💻 computer science

Systematic Trend-Following with Adaptive Portfolio Construction: Enhancing Risk-Adjusted Alpha in Cryptocurrency Markets

이 논문은 암호화폐 시장의 모멘텀 효과와 변동성 특성을 반영하여 동적 트레일링 스탑, 롤링 샤프 비율 기반 자산 선정, 비대칭적 롱/숏 자본 배분이라는 세 가지 혁신을 도입한 'AdaptiveTrend' 프레임워크를 제안하며, 2022 년부터 2024 년까지 150 개 이상의 암호화폐 쌍에 대한 백테스트를 통해 기존 전략 대비 연평균 샤프 비율 2.41, 최대 낙폭 12.7% 등 우수한 위험 조정 수익률을 입증했습니다.

원저자: Duc Bui, Thanh Nguyen

게시일 2026-02-13

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Duc Bui, Thanh Nguyen

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🚀 프로젝트 이름: '어댑티브 트렌드 (AdaptiveTrend)'

이 전략은 가상화폐 시장의 파도 (트렌드) 를 타고 다니는 현명한 선장과 같습니다.

1. 왜 필요한가요? (문제 상황)

가상화폐 시장은 전통적인 주식 시장과 다릅니다.

24 시간 365 일 쉬지 않고 움직입니다.
가격이 미친 듯이 오르내립니다. (변동성)
어떤 코인이 유명해지고 사라지는지 매우 빠르게 바뀝니다.

기존의 단순한 투자법 (예: "1 개월 전보다 비싸면 사자") 은 이런 급변하는 시장에서는 실패하기 쉽습니다. 마치 정해진 시간표대로만 움직이는 기차가, 길이 끊기거나 갑자기 폭우가 내리는 산길에서 고장 나는 것과 비슷합니다.

2. 이 전략은 어떻게 작동하나요? (3 가지 핵심 무기)

이 로봇 선장은 세 가지 특별한 장비를 가지고 있습니다.

① 6 시간마다 눈을 감고 다시 뜨는 '스마트 신호등' (신호 생성)

비유: 하루 종일 계속 차를 운전하는 대신, 6 시간마다 휴게소에 멈춰서 "지금 길이 괜찮은가?"를 확인합니다.
원리: 1 시간마다 확인하면 너무 자주 신호가 바뀌어 (교통 체증) 비용만 많이 들고, 하루에 한 번 확인하면 너무 늦습니다. 그래서 **6 시간 (H6)**이라는 최적의 간격으로 추세를 파악합니다.
특징: 가격이 오르면 따라가고, 내리면 즉시 멈춥니다.

② '달리는 말'을 다스리는 '동적 제동장치' (동적 트레일링 스톱)

비유: 경마에서 말이 달릴 때, 말이 앞으로 나간 만큼 우리 (손익분기점) 를 같이 당겨오는 것입니다.
원리:
- 가격이 오르면: "좋아, 더 올라가!"라며 손익분기점을 위로 당겨 이익을 확실히 챙깁니다.
- 가격이 떨어지면: "이제 위험해!"라며 즉시 멈춥니다.
- 핵심: 시장이 조용할 때는 제동을 가볍게 걸고, 시장이 미친 듯이 흔들릴 때는 제동을 더 넓게 걸어 불필요한 멈춤을 방지합니다.

③ '가장 잘 달리는 말'만 고르는 '매월 선발 대회' (포트폴리오 구성)

비유: 매달 새로운 경주마 (코인) 들을 데려와서 지난달 성적이 가장 좋았던 말들만 경주에 출전시킵니다.
원리:
- 시장 규모 필터: 시가총액이 너무 작은 (유동성이 없는) 말은 아예 출전 금지.
- 성적 필터: 최근 위험 대비 수익률 (샤프 비율) 이 좋은 말만 고릅니다.
- 비대칭 배분: 가상화폐는 장기적으로 오르는 경향이 있으므로, **70% 는 오를 때 (Long), 30% 는 내릴 때 (Short)**에 걸칩니다. (비유: "대부분은 상승장에 베팅하되, 하락장 대비용 보험도 30% 는 넣어둔다"는 뜻)

3. 결과는 어땠나요? (성공 스토리)

