배경

• AILA 전략은 자산을 기반으로 구성되며, 이 자산들은 아래에 설명된 롤링 멀티모델(RMM) 접근 방식에 따라 전용 분류 모델의 배분 신호를 사용합니다.
• 2017년~2021년: 배분 신호는 1016이 생성합니다.
• 2022년부터는 매년 새로운 윈도우를 기존 윈도우 조합에 추가하며, 각 윈도우의 신호 기여도는 동일 가중 방식으로 반영합니다.
• 이 접근 방식의 목적은 데이터 누출과 과적합을 피하면서 한정된 학습 데이터의 활용을 극대화하는 것입니다.
• 각 학습 윈도우의 모델을 학습, 배포 및 운영하려면 추가 투자가 필요하므로, 그것이 유익한지 평가할 필요가 있습니다.

목적

이 분석의 목적은 다음을 평가하는 것입니다.

• 전체 포트폴리오 성과 측면에서 멀티 윈도우 접근 방식과 단일 윈도우 접근 방식의 비교
• 조합 시 전체 수익률의 일관성에 기초한 기본 학습 방법론의 견고성

접근 방법

• 매년 새로운 T-V(학습-검증) 윈도우 모델이 단계적으로 추가되는 과정을 시뮬레이션하기 위해, 농산물(곡물, 축산물, 유지작물, 소프트), 금속(비철금속, 귀금속), 석유(원유, 정제유 제품), 천연가스 전반에 걸쳐 동일한 계약을 포함하는 분산 포트폴리오를 구성했습니다.
• 당사의 포트폴리오 구성 방법론에서는 2022년부터 새로운 윈도우를 추가하므로, 분석은 그해부터의 포트폴리오 성과를 평가 기준으로 삼습니다.
• 이에 따라 5개 포트폴리오를 아래와 같이 RMM 추가 로직에 따르도록 구성했습니다.
  • W0: 1016만 포함하며, 단일 윈도우 포트폴리오라고도 합니다.
  • W1: 1016과 1117을 포함하며, 2022년부터 각 윈도우에 50%의 비중을 부여합니다.
  • W2: 2022년에는 W1을 따르고, 1218을 추가하여 2023년부터 각 윈도우에 33.33%의 비중을 부여합니다.
  • W3: 2023년까지 W2를 따르고, 2024년부터 1319를 추가하여 2024년부터 각 윈도우에 25%의 비중을 부여합니다.
  • W4: 2024년까지 W3를 따르고, 2025년부터 1420을 추가하여 2024년부터 각 윈도우에 20%의 비중을 부여합니다.
  • W5: 2025년까지 W4를 따르고, 2025년부터 1521을 추가하여 2024년부터 각 윈도우에 16.66%의 비중을 부여합니다.

성과 측정

• 이 포트폴리오들의 성과는 포트폴리오의 누적 수익률과 샤프 지수로 측정합니다.
• 이러한 지표는 개별 윈도우의 성과를 평가하는 것이 아니라, 매년 단계적으로 윈도우를 추가하는 롤링 방법론에 대한 평가라는 점에 유의해야 합니다.
• 또한 각 구성 요소의 롤링 성과를 자세히 보기 위해 수익률을 원자재 수준으로 분해합니다.

