레짐 앙상블 —
국면 따라 옷 갈아입기
"어느 전략이 제일 좋은가"는 "여름옷과 겨울옷 중 무엇이 좋은가"만큼 잘못된 질문이다. 이전 모듈에서 얻은 강세 확률 P를 그대로 배합 비율로 써서, 공격과 방어를 스위치가 아니라 연속 혼합으로 잇는다. 그리고 이 모듈을 만들며 실제로 저지른 평가 기준 설계 실수 하나를 그대로 공개한다 — 방어 전략을 절대 샤프로 채점하면 성공이 실패로 기록된다.
가장 잘 달리던 종목이 가장 깊게 떨어졌다
단일 챔피언 전략을 찾는 대신, 국면을 읽고 성격이 다른 전략을 갈아입는다 — 이 모듈의 결론이다.
챔피언 전략의 가장 나쁜 일주일
2020년 3월, 코로나 급락이 세계 시장을 덮쳤을 때 기묘한 일이 벌어졌다. 직전까지 가장 잘 달리던 종목들이 가장 깊게 떨어진 것이다. "오르던 것을 산다"는 모멘텀 전략은 정의상 그 종목들을 가득 담고 있었고, 몇 년치 성적을 몇 주 만에 반납했다.
모멘텀이 나쁜 전략이라서가 아니다. 추세가 이어지는 장에서 모멘텀은 오래 검증된 강자다. 문제는 폭락장에서 어제의 승자가 오늘 가장 크게 무너지는 추세 반전이 일어난다는 것이고, 이런 "모멘텀 붕괴"는 학술 문헌에도 반복적으로 기록되어 있다. 반대로 출렁임이 작은 저변동 방어 포트폴리오는 강세장에서는 답답하지만 폭락장에서 덜 깨진다. 여름옷과 겨울옷 중 "어느 쪽이 더 좋은 옷이냐"고 묻는 것이 무의미하듯, 전략도 "무엇이 최고인가"가 아니라 "언제 무엇을 입을 것인가"가 올바른 질문이다.
마침 우리는 계절을 읽는 도구를 이미 갖고 있다. 이전 모듈(레짐 스위칭)이 매일 계산해 주는 강세 확률 P다. 이 모듈은 그 P를 판단의 스위치가 아니라 배합 비율로 쓴다 — 그것이 앙상블의 금융다운 형태다.
"모멘텀 붕괴(momentum crash)"는 2020년만의 일화가 아니다. 다니엘과 모스코비츠의 연구는 1930년대와 2009년 등 시장이 폭락 후 급반등하는 국면에서 모멘텀 포트폴리오가 극단적 손실을 겪는 패턴을 실증했다. 붕괴가 일어나는 시점이 시장 상태(패닉 이후 반등기)로 어느 정도 예측 가능하다는 것이 그 논문의 핵심 발견인데, 이는 곧 "국면을 조건으로 전략의 비중을 조절하라"는 이 모듈의 설계를 실증 쪽에서 지지하는 결과다.
생각해 볼 질문
강세장에서 잘 버는 전략과 약세장에서 덜 잃는 전략, 하나의 규칙이 둘을 동시에 잘할 수 없는 이유를 "베팅"이라는 단어를 써서 한 문장으로 말해 보자. §1이 그 답을 만든다.
출처 Daniel, K. & Moskowitz, T. (2016). "Momentum Crashes." Journal of Financial Economics 122(2). doi.org/10.1016/j.jfineco.2016.01.003
언제나 이기는 전략은 없다
시장의 통계적 성질 자체가 국면 따라 뒤바뀌므로, 하나의 규칙이 서로 반대인 두 성질에 동시에 베팅할 수는 없다.