이 전략을 지난 3 년 (2022~2024) 동안 150 개 이상의 가상화폐로 테스트해 본 결과:

수익률: 연간 40.5% 의 수익을 냈습니다. (비교 대상인 '그냥 사서 보유하기' 전략은 8.3% 에 그쳤습니다.)
위험 관리: 가격이 폭락할 때의 손실 (최대 낙폭) 을 **-12.7%**로 아주 잘 통제했습니다. (비교 대상은 -72.4% 까지 떨어졌습니다!)
비유: 폭풍우가 몰아치는 바다에서, 다른 배들은 뒤집혀 침몰했는데, 이 배는 안전하게 항해를 하며 목적지까지 도착한 것입니다.

4. 왜 이 전략이 특별한가요? (핵심 통찰)

적응력: 시장이 변하면 규칙도 바꿉니다. (매달 파라미터를 최적화)
현실적인 비용: 거래 수수료와 미끄러짐 (Slippage) 을 고려해도 여전히 수익이 납니다.
이해하기 쉬움: 복잡한 인공지능 (AI) 이 아니라, 명확한 규칙으로 작동하므로 왜 이 거래를 했는지 누구나 이해할 수 있습니다.

📝 한 줄 요약

"가상화폐 시장의 거친 파도 속에서, 6 시간마다 방향을 확인하고, 위험할 때는 빠르게 멈추며, 매달 가장 잘 달리는 코인만 골라 70:30 비율로 투자하는 '현명한 로봇 투자자'가 어떻게 큰 수익을 내고 손실을 막았는지 보여주는 성공 사례입니다."

이 연구는 가상화폐 투자에 있어 "무작위 추측"이 아니라 "체계적인 규칙"이 얼마나 중요한지를 증명했습니다.

1. 연구 배경 및 문제 제기 (Problem)

암호화폐 시장은 높은 변동성, 분산된 유동성, 그리고 뚜렷한 모멘텀 효과를 특징으로 하지만, 전통적인 금융 시장과 구별되는 구조적 특성을 가지고 있습니다.

기존 전략의 한계: 전통적인 시계열 모멘텀 (TSMOM) 전략은 1~12 개월의 고정된 후행 기간 (lookback window) 을 사용하지만, 암호화폐 시장의 변동성 체제 (regime) 의 비정상성 (non-stationarity) 으로 인해 최적의 성과를 내지 못합니다.
주요 도전 과제:
1. 변동성 체제의 비정상성으로 인한 고정된 후행 기간의 비효율성.
2. 상승장에서의 양의 왜도 (positive skewness) 와 붕괴 시의 좌측 두꺼운 꼬리 (heavy left tails) 로 인한 비대칭적 수익 분포.
3. 시장 자본금이 급격히 변동하는 빠르게 진화하는 거래 가능 자산의 우주 (universe).

2. 제안된 방법론: AdaptiveTrend (Methodology)

저자들은 위 문제들을 해결하기 위해 AdaptiveTrend라는 3 단계 통합 알고리즘 트레이딩 프레임워크를 제안합니다.

A. 신호 생성 모듈 (Signal Generation)

주기: 6 시간 (H6) 캔들스틱 기반의 중간 주파수 (intermediate-frequency) 추세 추종.
진입 신호: 후행 기간 $L$ 에 따른 모멘텀 점수 ( $MOM_t$ ) 가 임계값 ( $\theta_{entry}$ ) 을 초과할 때 롱, 미달할 때 숏 진입.
동적 트레일링 스톱 (Dynamic Trailing Stop):
- 진입 후 손절매 수준 ( $S_t$ ) 을 실시간 가격 변동에 따라 조정.
- 공식: $S_t = \max(S_{t-1}, P_t - \alpha \cdot ATR_t)$
- $ATR$ (Average True Range) 을 사용하여 국소 변동성에 비례하여 스톱 레벨을 조정 (변동성 낮을 때 좁게, 높을 때 넓게 설정). 이는 수익을 고정하고 손실을 제한합니다.

