과거 행태

• AiLA와 3개 CTA 간의 손익 상관관계는 전반적으로 낮습니다. 예: 𝜌(daily) ≲±15%.
• AiLA는 모멘텀 전략이 다시 인기를 얻은 2020년 중반부터 Mar-2022까지의 강세장("롱 추세")을 포착했습니다(파란색 음영 기간).
• AiLA는 Mar-2020 전후의 폭락("숏 추세")도 포착했는데, 이는 상대적으로 느린 CTA 전략이 잘 포착하지 못한 국면입니다.
• AiLA는 일반적으로 그 밖의("약한 공통 추세") 기간에도 성과를 냈습니다.

과거 행태

• AiLA 알파는 체계적 프로세스를 사용하는 기회주의적 전략입니다.
• 이 전략은 미시 팩터와 거시 팩터 모두에 의해 움직입니다.
• 프로세스의 모든 단계는 사람의 개입 없이 완전히 자동화되어 있습니다.

AiLA 대 CTA 팩터

• 유동성이 높은 20개 원자재 선물 시장, 근월물 계약
• [Baz15]에 기초하여 구현한 3개 CTA 전략
• 원자재별로 집계한 AiLA 모델
• 모든 전략을 동일한 원자재 수익률에 적용

[Baz15] J.Baz et al., Dissecting Investment Strategies in the Cross Section and Time Series (December 4, 2015). SSRN에서 이용 가능: https://ssrn.com/abstract=2695101

CTA 팩터와 다른 AiLA

• AiLA와 모멘텀, 캐리, 밸류 전략 간의 수익률 상관관계가 낮습니다.
• AiLA는 CTA 전략들 상호 간의 관련성보다 어느 CTA 전략과도 관련성이 낮은 것으로 보입니다.
• AiLA 전략의 수익률은 다른 체계적/퀀트 전략을 보완합니다.

• AiLA 상품은 전략 비중으로 정의되며, 여기서는 이를 실제 비중(AW)이라고 합니다.
• AiLA 상품 비중은 T 시장 종가 집행을 위해 T-1 뉴욕 장 마감 시점에 FTP로 제출됩니다.
• 비중(AW) 정보는 다음으로 구성됩니다.
  • 자산(선물 계약) 명칭
  • 총 배분 자본 대비 비중(%)
  • 롱 또는 숏 포지션
  • 일별 리밸런싱, 다음 종가에 집행
• 비중은 다운스트림 프로세스에서 결정되며, 일별 배분 결정을 입력값으로 받아 각 자산에 "얼마나" 배분할지에 초점을 맞춥니다.

예시: AiLA-S030 실제 비중 정보

• 업스트림 프로세스가 개별 자산에 대한 일별 배분 결정의 형태로 입력값을 제공합니다.
• 특정 일자에 이 입력값은 AiLA 전략 포트폴리오의 각 자산에 대해 롱/숏으로 배분할지 또는 배분하지 않을지에 대한 결정을 제공합니다.
• 다운스트림 전략 구성 프로세스는 배분 입력값을 바탕으로 세 단계에 걸쳐 순차적으로 전략 비중을 계산하여 각 자산에 "얼마나" 배분할지를 결정합니다.

비제약 비중(UW)

• 이상적인 비중은 평균/분산 포트폴리오 구성 원칙에 따라 결정합니다. 다만 배분의 동적인 특성 때문에, 견고하고 투명한 방법론을 달성하기 위해 당사 여건에서 실증적으로 유의미하다고 확인된 측면만 포함합니다.
• 비제약 비중의 목적은 실무적 제약을 부과하기 전, 사용자 선호에 기초한 이상적인 전략을 나타내는 것입니다. 이후 단계에서는 다양한 사용자/집행 제약 조건을 준수하면서 비제약 전략에 최대한 가까운 전략을 달성하는 것을 목표로 합니다.
• 비제약 비중은 특정 일자에 활성화된 롱/숏 배분 결정이 있는 자산 세트에 대해 계산합니다.
• 비제약 비중은 다음 측면을 고려하여 계산하며, 그중 일부는 선택 사항입니다.
  • 변동성: 자산 리스크 기준 동일 가중
  • 유효 자산 수(N effective): 추정된 유효 자산 수에 따라 배분을 달리함
  • 전략 상관관계: 표준 전략인 BCOM 또는 GSCI에 대한 상관관계 선호를 반영함
  • 리스크 목표: 전략 리스크 목표에 맞게 비중을 조정함