모멘텀과 방어는 서로 반대에 베팅한다
전략이란 결국 시장의 특정한 통계적 성질에 베팅하는 규칙이다. 그런데 그 성질 자체가 국면(레짐)에 따라 뒤바뀐다 — "언제나 이기는 전략"이 논리적으로 성립하기 어려운 이유다.
| 전략 | 베팅하는 성질 | 유리한 국면 | 무너지는 국면 |
|---|---|---|---|
| 모멘텀 (공격) | "오르던 것이 계속 오른다" — 수익률의 자기상관 | 추세가 이어지는 강세장 | 추세 반전이 일어나는 폭락장 |
| 저변동 방어 | "출렁임 작은 자산이 위기에 덜 깨진다" | 폭락·불안 국면 | 모두가 달리는 강세장(상대적 부진) |
강세장에서는 추세 지속이 흔하니 모멘텀이 유리하고, 폭락장에서는 어제의 승자가 오늘 가장 크게 무너져 모멘텀이 최악의 피해자가 된다. 하나의 규칙이 서로 반대인 두 성질에 동시에 베팅할 수는 없다. 그렇다면 답은 하나다 — 성격이 다른 전략 여럿을 갖춰 두고, 국면을 읽어 갈아입는 것이다.
"베팅하는 성질"이라는 관점은 이 강의에서 배운 다른 기법에도 그대로 적용된다. 페어트레이딩은 "벌어진 스프레드는 되돌아온다"는 평균회귀에, 팩터 랭킹은 "이 특징을 가진 종목이 다음 기간에 상대적으로 낫다"는 횡단면 예측력에 베팅한다. 어떤 기법이든 자기가 무엇에 베팅하고 있는지를 한 문장으로 말할 수 있어야 하고, 그 성질이 깨지는 국면이 곧 그 전략의 약점 지도가 된다.
"전천후 단일 전략이 없다"는 명제에 균형을 하나 달아 두면 — 아무 국면에서나 평균적으로 조금씩 먹히는 전략(예: 광범위 분산 보유)이 없다는 뜻은 아니다. 없는 것은 모든 국면에서 최선인 전략이다. 국면별 최선이 서로 다르다는 사실이야말로 국면 정보에 가치가 있다는 뜻이고, 그 가치를 현금화하는 장치가 앙상블이다.
스위치 대신 배합 — P를 그대로 비율로 쓴다
확신이 애매한 날은 중간 배합의 옷을 입는다. 약세 확신이 커지면 배합이 방어로 기울 뿐 아니라 판돈 자체가 줄어든다.
최종 포트폴리오 = P×공격 + (1−P)×0.3×방어
이전 모듈의 강세 확률 P를 그대로 배합 비율로 쓴다. 공격은 모멘텀 상위 3종목, 방어는 저변동 상위 3종목 묶음이다.
\[ w \;=\; P \times w_{\text{공격}} \;+\; (1-P)\times 0.3 \times w_{\text{방어}} \]
스위치가 아니라 연속 혼합이라는 점이 핵심이다. P = 0.7이면 모멘텀 묶음에 70%, 저변동 묶음에 (1−0.7)×0.3 = 9%, 나머지 21%는 현금이다. P가 0.2로 떨어지면 모멘텀 20%, 저변동 24%, 현금 56% — 시장이 무서울수록 자동으로 웅크린다. 방어 항의 계수 0.3은 약세 확신이 커질수록 배합만 방어로 기우는 게 아니라 전체 투자 규모(총노출) 자체가 줄어들게 만든다. 약세 판단이 맞았더라도 방어 자산 역시 폭락장에서는 함께 떨어질 수 있으니, 애초에 판돈을 줄여 두는 이중 방어다.
연속 혼합이 스위칭보다 나은 이유를 경계 근처에서 확인해 보자. 스위칭은 P가 0.51이면 전액 공격, 0.49면 전액 방어로 확 바뀐다. 그런데 이전 모듈에서 보았듯 레짐 확률은 경계 근처에서 자주 흔들린다. 0.49와 0.51 사이를 오갈 때마다 포트폴리오 전체를 갈아엎으면 매매 비용이 눈덩이처럼 쌓이고, 판단이 틀린 날의 피해도 전액으로 입는다. 연속 혼합에서는 P가 0.49에서 0.51로 움직여도 모멘텀 비중이 2%포인트, 방어 비중이 0.6%포인트 남짓 바뀔 뿐이다. 모델의 "자신 없음"이 그대로 "조심스러운 포지션"으로 번역되는 셈이다.
손계산으로 부드러움을 확인한다. P가 0.9 → 0.5 → 0.1로 단계적으로 내려가면 모멘텀은 90% → 50% → 10%, 저변동은 0.1×0.3 = 3% → 0.5×0.3 = 15% → 0.9×0.3 = 27%, 현금은 7% → 35% → 63%로 매 단계 조금씩 움직인다. 스위칭이라면 P = 0.5 근처 어딘가에서 총노출 100% ↔ 30%의 급격한 점프가 한 번에 일어났을 것이다. 모듈 1에서 본 대로 비중 변화량의 합이 곧 회전율이고 회전율이 곧 비용이므로, 부드러움은 취향이 아니라 돈이다.
