배경

• AiLA 방법론에서는 데이터를 학습 윈도우(기간), 검증(표본 내 데이터) 기간, 홀드아웃(표본 외 데이터) 기간으로 구분합니다.
• 이러한 구간 분할로 기간 간 데이터 누출이 없도록 하고 과적합을 방지합니다.
• 이 분석의 목적은 다음 가설을 검증하여 당사 방법론의 견고성을 확인하는 것입니다.
• 학습 윈도우가 길수록 성과가 개선됩니다.
• 서로 다른 학습 윈도우 간의 성과는 상관관계를 보일 것입니다.

접근 방법

• 1117, 1218, 1319, 1420 롤링 학습 윈도우를 기반으로 1016 자산에 해당하는 자산/구성 요소를 배포합니다.
• 두 가지 1016 전략, 즉 1) 분산 원자재 전략과 2) 단일 산업: 농산물 전략의 여러 버전을 구성합니다. 구성 파라미터와 원자재/계약 만기는 전략 간에 동일하지만, 각 전략에는 같은 윈도우에서 학습된 자산만 포함됩니다.
• 전략의 성과는 2021년 이후의 공통 표본 내 기간에서 비교합니다.

분산 원자재 전략

• 전략의 기초 원자재: 농산물, 비철금속 및 귀금속, 석유(원유 및 정제유 제품), 천연가스
• 누적 수익률은 Jan-2021부터 April-2025까지의 공통 표본 외 기간에서 비교합니다.
• 1420 코호트 기반 전략은 다른 코호트 전략보다 일관되게 더 나은 성과를 보입니다.
• 1117 코호트 기반 전략의 누적 성과는 방향상 다른 모든 코호트와 비슷하지만 성과는 다른 코호트보다 저조하며, 1218과 1319는 비슷한 성과를 보입니다.
• 1016 전략은 방향상 비슷하지만 다른 수익률 그래프와 교차하며, 2024년부터는 성과가 더 평탄합니다.
• R 전략은 예상대로 처음에는 1016과 일치하며, 이후 매년 다른 점진적 롤링 자산의 영향이 반영되면서 그 성과는 상위 성과 코호트와 하위 성과 코호트 사이에 위치합니다.

일별 수익률 상관관계

• 롤링 학습 윈도우 전반에 걸친 수익률의 분포를 자세히 살펴봅니다.
• 1016은 일별 및 주별 수익률에 비해 월별 수준의 상관관계가 더 낮습니다.
• 월별 수익률 상관관계는 학습 윈도우가 짧은 코호트에서 긴 코호트로 갈수록 높아집니다.

• 전략의 기초 원자재: 곡물, 유지작물 및 환금작물
• 누적 수익률은 Jan-2021부터 April-2025까지의 공통 표본 외 기간에서 비교합니다.
• 1016 전략은 좋은 성과를 보이며, 2023년 중반부터는 때때로 다른 전략을 앞섭니다.
• 다른 코호트 중에서는 1420이 2023년까지 다른 코호트보다 근소하게 더 나은 성과를 보이지만, 1016에는 뒤처집니다.
• 1218은 다른 모든 전략보다 성과가 저조합니다.
• 초기 기간 이후 상당 기간 동안 1016이 R보다 더 나은 성과를 보이지만, 마지막 기간으로 갈수록 R의 성과가 따라잡습니다.

일별 수익률 상관관계

• 롤링 학습 윈도우 전반에 걸친 수익률의 분포를 자세히 살펴봅니다.
• 1016은 일별 및 주별 수익률에 비해 월별 수준의 상관관계가 근소하게 더 낮습니다.
• 중간 학습 윈도우인 1117-1218, 1218-1320은 수익률의 상관관계가 약간 더 높습니다.

• 핵심 관심사는 학습 윈도우의 변화가 전략의 최종 성과에 미치는 영향을 이해하고, 서로 다른 롤링 기간에 기반한 전략의 성과를 비교하는 것입니다.
• 두 전략에 대한 이번 분석에서는 일반적으로 학습 윈도우가 길어질수록 작지만 식별 가능한 성과 개선이 나타났습니다. 검토한 두 경우 모두에서 1420 전략은 해당 기간 동안 다른 전략보다 근소하게 더 나은 성과를 보였습니다. 그러나 농산물 전략 비교에서 1218의 성과가 저조했던 것처럼 예외도 있습니다.
• 모든 코호트의 일별 수익률은 서로 높은 상관관계를 보이며, 해당 기간의 누적 수익률 성과도 공통된 방향성 추세를 따릅니다.
• 그러나 학습 윈도우가 가장 짧은 1016 전략의 성과는 다른 전략과 크게 다르지 않으며, 일부 기간에는 다른 전략보다 더 나은 성과를 보입니다.
• 전반적으로 학습 윈도우의 확대와 성과 사이에는 대체로 긍정적인 관계가 있습니다. 보다 확정적인 결론은, 기본이 되는 AiLA 학습 방법론이 근본적으로 일관되며 따라서 견고하다는 것입니다.
• 전략 R은 모든 전략과 비슷한 성과를 보이며, 데이터 누출 및/또는 과적합의 위험 없이 학습 윈도우 확대의 이점을 점진적으로 확보할 수 있는 방법을 제공합니다.