제약 비중(CW)

• 제약 비중은 비제약 비중(UW)을 입력값으로 받아, 일련의 선형 제약 조건 하에서 가장 유사한 비중 세트를 결정합니다.
• 계산은 특정 일자에 활성(0이 아닌) 비중을 가진 자산만 고려합니다.
• 제약 비중은 다음 제약 조건을 적용하여 계산합니다.
  • 자산 한도: 개별 자산 비중의 상한
  • 섹터 한도: 섹터 내 비중 합계의 상한
  • 샤프 지수: 과거 전략 샤프 지수의 하한
  • 전략 배분: 전체 비중 합계에 대한 등식 제약
• 최대 배분 선호가 있는 경우, 비중 합계가 이 값을 초과하는 영업일에는 산출 비중을 최대값까지 축소하는 옵션을 사용할 수 있습니다.

실제 비중(AW)

• 전략 비중은 제약 비중(CW)을 입력값으로 사용하여 계산합니다.
• 또한 거래 조정 기간 기준을 적용하여, Mid(Large) Cap 집행 로직을 사용할 때 만기 또는 연말까지의 영업일 수가 2(7)일 미만이면 비중을 0으로 설정합니다.
• 거래 조정 기간 기준을 적용한 CW 비중을 목표 비중이라고 하며, 실제 전략 비중은 이 목표 비중을 달성하고자 합니다.
• 그러나 다양한 한도에 따른 리밸런싱 제한 때문에 실제 전략 비중이 목표 비중과 같아지지 못하는 경우가 많습니다.
• 집행 로직이 실제 비중을 산출할 때 준수하는 다양한 리밸런싱 제한에는 사용자 정의 기준과 거래 자산의 거래량/미결제약정에 따른 유동성 제약이 포함됩니다.

다운스트림 문서

다운스트림 전략 방법론에 대한 자세한 내용은 다음에서 확인할 수 있습니다.

• [AiLA 방법론] 자동화 전략 방법론, https://aila-x.com/methodology/alpha-strategy-calculations
• [AiLA 방법론] 자동화 넷제로 방법론, https://aila-x.com/methodology/automated-net-zero-methodology

예시: 5개 자산 전략의 실제 비중

5개 자산 전략:

• 7월물 대두, 6월물 구리, 6월물 금, Cal TTF, 6월물 WTI
• 포트폴리오 목표: 자산별 동일 비중 20%, 단 자산 비중은 최대 100%까지 허용

동적 비중:

• 2022 03 23: 금, 구리, 대두에 배분 기회가 발생하여 비중이 20% 이상으로 증가했으며, 그 결과 시스템이 자본의 94.1%를 배분했습니다.
• 2022 05 16: TTF만 배분 기회가 있는 자산이었으나 유동성 제약으로 20% 비중이 불가능하여, 시스템이 자본의 6%를 배분했습니다.
• 2022 05 17: TTF 배분이 종료되어 시스템이 TTF 롱 비중 6%를 청산하기로 결정했습니다.

자산 수에 따라 달라지는 비중:

• 활성 자산 수가 많은(적은) 기간에는 개별 비중이 작아지는(커지는) 경향이 있습니다.

• 업스트림 프로세스의 주요 목적은 개별 자산에 "언제" 배분할지를 결정하는 것입니다.
• 배분은 현재의 투자 기회를 포착하기 위한 것입니다.
• 기회주의적 결정은 개별 자산 전용의 데이터 기반 모델에 근거합니다.
• 배분 결정은 업스트림 프로세스에서 네 단계에 걸쳐 순차적으로 산출됩니다.

• 미시 피처는 해당 자산과 특별히 관련된 것으로 선택하며, 전량 데이터 서비스 제공업체인 Refinitiv와 Bloomberg에서 조달합니다. 미시 피처 데이터에는 곡선 구조 데이터, 트레이더 포지션 보고서(Commitments of Traders), 펀더멘털 데이터 등이 포함되며 이에 국한되지 않습니다.
  