• 모든 포트폴리오는 전체 누적 수익률과 샤프 지수 측면에서 서로 밀접하게 움직입니다.
  • W0: 108.36% / 전체 샤프 지수: 3.09
  • W1: 105.69% / 전체 샤프 지수: 2.76
  • W2: 106.54% / 전체 샤프 지수: 2.73
  • W3: 104.89% / 전체 샤프 지수: 2.68
  • W4: 106.43% / 전체 샤프 지수: 2.70
  • W5: 107.28% / 전체 샤프 지수: 2.71
• 단일 윈도우 1016에 기반한 W0는 전체 기간에서 다른 윈도우 포트폴리오를 근소하게 앞서며, 모든 윈도우를 포함한 W5가 2위입니다.
• 예상대로 2022년~2023년 기간에는 성과가 일치하며, 이어지는 2023년부터 2024년 중반까지의 기간에는 W0가 더 나은 성과를 보입니다.
• 자세히 살펴보면 2024년 중반부터 W1~W5의 누적 수익률 변화율이 더 가팔라져 W0 포트폴리오와의 격차가 줄어드는데, 이는 모든 멀티 윈도우 포트폴리오의 성과가 더 좋았음을 의미합니다.
• W0의 샤프 지수는 3.09로 가장 높으며, 포트폴리오의 윈도우 조합이 늘어날수록 급격히 낮아지지만 2.70 수준에서 안정됩니다.
• 일별 수익률은 서로 높은 상관관계를 보이며, 특히 멀티 윈도우 포트폴리오들은 매우 밀접한 상관관계를 보입니다.

• 구성된 포트폴리오에는 총 25개 원자재가 포함됩니다. 기여도를 더 자세히 파악하기 위해 원자재별 수익률로 분석을 분해했습니다.
• 여기에 제시된 두 히스토그램은 25개 원자재 중 누적 수익률과 샤프 지수를 기준으로 W0~W5가 성과 1위(순위 1)를 차지한 빈도를 나타냅니다.
• W1은 전체 포트폴리오 수준에서 누적 수익률이 가장 낮았지만, 누적 수익률과 샤프 지수 모두에서 6개 원자재에서 1위를 차지했습니다.
• W5는 누적 수익률 기준으로는 8개 원자재에서 1위를 차지했지만, 샤프 지수 기준으로는 4개 원자재에서만 1위를 차지했습니다.
• 개별 차트(부록 참조)에서 볼 수 있듯이, 각 원자재에서 성과의 추세와 방향은 비슷하지만 W0와 W1~W5 간 성과 차이는 더 큽니다.
• W0와 W1~W5 간 샤프 지수의 차이(부록 참조)도 더 큽니다.
• 이러한 차이는 포트폴리오 구성 파라미터(자본, 최적화 목표, 섹터-자산 한도 등)가 5개 포트폴리오 모두에서 동일하더라도, 개별 원자재 수준에서는 차이를 증폭하는 반면 전체 수준에서는 성과를 수렴시키기 때문인 것으로 설명할 수 있습니다.

• 이 분석의 근본적인 관심사는 배분 신호를 집계하는 멀티 윈도우 접근 방식이 전체 성과 측면에서 단일 윈도우보다 나은지를 검토하는 것입니다.
• 이 분석에서는 단일 윈도우 포트폴리오인 W0가 다른 윈도우 조합보다 더 나은 성과를 보였습니다.
• 자세히 살펴보면 몇 가지 흥미로운 패턴이 드러납니다. 처음 2년 동안 윈도우를 추가함에 따라 성과가 떨어지는 것으로 보여 W0 대비 수익률 저하를 시사합니다. 2024년부터는 성과가 따라잡아 수렴하는 것이 관찰되며, 이는 이 기간에 윈도우가 수익률에 추가적으로 기여함을 시사합니다.
• 개별 원자재 수준의 성과를 살펴보면, 단일 윈도우 수익률이 초과 성과를 낸 빈도가 가장 높지만 다른 윈도우 조합(W1 및 W5)도 특정 원자재에서는 상당히 좋은 성과를 보입니다. 다만 윈도우 조합 간 성과 차이는 더 큽니다.
• 윈도우를 더 추가하는 것과 성과 사이에 양의 관계가 있다고 결론적으로 판단할 수는 없지만, 롤링 윈도우는 절대 수익률이나 수익률의 질을 크게 떨어뜨리지 않으면서, 단일 윈도우 포트폴리오가 부진한 특정 기간에 성과를 뒷받침하는 완충 역할을 합니다.
• W0의 성과와 W0~W5 성과 간의 높은 상관관계에 근거한 보다 확정적인 결론은, 기본이 되는 AILA 학습 방법론이 매우 일관되며 따라서 견고하다는 것입니다.