"앙상블 = 여러 전략의 평균" 아닌가
단순 평균은 국면 정보를 버리는 결합이다. 이 모듈의 방식은 "지금이 어떤 국면인가"에 따라 가중치가 달라지는 조건부 결합이다.
"앙상블이란 결국 여러 전략을 반반씩 섞는 것이다."
고정 비율 평균도 앙상블의 한 형태지만, 국면 정보가 있다면 그것을 버리는 결합이다. 여름에 여름옷과 겨울옷을 반반 껴입는 것(단순 평균)과, 계절을 보고 골라 입되 환절기에는 겹쳐 입는 것(레짐 가중)의 차이다. 이 모듈의 배합식은 후자 — 가중치가 조건(P)의 함수인 조건부 결합이다.
다만 단순 평균이 항상 열등한 것은 아니라는 점도 적어 둔다. 국면 판단 자체가 불가능하거나 매우 부정확한 환경이라면, 잘못된 조건부 가중은 고정 가중보다 나쁠 수 있다. 조건부 결합의 이득은 조건 변수(레짐 확률)의 품질에 비례한다 — 그래서 이 모듈은 이전 모듈의 레짐 추정 위에서만 성립한다.
배합 믹서
P 슬라이더를 움직여 배합이 어떻게 변하는지, 스위칭이라면 같은 자리에서 무슨 일이 벌어졌을지 나란히 본다.
강세 확률 P → 오늘의 옷차림
연속 혼합과 스위칭을 같은 P에서 비교하기
목표 — w = P×공격 + (1−P)×0.3×방어 배합식이 P에 따라 비중과 총노출을 어떻게 바꾸는지, 스위칭 방식과 무엇이 다른지 눈으로 확인한다.
조작 안내 — P를 1.00에서 0.00까지 천천히 내려 본다. 특히 0.49 ↔ 0.51 구간을 왕복해 본다. 관찰 포인트 — ① 연속 혼합 막대는 P를 아무리 흔들어도 조금씩만 변한다. 0.49 ↔ 0.51 왕복에서 모멘텀은 2%p, 방어는 0.6%p만 움직인다. 스위칭 막대는 같은 자리에서 총노출 100% ↔ 30%로 통째로 뒤집힌다. ② P를 내리면 방어 비중이 늘어나는 동시에 총노출 자체가 100% → 30%로 줄어든다 — 갈아타기와 판돈 줄이기의 이중 방어다. ③ P = 0.7에서 모멘텀 70% · 방어 9% · 현금 21%, P = 0.2에서 20% · 24% · 56%가 나오면 배합식을 제대로 읽은 것이다.
readout의 "전면 왕복 시 회전율"은 P가 경계(0.5)를 사이에 두고 0.49 ↔ 0.51로 한 번 왕복할 때 두 방식이 만들어 내는 매매량을 비교한 것이다. 스위칭은 왕복 한 번에 포트폴리오의 대부분을 두 번 갈아엎지만(공격 100% → 방어 30% → 공격 100%), 연속 혼합은 몇 %포인트만 사고판다. 모듈 1의 비용 계산기에 이 회전율을 넣어 보면 경계에서 흔들리는 레짐 확률이 스위칭 방식에 얼마나 치명적인지 짐작할 수 있다.
검증 결과와 낙폭의 비대칭
레짐을 심은 합성 시장에서 앙상블은 최악의 손실을 3분의 1로 줄였다. 그 차이는 회복 요구 수익률에서 9배로 증폭된다.
최대낙폭 −75% vs −26% — 옷을 갈아입은 값
레짐을 심어 만든 가짜 시장(이 플랫폼의 합성데이터 실험)에서 최대낙폭(MDD)을 비교하면 모멘텀 단독 −75%, 매수후보유 −47%, 레짐 앙상블 −26%였다. 샤프지수가 양수인 것도 셋 중 앙상블뿐이었다.
