퀀텀 평균 예측과 추세 회귀: M6 금융 예측 대회 실전 적용

초록

본 논문은 M6 금융 예측 대회에서 평균값 기반의 저분산 예측 방법과 추세 회귀 전략을 적용해 기준 지수를 약간 상회하는 성과를 얻은 과정을 소개한다. 고변동성 환경에서는 실제 값을 정확히 맞추기보다 기대 평균에 가까운 예측이 오히려 효율적이며, 장기적으로는 과도한 단기 변동을 배제한 포트폴리오가 위험 조정 수익률을 개선한다는 결론을 제시한다.

상세 분석

이 연구는 효율적 시장 가설(Efficient Market Hypothesis, EMH) 하에서 공개 데이터만으로 지속적인 초과 수익을 얻기 어려운 현실을 전제로 한다. 저자는 M6 대회에서 제공된 100개의 자산(주식 50종, ETF 50종)의 과거 가격 데이터를 활용해 두 가지 핵심 아이디어를 구현하였다. 첫 번째는 “예측 평균” 접근법으로, 자산군(주식·ETF)별 평균 수익률과 개별 자산의 시간 평균을 결합해 각 사분위( quintile)별 발생 확률을 추정한다. 평균값은 평균 제곱오차(MSE)를 최소화하는 특성을 갖기에, 정보량이 제한된 상황에서 가장 안정적인 베이스라인이 된다. 두 번째는 “추세 회귀” 전략으로, 장기(120일) 성과가 상위 50%에 속하지만 단기(40일) 성과가 상위 15%를 초과하는 종목을 제외함으로써 단기 과열 현상을 제거한다. 이는 통계적 회귀‑투‑미(mean reversion) 현상을 활용한 위험 관리 기법이다.

예측 정확도 평가는 Makridakis 팀이 제시한 “Ranked Probability Score”(RPS) 를 사용했으며, 무작위(각 사분위 0.2 확률) 기준점은 0.16, 완전 오류(모든 자산을 특정 사분위에 할당) 기준점은 0.4~0.28 사이였다. 저자의 평균 기반 모델은 RPS 0.1573을 기록해 거의 최적에 근접했으며, 이는 베이스라인보다 5% 정도 개선된 수치이다. 포트폴리오 성과는 정보비율(Information Ratio, IR)로 측정했으며, 추세 회귀만 적용했을 때 IR 1.30을 달성해 기준 IR 0.45를 크게 앞섰다. 또한 ETF를 전량 공매도하여 변동성을 억제한 “보상형” 전략은 수익률은 기준에 근접했지만 IR은 1.45까지 끌어올렸다.

이러한 결과는 고변동성 상황에서 “세밀한” 예측보다 “거시적 평균”에 기반한 예측이 더 견고하다는 점을 실증한다. 평균값은 비선형 평가 지표(RPS)의 복합 효과를 최소화하고, 과도한 변동성을 억제한다. 또한, 단기 과열 종목을 배제하는 회귀‑투‑미 필터는 포트폴리오의 위험을 감소시키면서도 장기 상승 추세를 유지한다. 저자는 향후 베이지안 평균 결합, 자산군 세분화(클러스터링) 등을 통해 미세 조정 가능성을 제시했지만, 현재 상위 팀 간 RPS 차이가 미미한 점을 고려하면 큰 폭의 개선은 어려울 것으로 판단한다.

요약하면, 저자는 제한된 정보와 단순 평균·회귀 기법만으로도 대규모 경쟁에서 상위 5% 안에 들 수 있음을 증명했으며, 이는 EMH 하에서도 “예측 평균” 전략이 실용적임을 시사한다.