B. 포트폴리오 선정 모듈 (Portfolio Selection)

재조정 주기: 매월 1 회.
단계 1 (우주 필터링): 시장 시가총액으로 모든 암호화폐를 순위 매김.
- 롱 포트폴리오 후보: 상위 $K_L$ 개 (기본값 15 개).
- 숏 포트폴리오 후보: 하위 $K_S$ 개.
단계 2 (성능 기반 선정): 전월 데이터에 대해 그리드 서치를 통해 파라미터를 최적화하고, 이를 바탕으로 산출된 **롤링 샤프 비율 (Sharpe Ratio)**로 자산 선정.
- 롱 자산: 샤프 비율 $\ge 1.3$ .
- 숏 자산: 샤프 비율 $\ge 1.7$ (숏 포지션의 높은 위험을 고려하여 더 엄격한 기준 적용).

C. 자본 배분 모듈 (Capital Allocation)

비대칭 배분: 총 자본의 70% 를 롱 포지션, 30% 를 숏 포지션에 할당.
- 근거: 암호화폐 시장의 장기적인 양의 드리프트 (positive drift) 와 숏 포지션의 높은 차입 비용.
가중치: 각 포트폴리오 leg(롱/숏) 내부에서는 동등 가중치 (Equal-weight) 할당을 통해 분산 투자 및 집중 리스크 방지.

3. 주요 기여 (Key Contributions)

최적의 시간대 발견: 암호화폐 시장에서 6 시간 (H6) 캔들이 고빈도 (H1) 의 과도한 거래 비용과 저빈도 (D1) 의 신호 지연 사이에서 최적의 균형을 제공함을 입증.
적응형 포트폴리오 구성: 시장 시가총액 필터링과 샤프 비율 기반 선정을 결합하여 유동성이 낮거나 성적이 악화되는 자산에 대한 노출을 줄이는 방법론 제시.
강건한 실증 분석: 2022~2024 년 (36 개월) 동안 150 개 이상의 암호화폐 쌍에 대한 아웃 - 오브 - 샘플 (OOS) 백테스팅을 통해 다양한 시장 환경 (강세, 약세, 횡보) 에서의 전략 유효성을 입증.

4. 실험 결과 (Results)

2022 년 1 월부터 2024 년 12 월까지의 아웃 - 오브 - 샘플 기간 동안의 주요 성과는 다음과 같습니다.

성과 지표:
- 연간 샤프 비율 (Sharpe Ratio): 2.41 (벤치마크 대비 압도적).
- 최대 낙폭 (Max Drawdown): −12.7% (벤치마크인 BTC-BH 의 −64.1% 등보다 훨씬 낮음).
- 칼마 비율 (Calmar Ratio): 3.18.
- 연간 수익률: 40.5%.
벤치마크 비교:
- 기존 TSMOM 전략 (1M, 3M), 변동성 조정 TSMOM, 그리고 동등 가중치 매수 보유 (EW-BH) 전략을 모두 크게 상회.
- 특히 2022 년 약세장에서도 전략은 −4.2% 의 연평균 수익률을 기록하며 매수 보유 전략의 치명적 손실을 방어.
통계적 유의성: 부트스트랩 (Bootstrap) 방법을 통한 검정 결과, 모든 벤치마크 대비 샤프 비율 차이가 통계적으로 유의미함 (p-value < 0.05).

5. 의의 및 시사점 (Significance)

기관 투자 적합성: 완전히 체계적이고 해석 가능한 (interpretable) 규칙 기반 전략으로, 복잡한 머신러닝 모델의 불확실성 없이 기관 수준의 배포가 가능함.
리스크 관리: 동적 트레일링 스톱과 비대칭 배분을 통해 변동성이 큰 암호화폐 시장에서도 통제된 낙폭을 유지하며, 약세장에서도 생존 가능한 전략임을 증명.
실용성: 월간 재조정 주기와 6 시간 캔들 기반의 신호는 기관 트레이딩 데스크의 운영 일정에 부합하며, 거래 비용 (슬리피지, 수수료) 을 고려한 모델링을 통해 현실적인 실행 가능성을 검증함.

결론적으로, AdaptiveTrend 는 암호화폐 시장의 고유한 특성을 반영한 적응형 파라미터 최적화, 시장 시가총액 필터링, 그리고 비대칭 자본 배분을 통해 기존 추세 추종 전략의 한계를 극복하고 우수한 위험 조정 수익률을 달성한 체계적인 프레임워크입니다.