이 숫자의 무게는 낙폭의 비대칭에서 온다. 원금 100에서 −75%면 25가 남고, 다시 100이 되려면 25 → 100, 즉 +300%가 필요하다. −47%면 53 → 100으로 약 +89%, −26%면 74 → 100으로 약 +35%다. 낙폭이 3분의 1로 줄자 회복에 필요한 수익률은 300%에서 35%로 거의 9분의 1이 됐다. 낙폭 방어가 곧 생존인 이유다.
낙폭 회복 계산기 — 구덩이는 파인 깊이보다 깊다
낙폭 d → 본전까지 필요한 수익률 d/(1−d)
목표 — 낙폭과 회복 요구 수익률의 관계가 선형이 아니라 폭발적임을 숫자와 곡선으로 확인한다.
조작 안내 — 낙폭을 0%에서 95%까지 움직이며 곡선 위의 점과 readout을 본다. 26 → 47 → 75를 차례로 찍어 본다. 관찰 포인트 — ① −50%까지는 요구 수익률이 낙폭의 2배 이내지만, 그 뒤부터 곡선이 벽처럼 선다(−75% → +300%, −90% → +900%). ② 낙폭을 절반으로 줄이면 요구 수익률은 절반보다 훨씬 크게 준다 — 낙폭 방어의 이득은 비선형으로 크다. ③ 본문 세 전략의 값 −75% → +300%, −47% → +88.7%, −26% → +35.1%가 그대로 재현되면 성공이다.
이 곡선은 모듈 1에서 본 "수익률은 곱으로 쌓인다"의 다른 얼굴이다. 낙폭 d 이후 계좌는 (1−d)배가 되어 있으므로, 본전이 되려면 1/(1−d)배, 즉 d/(1−d)의 수익률이 필요하다. 분모의 (1−d)가 0으로 갈수록 요구 수익률이 발산한다 — 깊은 낙폭일수록 "남은 밑천"이 작아 같은 절대 금액을 복구하는 데도 더 높은 수익률이 필요하기 때문이다. 실무에서 최대낙폭이 수익률만큼이나 중요한 채점 항목인 이유가 이 발산에 있다.
평가 기준의 실수 — 그대로 공개한다
방어 전략의 올바른 평가는 절대 성과가 아니라 같은 구간의 벤치마크 대비 개선이다. 지표 선택은 검증의 첫 단계다.
샤프 −0.01은 실패인가 — 절대 기준이 저지른 오판
이 모듈을 만들며 겪은 설계 실수를 그대로 공개한다. 미학습 구간(OOS) 테스트를 "샤프지수 > 0.5"라는 절대 기준으로 썼는데, 하필 그 구간이 약세 지배 구간이라 테스트가 실패했다. 그런데 내용을 뜯어 보니 실패한 것은 전략이 아니라 기준이었다.
| 같은 약세 구간 (합성데이터 실험) | 샤프지수 | 낙폭 | 절대 기준 판정 |
|---|---|---|---|
| 매수후보유 (벤치마크) | −0.88 | −37% | (채점 대상 아님) |
| 레짐 앙상블 | −0.01 | −20% | 불합격 (샤프 < 0.5) |
폭풍 속에서 '거의 잃지 않음'은 명백한 성공인데, 절대 기준은 이를 불합격 처리했다. 절대 기준은 "70점 이상이면 합격"과 같아서 시험 자체가 유난히 어려웠는지를 반영하지 못한다 — 전교생이 40점을 받은 시험에서 65점을 받은 학생을 불합격 처리하는 셈이다. 검증 구간이 우연히 어느 국면에 걸리느냐에 따라 같은 전략이 통과와 탈락을 오간다면, 그 테스트는 전략이 아니라 구간의 운을 재고 있는 것이다. 그래서 테스트를 상대 기준 — 같은 기간 매수후보유보다 샤프와 MDD가 모두 개선 — 으로 고쳐 썼다.
방어 전략의 올바른 평가는 절대 성과가 아니라 같은 구간의 벤치마크 대비 개선이다.
무엇을 재는지가 무엇을 최적화하게 되는지를 결정한다. 지표 선택은 검증의 마지막 단계가 아니라 첫 단계다.
