글

라벨이 Trading인 게시물 표시

[트레이딩] 중기 트레이딩에 활용 가능한 자산 배분 전략과 추천 영문서적

  📈 스윙매매에 포트폴리오 이론을 적용할 수 있을까? 중기 트레이딩에 활용 가능한 자산 배분 전략과 추천 영문서적 🔍 포트폴리오 이론, 정말 장기 투자에만 쓰일까? 현대 포트폴리오 이론(MPT, Modern Portfolio Theory)은 일반적으로 장기 투자자, 연기금, 기관 투자자 등을 대상으로 한 장기 자산 배분 전략 으로 잘 알려져 있습니다. 하지만 최근에는 스윙매매(보통 며칠~몇 주 보유)와 같은 중기 트레이딩 전략 에도 포트폴리오 개념을 유연하게 변형해 활용하는 사례가 늘고 있습니다. 📌 포인트: "스윙매매"에도 분산투자, 리스크 기반 비중 조절, 기대 수익률 추정 등을 적용할 수 있다! 🔧 스윙매매에 활용 가능한 포트폴리오 응용 전략 1. 📊 다이나믹 포트폴리오 최적화 시장 변화에 따라 비중을 주기적으로 조정 예: 매주 리밸런싱하여 새로운 최적 조합 산출 2. ⏳ 롤링 윈도우 기반 기대수익률 & 공분산 추정 최근 10~20일간의 데이터를 활용해 매번 새로운 포트폴리오 구성 과거 데이터를 고정하지 않고, 매 시점마다 업데이트 3. 🔄 섹터 로테이션 + 포트폴리오 최적화 상승 추세의 섹터를 골라내고, 해당 섹터 내 종목으로 포트폴리오 구성 ETF 기반 스윙 전략에 특히 유용 4. ⚖️ 리스크 패리티(Risk Parity) 전략 각 자산이 동일한 리스크를 부담하도록 비중 조절 단기 변동성이 높은 종목의 비중을 자동으로 줄여줌 5. 🧪 스윙 기준 백테스트 기반 자산 선택 기술적 지표 필터(RSI, 모멘텀 등)와 함께 기대 수익률 기반으로 종목 선정 종목 간 상관관계를 고려한 분산 투자 가능 📚 스윙매매 + 포트폴리오 전략에 도움이 되는 추천 영문서적 ✅ 실전 적용 & 중단기 퀀트 전략 중심 제목 저자 핵심 내용 Quantitative Trading Ernest P. Chan 스윙 퀀트 전략, 리스크 관리...

[알고리즘 트레이딩] 연 환산 수익률(Annualized Return) 계산 방법 3가지

  📈 연 환산 수익률(Annualized Return) 계산 방법 3가지 주식이나 자산의 장기 수익률을 비교할 때 자주 사용하는 개념이 **연 환산 수익률(Annualized Return)**입니다. 일간 수익률을 연 기준으로 환산하는 방법에는 여러 가지가 있으며, 각각의 방식은 쓰임새와 정확도에서 차이가 있습니다. 이 글에서는 다음 3가지 방법을 실제 코드와 함께 소개합니다. ✅ 1. 데이터 준비 우선, yfinance 를 사용해 주가 데이터를 다운로드합니다. import yfinance as yf import pandas as pd import numpy as np stocks = [ 'AAPL' , 'FE' , 'WMT' ] # 조정 종가(배당 및 분할 반영된 종가) 다운로드 stock_prices = yf.download(stocks, start= '2000-01-03' , end= '2023-12-30' , auto_adjust= False )[ 'Adj Close' ] 📌 방법 1: 산술 평균 수익률 × 252 가장 간단한 방식은 평균 일간 수익률 에 **1년 거래일 수(약 252일)**를 곱하는 방법입니다. daily_returns = stock_prices.pct_change() arithmetic_annual_return = daily_returns.mean() * 252 print ( "산술 연 수익률:" ) print (arithmetic_annual_return) ✅ 장점 : 빠르고 간단함 ❌ 단점 : 변동성(복리 효과)을 반영하지 않음 📌 방법 2: CAGR (기하 평균 수익률) **CAGR (Compound Annual Growth Rate)**는 시작 가격과 마지막 가격만으로 복리 수익률을 계산하는 방식입니다. n_years = (stock_prices.index[- 1 ] - st...