  미시 피처 데이터의 예로는 RBOB의 H-J 스프레드가 있으며, 이는 기온, RVP, 예상 정제 능력, 예상 겨울 이후 수요 등의 효과를 반영합니다.

• 거시 피처는 모든 자산에 공통 피처로 사용합니다. 이 데이터에는 시장 지수, 외환 환율, 경제 지표, 주요 원자재 가격 등이 포함되며 이에 국한되지 않습니다. 데이터는 전량 데이터 서비스 제공업체인 Refinitiv와 Bloomberg에서 조달합니다.
  거시 피처 데이터의 예로는 환율이 있으며, 환율은 정제 시설이 풍부한 지역에서 수출되는 RBOB 제품을 더 비싸게 또는 더 싸게 만들어 수출에 영향을 미칩니다.
• 피처 데이터는 EOD 프로세스의 일부로 장 마감 후 수집하며, 모든 데이터는 반복 가능하고 공개되어 있으며 검증 가능한 출처에서 얻습니다.

피처 데이터(XF)

• 모든 피처 데이터는 DQ 시스템에서 처리한 다음, 모델이 관련 정보에 더 쉽게 접근할 수 있는 형식으로 변환합니다. 예를 들어 데이터 정규화, 상대/스프레드 정보, 원-핫 인코딩 등이 포함되며 이에 국한되지 않습니다.
• 모델 학습 사이클을 위해 데이터를 시간 순서에 따라 분할하며, 세 개의 표본이 연속된 기간에 해당합니다(차트 참조).
  • 학습: 모델 학습에 사용
  • 검증: 모델 성과 검증 및 하이퍼파라미터 튜닝에 사용
  • 홀드아웃: 모델의 모든 측면을 고정한 후 최종 성과를 평가하기 위한 표본 외 데이터
• 과적합의 위험이 매우 크기 때문에, 홀드아웃 데이터 세트는 모델 성과의 최종 평가에 단 한 번만 사용할 수 있습니다.
• 특정 일자에 어떤 AiLA 전략의 자산과 관련된 배분 결정에 기여한 가장 중요한 피처는 AiLA 상품 UI에서 확인할 수 있습니다.

모델 선택: y = f(XF)

• 모델 선택에는 MLRD 플랫폼(Machine Learning Research and Development)을 사용한 다양한 모델 분석이 포함됩니다.
• 모델의 학습-검증 사이클 동안 하이퍼파라미터도 튜닝합니다.
• 모델 실행에서 수집한 지표, 특히 정확도와 신호 밀도가 최종 모델 선택을 위한 정성적 판단의 기초가 됩니다.

배분 결정(A)

• 진입 결정
  • 모델 출력값(y)은 매일 특정 보유 기간 동안 일정한 위험-보상을 달성할지에 대한 예측을 제공합니다.
  • 예를 들어, 롱 포지션이 향후 15일 동안 3%를 초과하는 손실 없이 10%의 수익률을 달성할 확률입니다.
  • 유리한 롱 또는 숏 위험-보상 시나리오의 확률이 충분히 높으면, 해당 목표 파라미터로 기회주의적 배분에 진입합니다.
• 청산 결정:
  • 배분은 네 가지 청산 기준 중 하나가 충족될 때까지 유지됩니다.
  • 추가 투자 기회가 거의 없을 것으로 예상되는 경우
  • 투자 시작 이후 리스크 목표에 도달한 경우
  • 투자 시작 이후 보상 목표를 달성한 경우
  • 모델로부터 반대 방향의 기회 신호를 받은 경우
  • 위 기준 중 청산 기준 (4)만 피처 데이터에 따라 달라집니다.

예시: Gold_CME_June 롱 배분 결정

2022-04-13: 진입 결정

• 미시/거시 피처가 유리한 위험/보상을 예측

(* CFTC CoT NCNC = CFTC 트레이더 포지션 보고서(Commitments of Traders), 비상업 순계약)

2022-04-21: 청산 결정

• 투자 시작 이후 리스크 목표에 도달