필수 용어 사전

용어 하나를 "안다"의 기준을 정해 두면 좋다. 이 강의에서 권하는 기준은 두 가지다. 첫째, 숫자 예시를 하나 만들 수 있는가 — 총노출을 안다면 "롱 50%, 숏 50%면 총노출 1.0"을 즉석에서 말할 수 있어야 한다. 둘째, 왜 이 용어가 필요한지 말할 수 있는가 — 순노출이라는 말이 따로 있는 이유는 "시장에 얼마나 베팅했는가"와 "돈을 얼마나 움직였는가"가 다른 질문이기 때문이다. 정의 문장만 외운 용어는 첫 실전에서 무너진다.

생각해 볼 질문

아래 표를 훑기 전에, 위 회의실 문장의 네 단어(순노출·총노출·OOS·IR)를 지금 몇 개나 설명할 수 있는지 세어 보자. 이 부록을 다 읽은 뒤 다시 세어 보면 그 차이가 이 페이지의 효용이다.

z-score가 왜 이렇게 자주 나오는지 짚어 둘 만하다. 삼성전자의 하루 등락과 코스닥 소형주의 하루 등락은 원래 단위(%)로는 비교가 어렵다 — 소형주는 원래 많이 출렁이기 때문이다. 각자의 평균과 표준편차로 나눈 z-값으로 바꾸면 "자기 기준으로 얼마나 이례적인 날인가"라는 같은 자로 잰 숫자가 된다. 팩터 랭킹이 여러 팩터를 합칠 때도, 페어트레이딩이 벌어진 간격을 잴 때도 이 표준화가 첫 단계다.

표준편차 계산 예(2, 4, 6, 8)는 손으로 한 번 따라가 볼 가치가 있다. 평균 5에서의 편차는 −3, −1, +1, +3. 제곱하면 9, 1, 1, 9. 평균은 20 ÷ 4 = 5. 제곱근 √5 ≈ 2.24. "제곱했다가 다시 제곱근"을 취하는 이유는 편차를 그냥 더하면 +와 −가 상쇄되어 항상 0이 되기 때문이다.

랜덤워크는 이 강의에서 이중의 역할을 한다. 이론적으로는 "예측이 불가능한 시장"의 모형이고, 실험적으로는 아무 구조가 없다는 것을 우리가 아는 데이터, 즉 음성 대조군이다. 어떤 전략이 랜덤워크에서 좋은 성적을 낸다면, 그 전략의 성적은 실력이 아니라 과적합의 증거가 된다. 이 대조군 발상은 검증 방법론에서 정식으로 다룬다.

거리와 내적이 짝으로 묶인 이유는 둘이 사실상 같은 질문의 두 표현이기 때문이다. 벡터의 길이를 고정하면 거리가 가까울수록 내적이 커진다 — "얼마나 다른가"와 "얼마나 닮았는가"는 부호만 다른 하나의 척도다. k-NN은 거리의 언어로, 합성곱(CNN)은 내적의 언어로 닮은 것 찾기라는 같은 일을 한다.

세 편향은 성격이 다르다는 점을 구분해 두면 좋다. 룩어헤드는 시간의 오류(그때 몰랐던 것을 쓴다), 생존은 공간의 오류(있어야 할 종목이 표본에서 빠진다), 선택은 보고의 오류(한 일 중 일부만 보여 준다)다. 그래서 처방도 다르다 — 룩어헤드는 엔진의 지연 규칙으로, 생존은 유니버스 구성으로, 선택은 시도 횟수 공개와 전향 평가로 막는다. 하나를 막았다고 나머지가 막히지 않는다.

과적합의 +5.59 → −0.55라는 숫자는 이 강의 실험 플랫폼의 합성데이터 실험에서 나온 실측값이다. 알파를 심지 않은 데이터에서 인샘플 성적이 화려할수록, 그 화려함 전체가 잡음 암기였다는 뜻이 된다 — OOS가 0 근처나 음수로 무너지는 것이 그 증거다. 반대로 진짜 구조를 심은 데이터에서는 인샘플과 OOS가 비슷하게 유지된다. "OOS 유지 여부"가 진짜와 가짜를 구분하는 리트머스지라는 원칙은 검증 방법론에 정리되어 있다.

