AI가 예상수익을 만들더라도 실제 포지션은 팩터에 평행한 성분과 팩터로 설명되지 않는 직교 알파로 나눠야 한다. 사후 P&L도 팩터 기울기, 고유 기울기, 팩터 타이밍과 고유 타이밍으로 귀속하면 모델이 방향을 맞힌 것인지 공통 위험을 우연히 보유한 것인지 구분할 수 있다. 공개 예시는 주식용 기본모형이며 HRT의 실전 전략·P&L은 공개되지 않았다.
국고채·회사채에서는 레벨·슬로프·커브, 등급·업종·유동성·캐리를 팩터로 정의한다. AI 예상수익을 위험성분과 직교성분으로 분해해 DV01·CS01·회전율·거래비용 한도 안에서 최적화하고, 실현손익을 신호·위험·집행비용으로 매일 되돌려야 한다.
Read the full daily briefing →
Show the original briefing text
구분: 퀀트·마켓메이킹 회사 공식 Algo 글·팩터모형과 최적화
발표일: 2023년 3월 9일
선정 이유: 최신성보다 예측→포지션→P&L 귀속을 연결하는 기술적 가치 때문에 선정
핵심 요약
Hudson River Trading의 공식 글은 여러 거래팀이 포트폴리오의 위험과 성과를 이해하기 위해 자체 모형을 관리한다고 설명하며, 선형 팩터모형을 포트폴리오 최적화와 손익귀속에 연결한다. 수천 종목의 경험적 공분산을 직접 추정하는 대신 소수 팩터 적재량과 고유위험으로 나누면 저장·계산량을 크게 줄이고 변동성 추정의 안정성을 높일 수 있다. 예상수익도 팩터 방향 노출과 팩터로 설명되지 않는 직교 알파로 분리하고, 사후 P&L을 팩터 기울기·고유 기울기·팩터 타이밍·고유 타이밍으로 귀속한다. 공개 예시는 주식용 기본모형이며 HRT의 실제 전략·딥러닝 예측치·거래비용·P&L은 공개되지 않았다.
실무 시사점
공개자료에 기반한 수익 연결고리는 AI가 만든 예상수익을 그대로 주문하지 않고 공통 위험을 제거한 뒤 제한된 위험예산에 배분하며, 결과를 다시 신호와 위험요인으로 분해하는 데 있다. 예측오차가 낮아도 듀레이션·커브·신용 팩터에 숨어 있는 노출이 크면 실전 포지션으로는 부적합하다.
한국 시장 복제 아이디어
국고채·회사채의 팩터를 레벨·슬로프·커브, 등급·업종·유동성·캐리로 정의하고 AI 예상수익을 팩터 평행성분과 직교성분으로 분해한다. 포지션 최적화에는 DV01·CS01·회전율·거래비용·종목한도를 넣고, 실현 P&L을 팩터 노출·타이밍·고유선택·집행비용으로 매일 환류한다.