존버는 반드시 승리하던 2017년 강세장이 끝났다.
약세장이 반년 넘게 지속되고 있는데, 언제까지 지속될지 모르겠다.
그럴듯해 보이는 다양한 시나리오가 제시되지만, 어떤 시나리오가 실현될지는 누구도 확신하지는 못할 것으로 보인다.
우수한 트레이더들은 다양한 방면으로 시장의 상태를 지속적으로 체크하고 있지만, (스트레스 테스트, 심리 분석, 펀더멘탈 등...) 아직 확실한 상승장 전환의 징조는 보이지 않고 있다.

어떤 포트폴리오든지 대체로 작년 보다 평가 금액이 늘었겠지만, MDD (고점대비 하락)가 대체로 매우 크기 때문에 견디기 힘든 시장 상황이다.
힘든 상황임에도 불구하고 중요한 것은 거래 전략에 대한 이해도를 높히는 것이다.
아쉬운 만큼 더 많이 배워서, 다음 장에서는 보다 더 벌고 덜 잃어야 한다.

수학과 코드를 통해 데이터를 다룰 줄 안다면 객관적이고, 재현 가능한 전략의 설계가 가능해진다.
다행히 이러한 부분은 익숙하기 때문에, 거래 전략 학습과 실험에 대해 집중할 수 있었다.

1. 포트폴리오

• Rebalancing
  가장 먼저 공부/실험했던 부분이다.
  포트폴리오에서 수익을 추구하는 공격적 자산과 안전 자산을 포함하고,
  안전 자산의 비율을 조정하여 수익률과 안정성을 조절할 수 있는 방어형 전략으로 활용할 수 있다.
  어떠한 전략에든 적용 가능하다.
  주요 코인들의 비율을 80%, 현금 비율 20%로, 2달 간격으로 rebalancing하는 것이 수익률이 좋았다.
  하지만 강세장과 약세장, 그리고 코인을 어떤 비율로 구성할지에 따라 수익률이 많이 바뀌기 때문에, 추가적인 전략이 필요해보인다.

• 포트폴리오 구성 비율
  어떤 비율로 구성하느냐에 따라 수익이 천차만별이다.
  가장 단순하게는 균등 비율로 구성하거나,
  보다 안정적인 수익을 위해 변동성에 반비례해서 배분하는 risk-parity 전략이 있다.
  다양한 종목의 상관성 (covariance)를 고려한 mean-variance optimization 전략도 있으며,
  efficient-frontier를 계산하여 최소 위험과 최대 수익의 trade-off 관계에서 선택할 수도 있다.
  좀 더 깊게는 Cover 교수가 제안한 Universal portfolio theorem도 있는데 이 부분은 공부하지 못했다.

• 실험했던 mean-variance 전략은 return에 상당히 dependent하고, correlation이 큰 자산에 적용하기에는 부적절해보인다.
  실험 결과는 EOS 몰빵이 가장 좋았는데, 이는 이미 수익이 매우 크게 난 차트를 분석했기 때문이었고,
  이러한 구성비가 다음 장에서도 적용될 것이라고 예견하기는 힘들어 보였다.
  Uncorrelated된 다양한 자산군 (코인, 주식, 외환, 귀금속, 채권)은 앞으로도 uncorrelated될 가능성이 크기 때문에, 이러한 통계적 특성이 일관된 성질을 이용할 때나 유용해보였다.

• 모멘텀 전략
  '달리는 말에 타라'라는 격언을 나타내는 전략이다.
  과거 특정 시점보다 현재가가 높으면 매수하는 추세 추종 전략이다.
  특정 시점에 종속되지 않기 위해 다양한 시점의 가격을 활용한 평균 모멘텀이라는 것이 제안됬고,
  다양한 종목의 평균 모멘텀 중에서, 가장 강력한 모멘텀을 선택하는 상대 모멘텀도 제안되었다.
  대다수 종목의 모멘텀이 작을 때에는, 오직 현금만 보유하는 듀얼 모멘텀도 제안되었다.
  시총 상위 코인들에 대해 실험한 결과, 작년에는 상승 추세가 매우 분명하고 강도가 높았기 때문에 수익이 좋았다.
  개별 종목을 평균 모멘텀으로 거래한 수익률보다, 다양한 종목을 함께 고려한 상대 모멘텀이 월등했지만, 하락장에서 손실 또한 크게 나왔다.
  모멘텀 전략은 크립토 시장에서 매우 유효한 전략으로 보이나, 하락장을 대응하기 위한 헷지 전략 설계가 중요해보였다.
  문제점은 현재 크립토 시장에 상승이든 하락이든 분명한 추세가 없어보인다는 점이고,
  추세가 없으면 수익이 없기 때문에, 이러한 장에서도 수익을 낼 수 있는 전략의 설계가 중요해보인다.

• 다음 글에 이어서. (마켓 메이킹, statistical arbitrage, 머신 러닝 기반 예측 등)