[서적] 인공지능 투자가 퀀트

제목: 인공지능 투자가 퀀트
지은이: 권용진

'퀀트의 탄생: 필자의 경험'
인공지능 연구를 전공으로 하고 있는 필자에게 있어서 인공지능을 활용한 투자 알고리즘 개발을 해봐야겠다는 생각은 자연스러운 전개였다. 사실 당시에는 퀀트라는 존재를 몰랐으나 박사과정 시절부터 인공지능 이론을 주식 투자에 접목시켜보고자 하였고 나름의 퀀트로의 길을 가고 있었다. 물론 본업으로 하고 있는 로봇 개발 연구활동을 하면서 틈틈이 진행하던 상황이라 큰 진척은 없는 상태였다. 요즘 웹 크롤링을 통한 데이터 획득 방법이 보편화 되고 있는데 지금과 같이 편리한 도구들이 많지는 않았지만 박사과정 당시 필자가 이미 주식 매매 지원 관련 프로그램 개발 시 사용하고 있던 방법이었다.
처음 주식 투자에 대한 프로그램을 개발할 당시에는 주식 투자를 쉽게 하기 위한 지원용 프로그램이었다. 그때 당시엔 증권사에서 제공해주는 api도 없었기 때문에 자동 매매 프로그램 개발을 위해서는 pc용 HTS를 활용할 수 밖에 없었다. pc 화면을 입력 받아서 키보드와 마우스를 움직여 직접 제어가 가능 할 듯 했고, 당시 애니팡이란 프로그램에 적용해서 지인 중 월등한 점수로 항상 1등을 차지하곤 했다. 우선 주식 투자의 매수/매도 시점을 정해주고 알람을 띄워주는 기능을 개발하고자 하였고 해당 기능 구현이 완성되면 그 이후 키보드 마우스 제어를 통한 자동 매매 기능을 적용 하고자 하였었다. 하지만 학업에 바쁜 나머지 제대로 된 프로그램을 완성하지는 못하였다. 그리고 졸업 이후에도 틈틈이 개발을 계속 진행하였다. 최근에는 자동 매매가 편하도록 각 증권사에서 api를 잘 제공해주고 있기에 자동 매매 프로그램은 손쉽게 구현 가능하였다. 자동 매매뿐 아니라 주식 데이터 수집도 손쉽게 할 수 있는 상황이 되었다. 하지만 역시나 문제는 매수/매도 종목과 시점을 정하는 인공지능 알고리즘의 개발이 문제였다. 졸업 이후 주식 자동 매매용 인공지능을 개발하던 시기에는 박사과정 동안 연구한 각종 이론을 적용하여 기능 구현하고자 하였었다. 하지만 기능 구현이 어려웠고 생각보다 수익을 얻기가 쉽지 않았다. 이후에도 언급하겠지만 무조건 최신의 복잡하고 정교한 기술을 사용하는 것이 혁신을 가져오지는 못한다. 이 당시에는 혁신에 대해 전혀 이해하지 못하던 시절이었다.

