평균 수익 대비 변동성이 같은 전략이라도 손실이 이어지는 방식은 다를 수 있다. 연구는 정규분포와 브라운 운동을 출발점으로 삼아 수익의 비대칭, 큰 손실이 자주 나오는 꼬리, 변동성이 몰리는 현상을 차례로 더한다. 단일 낙폭 수치가 이런 경로 차이를 충분히 담는지를 묻는다.
모의실험에서 최대낙폭 외에 최대손실, 마지막 손실이 나타난 시점, 가장 긴 회복기간을 따로 계산한다. 성과비율의 추정오차와 과거 수익 영향이 오래 남는 장기기억도 고려한다. 보존된 결과는 각 위험지표가 정규분포에서 벗어나는 정도에 서로 다르게 반응했다고 설명한다.
수익의 지속성이 높으면 시간의 제곱근에 따라 위험이 늘어난다는 통상적 관계가 깨질 수 있다는 분석도 있다. 큰 낙폭을 우연히 나쁜 경로만으로 설명하기 어려운 이유다. 다만 이는 확률과정을 설정한 모의실험이므로 국내 전략의 회복기간을 그대로 예측하지 않으며 실제 수익자료의 성질을 먼저 확인해야 한다.
SCOPE역사적 모의실험 기록이다. 설정한 분포와 기억구조에 따른 결과이며 실제 전략의 미래 손실 한도를 보장하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Drawdown Risk Beyond Brownian Motion: A Monte-Carlo Framework, Non-Gaussian Extensions, and Long Memory0 primary · 2 archived +
These 2 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
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: ★★★★☆