총노출과 순노출이 따로 있는 이유는 두 숫자가 다른 위험을 재기 때문이다. 순노출은 "시장 전체가 움직일 때 얼마나 따라 움직이는가"(방향 위험), 총노출은 "얼마나 많은 돈이 판 위에 올라가 있는가"(규모 위험)를 잰다. 순노출 0인 시장중립 전략도 총노출이 1.0이면 종목 선택이 틀렸을 때 온전히 손실을 본다 — 시장중립은 "위험 없음"이 아니라 "시장 방향 위험만 제거"라는 뜻이다.

횡단면 접근이 "더 쉽다"는 말의 의미를 정확히 해 두자. 내일 시장이 오를지 내릴지(시계열 방향 예측)는 극도로 어렵다. 그러나 "A 종목이 B 종목보다는 나을 것"(횡단면 상대 비교)은 시장 전체의 방향을 맞힐 필요가 없는, 한 단계 낮은 난이도의 문제다. 롱숏으로 조합하면 시장 방향 자체를 지워 버릴 수도 있다(시장중립). 어려운 문제를 쉬운 문제로 바꾸는 이 재구성이 퀀트 전략 설계의 반복되는 패턴이다.

RPS의 기준선 0.16은 외울 필요 없이 유도할 수 있다. 5분위 예측에서 모든 칸에 20%를 거는 나이브 예측을 생각하자. 누적 예측 확률은 0.2, 0.4, 0.6, 0.8이고, 실제 분위가 1~5분위일 때 누적 오차 제곱합은 각각 1.2, 0.6, 0.4, 0.6, 1.2 — 평균 0.8이다. M6 대회의 정의는 이를 분위 수 5로 나누므로 0.8 ÷ 5 = 0.16. 즉 0.16보다 낮으면 "아무 정보 없음"보다는 낫다는 뜻이고, 실제 대회에서 이 기준선을 꾸준히 이기는 것 자체가 어려웠다.

샤프지수의 "1 이상이면 준수"는 경험칙이지 정리가 아니라는 점도 붙여 둔다. 짧은 표본의 샤프지수에는 큰 오차 막대가 붙는다 — 샤프 0.5인 전략이 우연이 아님을 통계적으로 보이려면 대략 16년 치 데이터가 필요하다는 계산이 검증 방법론에 있다. 한두 해의 화려한 샤프는 아직 아무것도 증명하지 않는다.

필터링과 스무딩의 구분은 이 그룹에서 가장 실전적인 항목이다. 스무딩은 미래까지 본 뒤의 재해석이므로 항상 필터링보다 더 매끈하고 더 정확해 보인다. 바로 그래서 위험하다 — 스무딩된 국면 추정으로 백테스트를 하면 "그때는 알 수 없던 판단"으로 매매한 셈이 되어 성과가 부풀려진다. 역사책을 읽으며 "그때 샀어야지"라고 말하기는 쉽다. 운용은 역사책이 아니라 오늘 자 신문만 들고 하는 일이다.

EMH는 "초과수익이 불가능하다"는 단정이 아니라는 점도 짚어 둔다. 정보를 찾는 노력에는 비용이 들므로, 시장이 완전히 효율적이면 아무도 정보를 찾지 않게 되어 효율이 유지될 수 없다는 역설(그로스만-스티글리츠)이 알려져 있다. 현실적 독해는 "공짜 초과수익은 없고, 있어도 발견되는 순간부터 줄어든다"이다 — 그래서 이 강의는 알파의 존재 증명보다 가짜 알파에 속지 않는 법에 지면을 더 쓴다.

지식 오염이 까다로운 이유는 플랫폼의 삼중 룩어헤드 방어(설계·엔진 지연·prefix 불변 테스트)의 바깥에 있기 때문이다. 데이터 파이프라인이 아무리 깨끗해도, 오염은 모델의 파라미터 안에 이미 녹아 있다 — 하루 지연 규칙으로는 막을 수 없다. 점검 방법은 모델의 학습 마감 시점(knowledge cutoff)을 확인해 평가 기간과 겹치지 않게 하거나, 종목명·날짜를 가린 텍스트로 성능이 유지되는지 보는 것이다. 자세한 검정 절차는 해당 모듈과 검증 방법론의 체크리스트에 있다.