[알고리즘 트레이딩] yfinance의 auto_adjust와 Adj Close 정확히 이해하기

  🔍 yfinance의 auto_adjust 와 Adj Close 정확히 이해하기 yfinance 는 Python에서 주식 데이터를 쉽게 가져올 수 있는 매우 인기 있는 라이브러리입니다. 이 중에서도 조정 종가(Adjusted Close)는 많은 분석에서 핵심이 됩니다. 하지만 데이터를 받아올 때 'Adj Close' 가 생길 때도 있고, 안 생길 때도 있어서 혼란스럽죠? 이번 글에서는 그 원인과 올바른 사용법을 정리해 드립니다. ✅ 조정 종가(Adjusted Close)란? Adj Close 는 배당금 이나 액면 분할(stock split) 등 기업의 행위를 반영한 종가입니다. 과거 가격을 일관되게 비교하려면 이 값이 필요합니다. 예를 들어: 어떤 회사가 액면 분할을 하면 주가가 인위적으로 낮아지지만 가치는 동일합니다. 이때 과거 주가들도 동일한 기준으로 조정해야 분석이 가능합니다. 🎛️ auto_adjust 옵션의 의미 yfinance.download() 함수는 auto_adjust 라는 중요한 옵션을 제공합니다. yf.download(tickers, auto_adjust= True or False ) 설정값 'Close' 열 'Adj Close' 열 의미 auto_adjust=True (기본값) 조정된 종가 ❌ 없음 모든 가격이 자동 조정됨 auto_adjust=False 원래 종가 ✅ Adj Close 생성됨 'Close'는 원래 값, 'Adj Close'는 보정값 📌 예제 코드 🔹 1. auto_adjust=False : Adj Close 직접 사용 import yfinance as yf stocks = [ 'AAPL' , 'WMT' ] data = yf.download(stocks, start= '2000-01-01' , end= '2023-12-31' , a...

[주식] 채권 ETF란?

  📈 채권 ETF란? 안정적인 수익을 추구하는 투자자를 위한 선택지 주식처럼 거래하면서도 비교적 안정적인 수익을 낼 수 있는 방법이 있을까요? 바로 **채권 ETF(Bond ETF)**가 그런 대안이 될 수 있습니다. 오늘은 채권 ETF의 개념부터 수익 구조, 우상향하는 이유까지 쉽게 정리해보겠습니다. 🔍 채권 ETF란? 채권 ETF는 말 그대로 **채권에 투자하는 상장지수펀드(ETF)**입니다. 다양한 채권(국채, 회사채 등)에 분산 투자한 뒤, 그 펀드를 주식처럼 증권거래소에서 사고팔 수 있도록 만든 상품 이죠. 📌 즉, 채권 직접 투자보다 훨씬 쉽고 유동성도 좋다 는 장점이 있습니다. 🏦 채권 ETF는 어떻게 수익이 날까? 채권은 기본적으로 **이자(쿠폰 이자)**를 지급합니다. 그럼 이 이자는 투자자인 ‘나’에게도 들어올까요? ✔️ 직접적으로 이자가 들어오진 않지만 , 아래 방식으로 우회적으로 수익화됩니다. 1. 분배금으로 받는 경우 ETF가 보유한 채권에서 나온 이자 수익 일부를 매달 혹은 분기마다 현금 분배금 으로 지급합니다. 마치 배당주에서 배당 받는 느낌이죠. 2. ETF 가격에 녹아드는 경우 일부 ETF는 이자 수익을 다시 채권에 재투자하거나, 펀드 내에 쌓아두면서 ETF 가격이 천천히 우상향 하게 됩니다. 💡 채권 ETF는 왜 장기적으로 우상향할까? 많은 사람들이 의문을 가집니다. "채권은 안정적이지만, 성장하는 자산은 아니잖아? 그런데 왜 ETF는 계속 우상향하지?" 이건 복합적인 이유 덕분입니다: ✅ 1. 이자 수익 누적 채권에서 나오는 정기적인 이자 가 꾸준히 수익을 쌓아줍니다. 일부 ETF는 이걸 재투자해서 복리처럼 운용합니다. ✅ 2. 채권 만기 후 재편입 만기 도래한 채권의 원금을 돌려받아, 새로운(때론 더 이자율이 높은) 채권으로 갈아탑니다. 이 과정이 반복되며 ETF 자산은 자연스럽게 늘어납니다. ✅ 3. 금...

