2 posts with the tag “리스크 관리”

기술적 분석 6장: ATR로 손절선 최적화

quant 2026-09-06

저변동성 대형주와 변동성이 큰 바이오주에 똑같이 -7% 손절선을 적용하면 어떤 종목에는 너무 좁고, 다른 종목에는 너무 넓을 수 있습니다. ATR은 최근 가격 범위를 이용해 종목별 변동성을 비교하는 방법입니다.

ATR 계산

previous_close = df.groupby("code")["close"].shift(1)
true_range = pd.concat(
    [
        df["high"] - df["low"],
        (df["high"] - previous_close).abs(),
        (df["low"] - previous_close).abs(),
    ],
    axis=1,
).max(axis=1)

df["true_range"] = true_range
df["atr14_pct"] = df.groupby("code")["true_range"].transform(
    lambda x: x.rolling(14).mean()
) / df["close"]

실제 공개 코드에서는 종목별 그룹 안에서 True Range를 계산합니다. atr14_pct는 ATR을 현재 가격으로 나눈 값이므로 종목 가격이 달라도 변동성을 비교할 수 있습니다.

복합 신호를 변동성별로 나누기

MA20·MA60·RSI·MACD·거래량 조건을 동시에 만족한 진입 신호 중 20일 이후 수익률을 계산할 수 있는 1,601건을 ATR 기준 세 그룹으로 나누었습니다. 각 그룹의 실제 20일 결과는 다음과 같습니다.

변동성 그룹	신호 수	평균 ATR14/가격	양수 비율	평균 수익률	중앙값
낮은 변동성	534	4.08%	59.4%	+7.73%	+3.76%
중간 변동성	533	6.41%	53.7%	+9.00%	+2.24%
높은 변동성	534	10.01%	47.0%	+4.36%	-1.83%

평균 수익률만 보면 중간 변동성이 가장 높습니다. 그러나 낮은 변동성 그룹의 양수 비율은 59.4%, 중앙값은 +3.76%로 가장 안정적이었습니다. 높은 변동성 그룹은 평균이 +4.36%였지만 양수 비율은 47.0%, 중앙값은 -1.83%였습니다.

인사이트

ATR은 매수 신호가 아니라 포지션 크기와 손절 폭을 정하는 도구입니다.

target_risk = 100_000
stop_distance = df["atr14_pct"] * df["close"] * 2
df["shares"] = (target_risk / stop_distance).fillna(0).astype(int)

이번 결과에서 중요한 것은 평균수익률 1위인 중간 변동성 그룹을 그대로 고르는 것이 아닙니다. 낮은 변동성은 양수 비율과 중앙값이 좋았고, 중간 변동성은 평균만 높았으며, 높은 변동성은 전형적인 결과가 손실이었습니다. 변동성이 높은 종목을 무조건 제외할 필요는 없지만, 같은 금액을 매수하지 않고 손실 금액이 일정하도록 수량을 조절해야 합니다. ATR은 매수 신호를 강화하는 지표가 아니라, 신호를 실행할 때 위험을 먼저 제한하는 도구입니다.

다음 장에서는 가격이 MA20 위에 있다는 조건에 OBV를 추가했을 때 거래량 확인이 실제로 수익률의 일관성을 높이는지 살펴봅니다.

원자료는 변동성 그룹 결과에서 확인할 수 있습니다.

기술적 분석 12장: 백테스트하는 기술적 전략

quant 2026-09-06

앞 장의 후보 목록은 분석 대상을 줄여줄 뿐, 실제 투자 성과를 보여주지 않습니다. 기술적 분석의 마지막 질문은 “어떤 지표가 가장 유명한가?”가 아니라 “같은 조건과 비용을 적용했을 때 어떤 전략이 남는가?”입니다. 이번 장에서는 300개 종목에 같은 기간과 같은 비용 가정을 적용해 이동평균, MACD, 복합 신호를 비교합니다.

