FIXED INCOME / FIELD NOTES

예상수익 안에 섞인 팩터 노출

좋은 예상수익은 시장위험 노출과 어떻게 구분하는가?

여러 종목의 가격이 같은 방향으로 움직이면 각각의 종목 위험을 독립적으로 더할 수 없다. HRT 글은 공통 움직임을 소수 팩터로 표현하고 남은 부분을 개별 위험으로 나누는 모형을 설명한다. 모든 종목쌍의 공분산을 직접 추정하는 부담을 줄이고 위험추정을 안정화하려는 접근이다.

예상수익에도 공통 팩터에 기울어진 부분이 섞일 수 있다. 이를 팩터 방향 노출과 팩터로 설명되지 않는 나머지 예측수익인 직교 알파로 분리하면 어떤 위험을 늘리며 수익을 기대하는지 확인할 수 있다. 가격예측을 포트폴리오로 옮길 때 수익전망과 위험제약을 연결하는 과정이다.

사후 손익도 공통 팩터와 개별 부분, 각각의 방향과 시점 선택으로 나눠 해석한다. 시장 전체가 유리했던 기간의 수익과 종목선택의 기여를 구별할 수 있다는 뜻이다. 공개된 주식 기본모형이 HRT의 실제 전략을 그대로 보여주는 것은 아니며, 채권에서는 금리곡선·신용·유동성에 맞는 요인 정의가 추가로 필요하다.

SCOPE공개 예시는 주식용 기본모형이다. 실제 HRT의 신호·딥러닝 모형·거래비용·손익을 확인한 자료는 아니다.

Evidence & verification ↓

Sources & evidence

Original passages appear only when checked against the publication. Earlier briefing records are identified separately.

예상수익 안에 섞인 팩터 노출0 primary · 1 archived +
EARLIER BRIEFING RECORD

These 1 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 ↓
Publication links ↑
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.