[트레이딩] 평균과 표준편차만으로 자산을 분석할 수 있을까?

이미지
  📊 평균과 표준편차만으로 자산을 분석할 수 있을까? 많은 투자 입문자들이 이렇게 질문하곤 합니다: “단순히 평균 수익률과 표준편차만 가지고, 자산을 평가할 수 있을까?” 정답은 **“부분적으로는 가능하다”**입니다. 표준편차(위험)와 평균 수익률(보상)을 기준으로 각 자산의 위치를 시각화하면, 투자 판단에 도움이 되는 기초적인 직관 을 얻을 수 있습니다. 물론 이것만으로는 포트폴리오를 최적화할 수는 없지만, 리스크-리턴의 기본 구조를 이해하는 데는 매우 유용 합니다. 🐍 Python 코드로 그려보는 리스크-보상 그래프 import pandas as pd import numpy as np import matplotlib.pyplot as plt # 자산 정보 stocks = [ 'FE' , 'WMT' , 'AAPL' ] mu = [ 0.04 , 0.09 , 0.12 ] # 평균 수익률 sigma = [ 0.15 , 0.20 , 0.35 ] # 표준편차 (위험) def plot_points ( mu, sigma, stocks ): plt.figure(figsize=( 8 , 6 )) plt.scatter(sigma, mu, c= 'black' ) plt.xlim( 0 , 0.45 ) plt.ylim( 0 , 0.25 ) plt.ylabel( 'Mean' ) plt.xlabel( 'Standard Deviation' ) for i, stock in enumerate (stocks): # 각 자산에 이름 표시 plt.annotate(stock, (sigma[i], mu[i]), ha= 'center' , va= 'bottom' , weight= 'bold' ) plot_points(mu, sigm...

[트레이딩] 손절매의 실전 적용법과 효과적인 위험관리 전략

  손절매의 실전 적용법과 효과적인 위험관리 전략 트레이딩에서 손절매(stop-loss) 는 필수적인 도구 중 하나입니다. 하지만 손절매가 단순히 ‘손실을 막아주는 도구’라고만 생각하면 오해가 생길 수 있습니다. 손절매는 장단점이 분명하며, 올바른 이해와 전략적 적용이 중요합니다. 이번 글에서는 손절매의 실제 효과와 이를 활용한 체계적인 위험관리 전략을 함께 살펴보겠습니다. 1. 손절매란 무엇인가? 손절매는 투자자가 미리 정해 놓은 가격(손절매 가격)에 도달했을 때 자동으로 매도 주문이 실행되어 추가 손실을 방지하는 기법입니다. 감정에 휘둘리지 않고 손실을 제한할 수 있어 초보자부터 전문가까지 널리 사용합니다. 2. 손절매의 통계적 효과 최근 연구에 따르면, 손절매는 다음과 같은 특징이 있습니다. 기대수익에는 영향 없음 손절매를 사용한다고 해서 평균 수익률이 올라가거나 내려가지는 않습니다. 손실 확률 증가 손절 가격 이하로 내려갈 확률이 두 배로 증가합니다. 즉, 손실을 더 자주 경험할 수 있습니다. 손실 연속 기간 증가 연속으로 손실을 보는 구간이 늘어날 수 있어 심리적으로 부담될 수 있습니다. 리스크(분산, 표준편차) 감소 손절매는 극단적인 손실 위험을 줄여 변동성을 낮추는 효과가 있습니다. 왜도(skewness)가 더 음(-)으로 변함 큰 이익을 보는 횟수는 비슷하지만, 작은 손실이 더 자주 발생하는 분포로 바뀝니다. 3. 실전에서 손절매를 어떻게 적용할까? 1) 합리적 손절매 가격 설정 기술적 분석 기반 : 지지선, 이동평균선, 변동성 지표(ATR) 등을 활용해 손절매 위치를 설정합니다. 포지션 크기 대비 손실 한도 설정 : 투자금 대비 허용 가능한 손실 비율(예: 1~2%)을 정하고, 손절매 가격을 산출합니다. 2) 심리적 준비 손실이 빈번하게 발생할 수 있다는 점을 인정하고, 감정에 흔들리지 않도록 미리 마음가짐을 다집니다. 손절매에 걸렸을 때 감정적 대응 ...

