핵심 원칙: 양의 기대값 시스템을 위한 더 많은 기회
양의 기대값을 가진 트레이딩 시스템은 평균적으로 거래당 이익을 창출하는 우위를 가지고 있습니다. 일정 기간 동안의 총 기대 수익은 대략 거래당 기대값에 실행한 거래 횟수를 곱한 값입니다. 따라서 우위가 안정적으로 유지되고 거래가 독립적이라면, 주어진 기간 내 거래 횟수를 늘리면 총 기대 이익이 증가합니다. 이것이 연구 노트의 핵심 아이디어입니다: "적절한 양의 기대값을 가진 시스템은 주어진 기간에 더 많은 거래를 하면 개선될 것이다." 논리는 더 많은 거래가 마법처럼 우위를 만들어낸다는 것이 아니라, 이미 존재하는 우위가 더 자주 적용된다는 것입니다. 큰 수의 법칙은 또한 더 많은 독립적 거래가 있을수록 실현된 결과가 기대값에 수렴하는 경향이 있어 무작위적인 연속의 영향을 줄인다는 것을 시사합니다. 그러나 이 원칙에는 경계가 있습니다. 거래 비용, 슬리피지, 시장 충격은 거래 빈도가 높아질수록 우위를 잠식할 수 있습니다. 또한 우위는 이러한 비용 이후에도 양수로 유지되어야 합니다. 시스템이 너무 자주 거래하면 음의 기대값으로 넘어갈 수 있습니다. 따라서 노트의 진술은 현실의 마찰을 견뎌내는 "적절한" 양의 기대값을 가정합니다. 이러한 한계 내에서 거래 횟수를 늘리는 두 가지 주요 방법은 더 많은 시장을 추가하는 것과 더 많은 독립적 시스템을 추가하는 것입니다. 각 방법은 원래 시스템의 핵심 논리를 반드시 바꾸지 않으면서 기회 집합을 확장합니다. 이 글의 나머지 부분에서는 이러한 방법이 어떻게 작동하는지, 어떤 조건을 필요로 하는지, 그리고 어디에서 실패할 수 있는지 살펴봅니다. 초점은 특정 트레이딩 권장 사항이 아니라 메커니즘과 포트폴리오 구성에 있습니다.
기회를 확장하기 위한 독립적 시장 추가
거래 횟수를 늘리는 한 가지 방법은 동일한 시스템을 더 넓은 시장 집합에 적용하는 것입니다. 연구 노트는 좋은 시스템이 여러 다양한 시장에서 잘 수행될 수 있으므로 시장을 추가하는 것은 단순히 더 많은 기회를 제공한다고 관찰합니다. 예를 들어, 원유 선물에서 작동하는 추세 추종 시스템은 채권 선물, 통화 쌍 또는 주가지수 선물에도 적용될 수 있습니다. 각 추가 시장은 고유한 가격 시계열과 고유한 추세, 횡보, 변동성 패턴을 가져옵니다. 시스템에 진정한 우위가 있다면 각 시장에서 그 우위를 추출할 수 있습니다. 이점은 더 많은 거래뿐만 아니라 분산투자에도 있습니다. 한 시장이 조용하거나 시스템에 반대로 움직일 때, 다른 시장은 추세를 보일 수 있습니다. 이는 포트폴리오 수익의 전반적인 변동성을 줄일 수 있습니다. 그러나 핵심 단어는 "독립적"입니다. 밀접하게 관련된 두 주가지수와 같이 상관관계가 높은 시장을 추가하는 것은 새로운 정보나 기회를 많이 제공하지 않습니다. 그들의 가격 움직임은 종종 겹치므로 시스템은 두 시장에서 유사한 포지션을 취할 수 있어, 분산투자가 아니라 사실상 위험을 두 배로 늘립니다. 진정한 독립성은 서로 다른 자산 클래스, 서로 다른 지역 또는 서로 다른 경제적 동인에서 나옵니다. 실질적인 고려 사항도 중요합니다. 각 시장은 고유한 계약 사양, 유동성, 거래 시간 및 거래 비용을 가지고 있습니다. 유동성 있는 선물에서 작동하는 시스템이 조정 없이 유동성이 낮은 시장에 직접 적용되지 않을 수 있습니다. 노트의 전제는 견고한 시스템이 시장 전반에 일반화된다는 것이지만, 견고성은 가정하는 것이 아니라 테스트해야 합니다. 또한 데이터 품질과 실행 인프라가 추가 시장을 지원해야 합니다. 요컨대, 독립적인 시장을 추가하면 기회를 확장하고 수익을 완만하게 할 수 있지만, 시장이 진정으로 구별되고 시스템의 우위가 각 시장의 특정 조건에서 살아남을 때만 가능합니다.
별도의 포지션 사이징을 가진 상관관계 없는 시스템 결합
시장을 추가하는 것 외에도, 시스템은 다른 관련 없는 시스템과 결합함으로써 개선될 수 있습니다. 연구 노트는 각 시스템이 고유한 포지션 사이징 모델을 가져야 한다고 강조합니다. 이는 포지션 사이징이 각 거래가 감수하는 위험의 양을 결정하기 때문에 중요합니다. 서로 다른 시스템은 서로 다른 신호 빈도, 변동성 프로필 및 낙폭 특성을 가집니다. 단일 포지션 사이징 규칙이 모든 시스템에 적합하지 않을 수 있습니다. 예를 들어, 느린 추세 추종 시스템은 시장 변동성에 따라 포지션을 조정하는 변동성 기반 사이징 모델을 사용할 수 있는 반면, 단기 평균 회귀 시스템은 타이트한 손절매를 가진 고정 비율 모델을 사용할 수 있습니다. 각 모델은 시스템의 우위를 위험 조정 포지션으로 변환합니다. 시스템이 상관관계가 없다면, 그들의 수익은 서로 다른 시장 환경에서 서로 상쇄될 수 있습니다. 한 시스템이 손실을 볼 때 다른 시스템은 이익을 볼 수 있으며, 이는 결합된 포트폴리오의 낙폭 깊이와 길이를 줄일 수 있습니다. 연구 노트는 구체적인 예를 제공합니다: 시장 통합을 활용하는 매우 단기적인 시스템과 결합된 주요 추세 추종 시스템입니다. 두 시스템이 서로 다른 시장 조건에서 이익을 얻기 때문에, 결합은 어느 하나만 사용하는 것보다 더 안정적일 수 있습니다. 단기 시스템은 시장이 횡보할 때 이익을 창출하여 추세 추종 시스템의 손실을 상쇄할 수 있습니다. 강한 추세가 결국 나타나면 추세 추종 시스템이 이를 포착합니다. 노트는 또한 결합된 포트폴리오가 추세 시스템만으로는 손실을 볼 시기에 전반적으로 이익을 낼 수도 있다고 제안합니다. 이것이 전략 수준에서의 분산투자의 본질입니다. 그러나 상관관계는 정적이지 않습니다. 역사적으로 상관관계가 없었던 두 시스템이 시장 스트레스 동안 상관관계를 가질 수 있습니다. 따라서 시스템 간의 관계를 모니터링하는 것은 결합을 관리하는 일부입니다. 또한 각 시스템은 독립적으로 양의 기대값을 가져야 합니다; 좋은 시스템을 나쁜 시스템과 결합한다고 해서 더 나은 전체가 만들어지지는 않습니다.