실무의 펀드 평가가 정확히 이 원리로 작동한다. 국내 주식형 펀드가 어느 해 −10%를 기록했어도 같은 해 시장 지수가 −25%였다면 그 펀드는 시장 대비 +15%포인트의 초과 성과를 낸 것이고, 반대로 +20%를 벌었어도 시장이 +40% 오른 해라면 오히려 크게 뒤진 것이다. 방어형 상품일수록 "폭락장에서 얼마나 덜 잃었나"가 존재 이유이므로, 절대 수익률만 보는 평가는 그 상품이 잘 작동한 해를 실패로 기록하는 역설을 낳는다. 벤치마크 대비 평가라는 발상 자체는 모듈 1의 대조군 사고방식이 채점 단계까지 이어진 것이다.
"상대 기준은 통과가 쉬운 기준" 아닌가
상대 기준은 관대한 기준이 아니다. 구간의 난이도를 벤치마크라는 자로 함께 재는 공정한 기준이며, 강세 구간에서는 오히려 더 엄격해진다.
"벤치마크만 이기면 되니 상대 기준은 봐주기다."
시장이 +40% 오르는 동안 +10%에 그친 전략은 절대 기준으로는 훌륭해 보여도 상대 기준으로는 탈락이다. 상대 기준은 약세 구간에서 방어 전략을 구제하는 만큼, 강세 구간에서 무임승차 전략을 걸러낸다. 관대함이 아니라 난이도 보정이다.
정직한 주의 하나. 이 모듈의 앙상블은 하위 전략 2개짜리 최소 구성이다. 실전 앙상블은 성격이 다른(상관 낮은) 하위 전략 여러 개와 배합 비율의 학습이 관건이며, 하위 전략이 늘수록 "우연히 잘 맞는 조합"이 나올 위험(다중비교)도 함께 늘어난다. 이 위험은 부록 B(검증 방법론)에서 정면으로 다룬다.
앙상블의 이론적 뿌리
앙상블의 이득은 개별 전략의 우수함이 아니라 서로 다름 — 오차의 독립성 — 에서 나온다.
이득은 "서로 다름"에서 나온다
오차가 서로 독립인 모델 n개의 예측을 평균하면 오차의 분산이 대략 1/n로 줄어든다. 여러 사람의 독립적 추정을 평균하면 한 사람보다 정확해지는 "군중의 지혜"와 같은 원리다.
머신러닝의 고전이 이 계열이다. 배깅(여러 표본으로 학습한 모델의 평균 — 랜덤 포레스트가 대표)과 부스팅(앞 모델의 오차를 다음 모델이 보완 — 팩터 랭킹 모듈의 LightGBM이 이 계열)이다. 다만 이 이득은 오차의 독립성에 비례해 줄어든다. 모든 모델이 같은 데이터의 같은 신호를 배우면 오차도 같이 움직여, 평균해도 분산이 거의 줄지 않는다.
전략 결합에서도 똑같다. 성격이 같은 전략 열 개는 같은 날 같이 무너지므로 한 개나 다름없다. 한쪽이 깨질 때 다른 쪽이 버텨 주는 조합이어야 전체의 출렁임이 줄어든다 — 우산 가게와 아이스크림 가게를 함께 운영하면 날씨가 어느 쪽이든 매출이 유지되는 것과 같은 이치다. 앙상블의 이득은 개별 전략의 우수함이 아니라 서로 다름에서 나온다.
이 모듈의 레짐 가중 결합은 고정 가중 평균보다 한 걸음 더 나아간 형태로, 머신러닝에서는 입력 조건에 따라 전문가(하위 모델)의 가중치를 바꾸는 전문가 혼합(mixture of experts) 구조에 해당한다. 1991년 제이콥스·조던·놀런·힌턴이 제안한 이 구조에서는 게이트 네트워크가 "지금 어느 전문가를 신뢰할지"를 정하는데, 우리의 배합식에서는 레짐 확률 P가 그 게이트 역할을 한다. "조건 변수가 전문가의 가중치를 결정한다"는 발상은 최신 대형 언어모델의 내부 구조(희소 게이트 MoE 층)에도 그대로 쓰인다 — 1991년의 아이디어가 2017년 이후 초대형 모델의 확장 기술로 되살아난 셈이다.
생각해 볼 질문
모멘텀 상위 3종목과 "거래량 급증 상위 3종목"으로 앙상블을 짜면 어떤 문제가 예상되는가. 두 신호가 어떤 국면에서 같은 종목을 고르게 될지 생각해 보자 — 상관이 높은 하위 전략의 결합이 왜 허약한지에 대한 답이 된다.