백테스트의 실행 규칙

state = df["close"] > df["ma20"]
state &= df["ma20"] > df["ma60"]

# 당일 신호로 다음 거래일부터 보유
position = state.groupby(df["code"]).shift(1).fillna(False)
gross_return = position * df["return_1d"]
turnover = position.groupby(df["code"]).diff().abs().fillna(position)
net_return = gross_return - turnover * 0.0015

실제 포트폴리오 계산에서는 해당 날짜에 보유 중인 종목의 수익률을 동일 비중으로 평균냈습니다. 거래비용은 포지션 변경 시 0.15%를 차감했습니다.

검증 구간 결과

검증 구간은 2026년 1월 1일부터 9월 4일까지입니다.

전략	누적수익률	연환산수익률	변동성	최대낙폭	Sharpe 근사
MA 추세	+63.55%	+111.03%	52.43%	-31.05%	2.12
MACD 추세	+58.15%	+100.55%	50.36%	-33.52%	2.00
복합 신호	+5.11%	+7.86%	63.69%	-46.21%	0.12
코스피	+33.62%	+55.69%	61.14%	-38.63%	0.91

이번 검증 구간에서는 MA와 MACD 추세 전략이 코스피를 앞섰습니다. MA 추세는 코스피보다 누적수익률이 높고 최대낙폭도 작았지만, -31.05%의 하락을 감수해야 했습니다. 반면 복합 신호 전략은 조건이 더 많았음에도 누적수익률이 +5.11%에 그쳤고 최대낙폭은 -46.21%였습니다.

최종 결론

이 표는 9장의 사건별 결과와 12장의 포트폴리오 결과가 다를 수 있다는 점도 보여줍니다. 복합 신호는 사건별 20일 평균수익률이 +7.03%였지만, 실제 진입·보유·거래비용을 적용한 전략의 누적수익률은 +5.11%였습니다. 신호가 발생한 사례의 평균과 투자자가 보유한 포트폴리오의 성과는 진입 시점, 신호 중복, 보유 종목 수, 거래비용에 의해 달라집니다.

이번 데이터에서 확인한 핵심은 다음과 같습니다.

1. 거래량 돌파와 MACD 골든크로스는 20일 선행수익률에서 상대적으로 강했습니다.
2. RSI 회복과 볼린저 하단 반등은 평균보다 중앙값이 낮아 일부 급등 사례의 영향을 크게 받았습니다.
3. 높은 변동성 종목은 복합 신호가 나와도 양수 비율과 중앙값이 낮았습니다.
4. 같은 기술 신호라도 산업별 결과가 달랐습니다.
5. 조건을 많이 결합한다고 전략 성과가 자동으로 좋아지지는 않았습니다.
6. 높은 수익률에는 항상 최대낙폭과 표본 편향을 함께 표시해야 합니다.

따라서 이번 분석에서 얻은 실전적인 순서는 다음과 같습니다.

1. MA·MACD로 상승 추세에 있는 종목을 먼저 구분합니다.
2. 거래량 돌파와 OBV로 추세에 거래량 확인이 붙었는지 봅니다.
3. RSI·볼린저 반등은 단독 매수 신호가 아니라 시장·산업 조건과 함께 해석합니다.
4. ATR로 종목별 포지션 크기와 손실 폭을 조정합니다.
5. 산업·시장 국면으로 후보를 다시 나눈 뒤, 백테스트에서 거래비용과 최대낙폭을 확인합니다.

기술적 분석은 미래를 맞히는 주문이 아니라, 가격·거래량에서 반복적으로 관찰되는 조건을 정의하고 그 조건의 성과와 실패 범위를 측정하는 방법입니다. 이번 결과는 이 표본과 검증 기간에 대한 증거이지, 어떤 지표도 항상 작동한다는 보장은 아닙니다.

전체 원자료는 OHLCV, 신호 결과, 전략 결과, Python 코드에서 확인할 수 있습니다. 과거 검증 결과는 미래 수익을 보장하지 않으며, 실제 투자 전에는 체결 가능성·세금·슬리피지·생존자 편향을 추가로 검토해야 합니다.