[트레이딩] KOSPI 로그 수익률 기반 Z-Score 분석과 매매 전략

  KOSPI 로그 수익률 기반 Z-Score 분석과 매매 전략 안녕하세요! 오늘은 파이썬과 FinanceDataReader를 활용해 KOSPI 일봉 데이터를 기반으로 **로그 수익률(Log Return)**의 Z-score를 계산하고, 이를 활용한 간단한 매매 전략 까지 소개해 드리겠습니다. 1. 로그 수익률(Log Return)이란? 주식의 가격 변동을 분석할 때 우리는 보통 수익률을 계산합니다. 여기서 흔히 사용하는 두 가지 수익률은: 단순 수익률 : P t − P t − 1 P t − 1 \frac{P_t - P_{t-1}}{P_{t-1}} ​ ​ 로그 수익률 : log ⁡ ( P t P t − 1 ) \log\left(\frac{P_t}{P_{t-1}}\right) 로그 수익률은 시계열 수익률의 합산, 통계적 특성(정규분포 근사)에 유리해 금융 분야에서 많이 사용됩니다. 2. Z-score란? Z-score는 데이터가 평균에서 얼마나 떨어져 있는지를 표준편차 단위로 나타낸 값입니다. Z = x − μ σ​ 여기서 x x 는 현재 로그 수익률, μ \mu 는 최근 일정 기간 이동평균, σ \sigma 는 이동 표준편차입니다. 3. 오늘의 데이터: KOSPI 5년치 분석 import FinanceDataReader as fdr import pandas as pd import numpy as np import matplotlib.pyplot as plt from datetime import datetime, timedelta end_date = datetime.today() start_date = end_date - timedelta(days= 5 * 365 ) df = fdr.DataReader( 'KS11' , start_date.strftime( '%Y-%m-%d' )) df[ 'LogReturn' ] = np.log(df[ 'Close'...

[트레이딩] 공분산 행렬: 금융 데이터 분석에서의 활용까지

  📊 공분산 행렬이란 무엇인가? – 금융 데이터 분석에서의 활용까지 금융 데이터를 다루다 보면 "공분산 행렬(Covariance Matrix)"이라는 용어를 자주 마주치게 됩니다. 특히 포트폴리오 이론, 리스크 분석, 머신러닝 기반 투자 전략 등에서 이 행렬은 핵심적인 역할을 합니다. 이 글에서는 공분산 행렬이 무엇인지, 왜 중요한지, 그리고 이를 어떻게 활용할 수 있는지 알아보겠습니다. ✅ 공분산이란? 먼저 **공분산(Covariance)**의 개념부터 간단히 짚고 넘어가겠습니다. 공분산은 두 변수 간의 관계를 측정하는 지표입니다. 양의 공분산 : 두 변수가 함께 증가하거나 함께 감소하는 경향 음의 공분산 : 한 변수가 증가할 때 다른 변수는 감소하는 경향 0에 가까운 공분산 : 서로 독립적일 가능성 예를 들어, 삼성전자와 SK하이닉스의 주가가 같이 오르고 같이 떨어지는 경향이 있다면, 이 둘 사이의 공분산은 양수일 것입니다. 수식으로는 다음과 같이 정의됩니다: Cov ( X , Y ) = 1 n − 1 ∑ i = 1 n ( X i − X ˉ ) ( Y i − Y ˉ ) ✅ 공분산 "행렬"이란? 두 자산 간의 공분산만으로는 충분하지 않을 때가 많습니다. 예를 들어, 코스피 상위 200개 종목 간의 관계를 분석하고 싶다면 어떻게 해야 할까요? 이때 필요한 것이 바로 **공분산 행렬 (Covariance Matrix)**입니다. 크기: N × N N \times N  (여기서 N은 자산의 개수) 각 원소 ( i , j ) (i,j) : 자산 i i 와 자산 j j 의 공분산 예시 (3종목인 경우): A B C A Var(A) Cov(A,B) Cov(A,C) B Cov(B,A) Var(B) Cov(B,C) C Cov(C,A) Cov(C,B) Var(C) 이 행렬은 대칭(symmetric)이면서, 주대각선(diagonal)은 각 종목의 분산 (변동성의 제곱)을 나타...