'마팅 게일 방식 투자'
본 책에서는 1900년대 최고의 투자가 에드워그 소프(Edward O. Thorp)의 이야기를 소개하며 그 당시 도박사들에게 인기 있던 '마팅 게일 방식' 투자를 소개한다. 처음 1을 걸고 패하면 2를 걸고, 또 패하면 4를 배팅하면서 한번만 이기면 원금을 회복하는 방법이다. 해당 방법은 필자가 자동 매매 프로그램 개발 초반에 적용하였던 방식이다. 해당 방식은 손해가 발생할 가능성을 낮출 수 있지만 한번 여러 번 연속으로 패했을 경우에는 걷잡을 수 없을 정도로 막대한 손해가 발생한다. 고작 1을 벌기 위해 엄청난 위험을 감수해야 하는 것이다. 투자금은 엄청나게 들어가지만 수익은 얼마 되지 않고 손해가 발생할 때는 엄청나게 발생하는 이러한 방식은 너무도 비 효율적이었다.
손해 발생 이후 배팅금액을 늘리기 되면 위험도가 급격히 증가하게 되며 금세 투자 가능 금액 한도를 넘기게 된다. 투자 가능 한도를 넘기는 사례는 종종 발생 할 수밖에 없으며 최종 마지막 한번에 영혼까지 다 끌어 모아서 배팅을 하게 되고 마지막이라 생각했던 배팅에서까지도 손실이 발생하게 되는 경우 안타까운 일이지만 한강 구경을 한번쯤 하고 오게 될 것이다. 나는 아니야 라고 생각하는 분들이 많겠지만 변형된 형태의 마팅 게일 투자 방식은 많은 투자자들이 사용하는 방식이다. 대부분의 투자자들은 소위 말하는 물타기를 한다. 마이너스 수익률이 발생했을 때 추가 매수해서 마이너스 수익률 값을 낮추는 투자 방식을 말한다. 물타기가 무조건 나쁘다고 말하는 것은 아니다 다만 추가 매수를 할 때마다 투자 위험도가 증가하는 것이라는 것을 잊지 말아야 한다.

'캘리 공식'
소프가 섀인 교수에게 배운 캘리 공식은 게임이 유리한 경우 얼마를 배팅해야 최적의 수익을 얻는지에 관한 공식으로서 워런 버핏과 빌 그로스 등의 투자자들이 사용하면서 큰 인기를 끌었다.

배팅 비율 = (배당 X 승리 확률 - 패배확률) / 배당

어찌 보면 당연한 공식이다. 승리 확률이 높을 수록 그리고 배당이 클 수록 배팅을 많이 하며, 승리 확률이 50%이하면 배팅을 하지 않는다. 승률이 50% 이상인 경우 최대한 빠른 시간 내 목표 수익을 얻기 위해서는 항상 배팅을 100%로 해야 한다. 하지만 아무리 승리 확률이 50% 이상이라고 하더라도 배당이 1(배당=승리 시 수익/패배 시 손실)인 경우 한번에 전 자산을 잃고 파산하게 된다. 반면 배팅율이 너무 낮은 경우에는 파산은 하는 경우는 거의 없겠지만 평생 동안 투자를 해도 목표 수익에 도달하지 못 할 가능성이 크다. 파산의 위험을 최소화하며 최대한 빠른 시간 내 목표 수익을 얻기 위해서는 적절한 비율로 배팅을 진행할 필요가 있다.
이전 투자의 손실 또는 수익 여부에 따라 투자금액을 정하는 것은 좋지 않은 선택이라 생각하지만 매 투자시 승률에 따라 투자금액을 정할 필요는 있다. 인공지능을 통한 투자 시에는 승률 예측이 가능하며 그에 따라 투자금액 선택이 가능 할 것이다. 물론 승률 예측의 정확성 검증이 된 이후 적용해야 할 것이다.