출처 Breiman, L. (1996). "Bagging Predictors." Machine Learning 24(2). doi.org/10.1007/BF00058655 · Jacobs, R., Jordan, M., Nowlan, S. & Hinton, G. (1991). "Adaptive Mixtures of Local Experts." Neural Computation 3(1). doi.org/10.1162/neco.1991.3.1.79
퀴즈와 정리
답을 보기 전에 먼저 스스로 답해 본다. 전부 이 모듈 안에서 다룬 내용이다.
강세 확률 P = 0.5일 때 모멘텀·저변동·현금 배분은?
약세 지배 구간에서 샤프지수 −0.01은 실패인가? 판단 근거는?
스위칭 대신 연속 혼합을 쓰는 이유 두 가지는?
원금에서 −60% 낙폭을 입으면 본전 회복에 필요한 수익률은?
하위 전략을 10개로 늘리면 성능과 별개로 무엇이 커지는가?
상관이 높은 하위 전략 10개로 만든 앙상블이 기대만큼 안정적이지 않은 이유는?
① 언제나 이기는 단일 전략은 없다. 전략은 통계적 성질에 대한 베팅이고, 그 성질은 국면 따라 뒤바뀐다.
② 앙상블의 금융다운 형태는 "언제 무엇을"을 레짐 확률로 잇는 조건부 결합 — w = P×공격 + (1−P)×0.3×방어. 연속 혼합은 확신에 비례해 점진적으로 옷을 갈아입고, 약세 확신 시 총노출까지 줄여 이중으로 방어한다.
③ 낙폭은 비대칭이다. −75%는 +300%를 벌어야 본전이므로, 낙폭 방어가 곧 생존이다.
④ 평가 기준 자체가 설계 대상이다. 구간 성격을 무시한 절대 기준은 성공을 실패로 오판한다 — 방어 전략은 같은 구간 벤치마크 대비 개선으로 채점한다.
⑤ 앙상블의 이득은 하위 전략들의 우수함이 아니라 서로 다름(낮은 상관)에서 나온다.
참고문헌
수치와 일화는 아래 원문 기준으로 서술했다. 링크는 공개 원문·DOI가 확실한 것만 달았다.
앙상블 · 전문가 혼합
- Breiman, L. (1996). "Bagging Predictors." Machine Learning 24(2), 123–140. doi.org/10.1007/BF00058655 — 표본 재추출 모델 평균으로 분산을 줄이는 배깅의 원전.
- Freund, Y. & Schapire, R. (1997). "A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting." Journal of Computer and System Sciences 55(1). doi.org/10.1006/jcss.1997.1504 — 부스팅(AdaBoost)의 원전.
- Jacobs, R., Jordan, M., Nowlan, S. & Hinton, G. (1991). "Adaptive Mixtures of Local Experts." Neural Computation 3(1). doi.org/10.1162/neco.1991.3.1.79 — 게이트가 전문가 가중치를 정하는 전문가 혼합 구조의 원전.
- Shazeer, N. et al. (2017). "Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer." arXiv:1701.06538 — 전문가 혼합을 초대형 신경망의 확장 기술로 되살린 논문.
금융 실증
- Daniel, K. & Moskowitz, T. (2016). "Momentum Crashes." Journal of Financial Economics 122(2), 221–247. doi.org/10.1016/j.jfineco.2016.01.003 — 패닉 이후 반등기에 모멘텀이 극단적 손실을 겪으며, 그 시점이 시장 상태로 부분 예측 가능하다는 실증.
이 모듈의 백테스트 수치(최대낙폭 −75%/−47%/−26%, 약세 구간 샤프 −0.88/−0.01, 낙폭 −37%/−20%)는 모두 강의용 실험 플랫폼이 레짐을 심어 생성한 합성데이터 실험의 실측이며, 실제 투자 성과를 시사하지 않는다. 2020년 3월의 모멘텀 종목 급락 서술은 정황이며, 모멘텀 붕괴의 일반적 패턴은 Daniel & Moskowitz (2016) 기준이다. 인용 원칙: 연도는 발표 기준, 확신이 없는 서술은 "~로 알려져 있다"로 구분했다.