[트레이딩] 투자 전략이 정말 유효할까? t-검정 활용하기

  📊 투자 전략이 정말 유효할까? t-검정으로 통계적으로 검증하기 투자 전략을 만들고 백테스트를 해보면 좋은 수익률이 나올 때가 있습니다. 그런데 그게 진짜 실력일까요, 아니면 단지 운이 좋았던 걸까요? 이런 의문을 통계적으로 검증할 수 있는 방법이 있습니다. 바로 t-검정(t-test) 입니다. 📌 t-검정이란? t-검정은 어떤 전략의 평균 수익률이 단순히 우연히 생긴 것인지, 아니면 실제로 기대 수익이 존재 하는지를 확인하는 통계 기법입니다. t-검정은 다음과 같은 가설을 세우고 검증합니다: 귀무가설 (H₀): 평균 수익률 = 0 (즉, 전략에 진짜 수익은 없다) 대립가설 (H₁): 평균 수익률 ≠ 0 (전략에 의미 있는 수익이 있다) 📐 예시: 36개월간의 백테스트 결과 어떤 투자 전략을 36개월 동안 백테스트한 결과, 다음과 같은 수익률이 나왔다고 가정해 봅시다. 📈 월평균 수익률: +1.2% 📉 표준편차 (수익률의 변동성): 2% 📊 데이터 수 (n): 36개월 이 데이터를 t-검정에 넣어보면... t = x ˉ − μ 0 s / n = 1.2 − 0 2 / 36 = 1.2 0.333 ≈ 3.6 t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}} = \frac{1.2 - 0}{2 / \sqrt{36}} = \frac{1.2}{0.333} ≈ 3.6 ✅ 해석: 의미 있는 전략인가? 자유도(df) = 36 - 1 = 35 df = 35 기준에서 t 값이 2 이상이면 통계적으로 유의미 한 수준 우리가 계산한 t = 3.6 → p-value는 0.01보다 작음 📌 즉, 이 전략은 운이 아닌 통계적으로 의미 있는 수익 을 내고 있는 것으로 보입니다. 🧠 왜 이게 중요한가? 많은 전략들이 '겉보기'에는 좋아 보이지만, 실제로는 몇 번의 우연한 대박 수익 때문에 그렇게 보이는 경우가 많습니다. t-검정은 그 전략이 단...

[트레이딩] 현재 주가 기준으로 기대수익률은 어떻게 계산할까?