'옵션 가격 결정의 혁신; 블랙-숄즈 방정식'
-풋 옵션: 일정 기간 이후 특정 가격으로 상품을 팔 수 있는 권리
-콜 옵션: 일정 기간 이후 특정 가격으로 상품을 살 수 있는 권리
풋 옵션과 콜 옵션 자체는 보험의 성격을 가지는 상품이다. 하지만 각 옵션의 적정한 가격 책정이 어려웠던 관계로 거래가 많지 않고 활성화 되지 못하였다. 블랙-숄즈 방정식은 어떤 종류의 옵션이라도 조건을 넣으면 가격을 알려주는 방정식이며 그 덕분에 옵션시장이 생길 정도로 활발하게 상품이 개발되고 거래되었다. 현대 금융사에서 뉴턴 방정식이나 아인슈타인의 상대성 이론에 비견될 정도의 위대한 발견으로 받아들여지고 있다.
최근 혁신이라 일컬어지는 제품들도 비슷한 경향을 갖는다. 기존에 없던 새로운 것을 만든 것은 아니다. 예를 들어 스마트폰의 경우도 기술은 기존에 이미 다 있던 기술인데 s/w 마켓을 열고 온라인을 통해 매매가 가능하도록 하여 새로운 시장을 연 것이다. 테슬라 역시 전기차가 기존에 없던 것도 아니고 자율주행 기술의 경우 관련 업계에서 최하위의 기술력을 가진 것으로 평가 받고 있다. 뿐만 아니라 품질 평가도 최하위를 기록하고 있다. 다만 제어기 통합, 저가형 모터 및 센서 활용을 통한 자율주행 및 전기차 플랫폼 상용화, 기가팩토리를 통한 배터리 생산 비용 저감에 기존과의 차별성이 있을 뿐이다. 현대에 있어 혁신 여부는 대중화가 가능하도록 하느냐 마느냐의 문제인 듯하다. 퀀트 역시 마찬가지일 듯 하다. 쉽고 빠르고 효율적이며 누구나 접근이 손쉬운 가성비가 좋은 인공지능 투자가 또 다른 혁신을 가져 올 지도 모르겠다.

'알파를 찾아라'
주식에는 정보 차이로 틈이 생길 수 있으며 이를 '알파'라도 부른다. 동일한 종목이라도 국가간 잠깐의 차이라던가 복수의 종목가간 간격이 잠깐 벌어지더라도 평균적인 간격으로 다시 돌아오는 평균회귀(mean reverting)이라던가 하는 주식시장에서의 잠깐의 틈을 찾아내고 그 틈을 이용하면 상당한 수익을 얻을 수 있었다.

데이비드 쇼의 방식은 여러 개의 묶음 주식 안에서 서로간의 영향을 분석해서 통계적 틈이 발생하면 거래를 하도록 한다. 어느 업체가 큰 혁신을 해서 대중에게 아주 좋은 평을 받았고 그에 따라 주가가 많아 올랐다고 생각하자 그렇다면 동종업계의 다른 업체들은 어떻게 될까? 치킨 게임을 통해 도태돼버리는 경우도 있겠지만 선두 업체의 혁신에 의해 새로운 시장이 열리고 그에 따라 함께 크게 성장 할 수도 있을 것이다. 물론 선두 업체에 비해 크게 성장하지는 못하겠지만 점점 따라가는 형국을 취할 것으로 생각한다. 최근 동향을 예를 든다면 코로나19로 인해 치료제나 백신을 개발하는 업체들의 주가가 다 같이 오르고, 테슬라가 주목 받아 주가가 오르니 관련 부품 업체들의 주가도 함께 오른다. 주가를 통해 업계의 동향을 파악하고 그에 따른 알파를 찾아내는 인공지능 개발 가능하지 않을까 싶다.

'요인분석기법; 마이다스의 등장'
피터 멀러가 이끄는 모건스탠리의 PDT(Process Driven Trading)팀은 최초로 빅데이터를 통해 주가에 영향을 미치는 요인들을 분석해냈다. 뱀버거나 쇼 박사의 주가 요인들만을 통해 차익거래를 하던 기존 방식과 달리 기업의 직원 수, 미국 수출 현황, 시가 총액 등 각종 빅데이터를 바탕으로 주가 변동 요인을 찾았고 그 요인에 의해 예상되는 주가와 실제 주가와의 차익을 통해 수익을 발생시켰다. 거래 기회 포착에서부터 수익률 계산까지 모든 것을 자동으로 하는 이 트레이딩 시스템은 무엇이든 손만 대면 금으로 변하는 '마이다스'라는 신의 이름으로 불렸다.

