은 증권만 포함할 때 발생하는 오류를 말합니다. 파산하거나 상장폐지되었거나 인수된 기업은 제외됩니다. 이 편향은 장기 백테스트에서 특히 문제가 되는데, 과거로 거슬러 올라갈수록 누락된 기업의 수가 증가하기 때문입니다. 백테스트의 초기 연도에는 원래 유니버스의 더 큰 비율이 사라졌습니다. 만약 그 누락된 기업들이 주로 패자였다면, 롱 온리 전략은 실제보다 더 좋은 성과를 보인 것처럼 보일 것입니다. 주식의 넓은 횡단면을 매수하는 단순한 롱 온리 전략을 생각해 봅시다. 생존 편향이 있는 데이터베이스에서 이 전략은 나중에 0이 되는 주식을 절대 보유하지 않습니다. 결국 성공하거나 적어도 생존한 주식만 보유합니다. 결과적으로 백테스트는 파산과 심각한 하락의 전체 영향을 피합니다. 이는 특히 더 많은 실패가 데이터셋에서 제거된 초기 기간에 수익을 부풀립니다. 왜곡은 시간에 걸쳐 균일하지 않으며, 오래된 데이터에 대해 더 큽니다. 따라서 초기 성과를 최근 성과와 비교하는 것은 오해의 소지가 있습니다. 전략 성과의 겉보기 하락은 부분적으로 더 적은 기업이 사라진 최근 데이터에서 생존 편향이 감소한 것을 반영할 수 있습니다. 편향의 방향은 전략에 따라 달라진다는 점에 유의하는 것이 중요합니다. 롱 온리 전략의 경우 생존 편향은 수익을 과대평가하는 경향이 있습니다. 숏 온리 전략의 경우 누락된 파산이 수익성 있는 공매도였을 것이므로 수익을 과소평가할 수 있습니다. 시장 중립 또는 롱-숏 전략의 경우 순 효과는 상대적 가중치와 누락된 기업의 성격에 따라 달라집니다. 그럼에도 불구하고 일반 원칙은 유지됩니다: 백테스트가 더 과거로 거슬러 올라갈수록 생존 편향이 결과를 왜곡할 가능성이 더 큽니다. 이 편향을 완화하려면 분석가는 상장폐지된 증권과 그 역사적 가격을 포함하는 시점별(point-in-time) 데이터베이스를 사용해야 합니다. 이러한 데이터베이스는 더 비싸고 구축하기 어렵지만, 당시 실제로 투자 가능했던 것에 대한 더 정확한 그림을 제공합니다. 그러한 데이터가 없으면 전략의 역사적 성과, 특히 초기 연도에 대한 모든 결론은 주의해서 다루어야 합니다. 생존 편향이 있는 데이터셋을 사용한 후 전략이 시간이 지남에 따라 쇠퇴했다고 결론 내리는 일반적인 관행은 단순히 데이터의 인공물일 수 있습니다.
