장기기억과 최대 손실 연구

구분: 논문 · arXiv / Quant Risk Management
발표일: 2026년 7월 31일
원문 링크: https://arxiv.org/abs/2608.00127

핵심 요약

이 연구는 “Sharpe가 X인 전략이면 정상적인 drawdown은 어느 정도인가?”라는 systematic trading의 실무 질문을 다룬다. Gaussian Brownian-motion 가정을 출발점으로 하되 skewness, fat tail, volatility clustering, Sharpe 추정오차와 fractional Brownian motion 기반 장기기억을 차례로 추가한다. 최대낙폭뿐 아니라 최대손실, 마지막 손실시점, 최장 회복기간까지 별도로 계산했는데, 각 위험지표가 비가우시안성에 서로 다르게 반응하므로 하나의 MDD table만으로 리스크를 관리하기 어렵다는 결과다.

특히 persistence가 높은 전략의 큰 drawdown은 단순한 “나쁜 path geometry”보다 square-root-of-time scaling이 깨지면서 분산이 훨씬 빠르게 증가하는 효과에서 상당 부분 나온다고 분석한다. 연구는 재현 가능한 calibration recipe와 lookup table도 제공한다.

실무 시사점

ML 전략은 보통 OOS Sharpe를 보고

“Sharpe 1.5니까 괜찮다.”

고 생각하기 쉽다.

하지만 두 전략이 Sharpe 1.5라도:

• 하나는 독립적인 작은 손익이 반복되고
• 다른 하나는 autocorrelation과 volatility clustering이 강하면

예상 최장 drawdown과 회복기간은 크게 다를 수 있다.

채권 상대가치 전략에서는 특히 중요하다. 10/30 mean reversion이나 basis trade는 작은 이익이 오래 쌓이다 regime break 때 손실이 연속적으로 발생하는 구조일 수 있기 때문이다.

한국 적용: 전략마다 Sharpe뿐 아니라 최소한

MDD distribution
Expected recovery time
Loss clustering
PnL autocorrelation

을 함께 scorecard에 넣는 것이 좋다.

AI 전략의 risk budget 역시 최근 volatility만 annualize해서 정하기보다 long-memory-adjusted risk를 같이 보는 것이 적절하다.

데스크 적용 우선순위: ★★★★☆