주식간의 격차를 바탕으로 기존의 프로그램과 달리 해당 인공지능은 주식의 가치를 분석해 낼 수 있었고 실제 주가와의 차이를 바탕으로 수익을 내는 것이었다. 블랙-숄즈 방정식 또는 마이다스는 특정 상품 또는 주가의 정확한 가치 측정을 통해 큰 혁신을 이룰 수 있었다.

'숨겨진 패턴을 찾아라'
과거 시간적 공간적 주가의 차이 또는 예상 주가와 실제 주가간 차이의 틈에 따른 투자가 주를 이루었지만 1978년 설립된 르네상스테크놀로지라는 헤지펀드를 시작으로 주가 변동의 패턴 분석을 바탕으로 주가의 흐름을 예측하려는 움직임이 시작되었다. 필자의 인공지능 주식투자 프로그램도 패턴 분석에 기반에 기반을 두고 있다.

'초단타의 등장'
투자자들과 달리 트레이더들은 시장미시구조에 탁월했다. 특히 상대 알고리즘과 거래 움직임을 파악하는 알고 트레이더들은 실제 투자를 진행함에 있어 대량 물량의 거래나 주문에 의해 시장 충격이 발생하며 그 순간의 틈을 이용해 수익을 올리게 되었다. 대량의 매도로 인해 일시적인 매수 물량 소멸로 인한 시장 충격 발생시 순간적으로 낮아진 가격에 매수하여 가격 정상화 이후 다시 매도하는 방식으로 차익을 남길 수 있을 것이다. 그리고 또 다른 예로는 불법적인 매매 형태로서 대량 물량 주문이 나오는 순간 해당 물량의 수량을 매수한 이후 가격을 약간 높여 해당 대량 주문에 팔게 되면 그만큼의 이득을 얻을 수도 있는 것이다.

그 결과 대량의 매매를 진행해야 하는 투자자의 입장에서는 대규모 투자 진행에 대한 의도를 들키지 않고 거래를 진행해야 하게 되었다. 무작정 큰 거래를 하게 되면 알고 트레이더의 먹잇감이 되어 불필요한 비용을 지불하게 되는 것이다. 시장 충격이 발생 할 정도로 큰 수량의 거래를 해야 하는 투자자라면 한번쯤 고민해봐야 할 사항이다.

'시장미시구조와 스프레드'
단기매매에서의 경우 일반적으로 장기투자 대비 상당히 작지만 짧은 기간의 투자를 통해 수익을 안정적으로 쌓아가는 것을 목표로 한다. 이 때 잦은 거래로 인해 수익률에 크게 영향을 미치는 주요 요소는 거래세와 증권사 수수료이다. 하지만 이에 더해 실 거래 시에서는 시장미시구조와 스프레드에 의한 손실도 전체 수익률에 상당한 영향을 미친다. 수급이 불 충분한 경우 원하는 가격보다 높은 가격에 사고 낮은 가격에 팔 수 밖에 없게 된다. 이러한 이유로 되도록이면 거래량이 많은 종목 또는 상품을 중심 투자를 해야 하며, 손실이 나지 않도록 신중한 투자를 해야 하겠다.

'인공지능 투자 성능 지표: 샤프지수'
투자 관련 주요한 성과 판단 지표는 수익률 일 것이다. 하지만 인공지능 자동매매에서는 이와 함께 매우 중요한 지표로 샤프지수라는 지표를 사용한다. 샤프지수는 수익률을 수익률의 표준편차로 나눈 값으로서, 값이 높게 나오는 인공지능일수록 안정적으로 높은 수익을 발생 시킬 수 있을 것으로 기대 받게 된다. 수익률이 높으면 높을 수록 값이 높으며 수익률의 표준편차가 낮으면 낮을 수록 값이 높게 나온다. 즉, 수익률에 비례하고 수익률의 표준편차에 반비례하는 지표로서 높은 수익률이 일정하게 나오는 경우 높은 값을 가지게 된다. 아무리 높은 수익률을 가진다 하더라도 편차가 너무 커서 어떨 때는 수익이 엄청나게 높지만 어떨 때는 손해가 엄청나다면 안정적인 투자가 어렵다고 판단하게 된다.