  📈 현재 주가 기준으로 기대수익률은 어떻게 계산할까? 투자자라면 누구나 “앞으로 수익률이 얼마나 될까?”를 궁금해합니다. 이때 핵심이 되는 개념이 바로 기대수익률(Expected Return) 입니다. 하지만 현재 주가를 기준으로 기대수익률을 계산하는 방법은 상황과 목적에 따라 여러 가지가 있습니다. 이 글에서는 투자자들이 가장 자주 사용하는 3가지 기대수익률 계산법 을 쉽게 정리해 드립니다. ✅ 1. 과거 수익률 평균 기반 계산 (과거 실적 추정) 가장 기본적인 방식입니다. 과거 일정 기간 동안의 수익률을 평균 내어 미래 수익률을 추정합니다. 예를 들어, 한 주식의 지난 5년간 연간 수익률이 다음과 같다고 합시다. 8% , 12%, 6%, 10%, 14% 이 경우 기대수익률은 단순 평균: 8 + 12 + 6 + 10 + 14 5 = 10 % 이 방식은 계산이 간단하고 직관적이지만, 과거의 수익률이 미래를 보장하지 않는다는 한계가 있습니다. 그래서 이 값을 참고 수치로 사용하며, 반드시 다른 지표와 병행하는 것이 좋습니다. ✅ 2. CAPM 모델 기반 계산 (시장 위험 반영) CAPM (Capital Asset Pricing Model)은 이론적으로 자산의 기대수익률을 시장 위험에 따라 설명하는 모델입니다. 공식은 다음과 같습니다: 기대수익률 = R f + β ( R m − R f ) R f R_f : 무위험 수익률 (예: 국채 금리) R m R_m ​ : 시장 수익률 β \beta : 해당 자산의 베타 (시장 민감도) 예를 들어, 무위험 수익률이 3%, 시장 수익률이 9%, 베타가 1.2라면, = 3 % + 1.2 × ( 9 % − 3 % ) = 10.2 % → 즉, 위험이 클수록 더 높은 기대수익률을 가져야 한다는 의미입니다. ✅ 3. 배당 성장 모델 (Gordon Growth Model / DDM) 배당금을 지급하는 기업이라면, 배당과 성장률을 기반으로 기대수익...

[트레이딩] 상대적 재산 증가율 식 모델링 과정

  💡 상대적 재산 증가율과 로그 효용 함수는 어떻게 유도되었을까? 우리가 경제적 의사결정 모델에서 자주 접하는 식 중 하나가 다음과 같은 로그 형태의 효용 함수 입니다: U ( w + x ) = log ⁡ ( w + x w ) = log ⁡ ( 1 + x w ) 이 수식은 단순히 어떤 '편리한 형태'로 도입된 것이 아닙니다. 실제로는 인간의 의사결정과 장기 생존 전략을 설명하기 위해 여러 학문적 배경과 모델링 과정을 거쳐 도출된 결과입니다. 이 글에서는 그 과정을 하나씩 짚어보겠습니다. 1. 💭 인간의 의사결정은 절대값이 아니라 '비율'을 본다 경제학자들과 심리학자들은 오래전부터 한 가지 의문을 가졌습니다. "왜 사람들은 같은 1,000원을 얻는 것에도 상황에 따라 다른 가치를 부여할까?" 이 질문에 대한 초기 답변은 효용(utility)의 체감 입니다. 재산이 늘어날수록 추가 1원의 가치가 점점 줄어들기 때문에, 절대 수익 보다는 상대 수익률 이 실제 만족도에 더 영향을 미친다는 가설이 세워졌습니다. 예: 1,000원이 전 재산의 100%일 땐 매우 크지만, 1억 원 중의 1,000원은 거의 무시됩니다. 이 관점을 수학적으로 표현하면 아래와 같이 됩니다: 상대 재산 증가율 = w + x w​ 이때 이 비율의 자연로그를 취하면 상대적 효용 증가 를 측정하는 지표가 됩니다: log ⁡ ( w + x w ) = log ⁡ ( 1 + x w ) 이것이 로그 효용 함수의 기초 형태 입니다. 2. 📜 역사적 배경: 베르누이와 로그 효용의 탄생 이 개념은 18세기 수학자 **다니엘 베르누이(Daniel Bernoulli)**로 거슬러 올라갑니다. 그는 ‘상페테르부르크 역설(Saint Petersburg paradox)’을 설명하기 위해 로그 함수 형태의 효용 함수 를 제안했습니다. 그는 “돈의 효용은 금액의 로그에 비례한다”고 주장했습니다. 즉, 효용 함수 U ( ...