샤프지수 = 수익률 / 수익률의 표준편차

'시뮬레이션 및 s/w 운용 환경의 가치'
인공지능 개발에 있어서 시뮬레이션 환경은 필수적 요소이다. 하지만 메릴린치와 같은 유명 투자은행의 퀀트 조직에서도 인공지능 성능 검증을 위한 시뮬레이션 환경의 필요성을 절감하고 이를 위한 환경 구축에 나섰다. 퀀트 개발을 시작하는 독자라면 처음부터 시뮬레이션 환경을 잘 구축해서 시작 할 수 있기를 바란다. 당장의 결과를 보고 싶은 마음에 무시해버린다면 오히려 먼 길을 돌아가게 될 것이 틀림없다. 물론, 인공지능 시뮬레이션을 위한 필요 요소나 기능들을 확인하기 위해 파일럿 형태의 인공지능 로직 개발 정도는 가볍게 시작한 이후 시뮬레이션 환경을 구축하는 것도 나쁘지는 않다고 본다.

자동투자 프로그램의 운용에 있어 시뮬레이션의 존재만큼이나 중요한 요소가 하나 더 있다. 메릴린치와 같은 주요 투자은행에서도 왜 도입하지 않았을까라는 의문이 있지만 s/w의 프로덕션 테스트를 위한 환경이 필요하다. 저자의 퀀트 그룹 경험을 통해서도 알 수 있지만 s/w가 실제 시장에서 안정적으로 구동하도록 하는 일은 매우 어려운 일이다. 특히나 계속적으로 업데이트 되어야 하는 s/w의 경우에는 더더욱 그렇다. 실제 시장에서 운용하는 서버를 복수 개 구비하여야 한다. 그리고 그 중 하나는 본격적인 투자를 진행하기에 앞서 실제 주식 장에서 어떻게 동작하는지 알아보기 위한 용도로 전체적으로 매우 적은 금액을 투자하도록 하는 배포 테스트용 서버로 사용해야 한다. 새로 도입되거나 업데이트 된 s/w에 의해 다른 투자 알고리즘들이 정상 동작하지 않게 되는 현상을 사전에 확인하고 개선 가능하다.

관련글: https://ai-trader.tistory.com/35


[서평]
퀀트에 관한 정보 조차 부족하던 시절 미국 유명 투자은행의 퀀트 그룹에 과감히 도전하고 퀀트로서 성장해간 저자의 열정과 개척정신에 찬사를 보낸다. 초반부에서는 퀀트의 발전사와 그에 따른 주요한 배경적 지식을 잘 알려주고 있어서 퀀트에 관한 전반적인 이해에 큰 도움이 되었다. 그리고 중 후반부에서는 저자가 퀀트로서의 경력을 쌓아가는 과정을 보여주며 최근까지의 퀀트 업계의 전반적인 분위기와 투자은행이나 헤지펀드에서 퀀트를 어떻게 운용하고 있는지에 대해 알 수 있었다. 그 동안 막연하게 뭔가 고차원적이고 엄청난 시스템을 갖추고 있을 것이란 생각에 큰 진입 장벽이 있을 것이란 두려움이 있었다. 하지만 책을 읽어갈 수록 생각보다 주가 또는 상품의 가격 변동 예측을 통한 투자 능력에 있어서는 그렇게 고도화 되지는 못한 느낌을 받았으며, 아직 개인들도 충분히 퀀트로서의 성공을 거둘 수 있을 것이란 희망을 갖게 되었다. 물론 많은 인원들이 큰 비용을 들여서 구축해놓은 시스템은 없지만 각자의 시장에 대한 이해와 새로운 아이디어로 충분히 안정적인 수익을 얻을 수 있을 듯 하다.