암호화폐 시장을 위한 적응형 트렌드 팔로잉 전략: 위험조정 알파 극대화

초록

본 논문은 6시간 캔들 기반의 고빈도 모멘텀 신호와 월간 포트폴리오 재조정을 결합한 AdaptiveTrend 프레임워크를 제안한다. 동적 트레일링 스톱, 시장 규모 기반 필터링, 롤링 샤프 비율 선택, 그리고 70/30 비대칭 롱‑숏 배분을 핵심 혁신으로 삼아 2022‑2024년 36개월 동안 150개 이상 암호화폐 페어에 대한 실험에서 연간 샤프 2.41, 최대 손실 -12.7%, 칼마 비율 3.18을 달성하였다. 다양한 레짐·거래비용·파라미터 민감도 분석을 통해 전략의 견고함을 검증하였다.

상세 분석

AdaptiveTrend는 세 단계 파이프라인으로 구성된다. 첫 번째 단계인 신호 생성에서는 6시간(H6) 캔들에 대해 L기간(기본 12) 수익률을 MOM(i)로 계산하고, MOM(i) > θ_entry이면 롱, < -θ_entry이면 숏 포지션을 진입한다. 포지션이 열리면 평균 진폭(ATR) 기반의 변동성 배수 α를 곱한 값으로 동적 트레일링 스톱 S(i)를 설정한다. S(i) = max{S(i)_{t‑1}, P(i)_t – α·ATR(i)_t} 형태이며, 이는 저변동성 구간에서는 스톱을 촘촘히, 고변동성 구간에서는 넓게 유지해 손실을 제한하면서도 추세를 충분히 따라가게 한다.

두 번째 단계인 월간 포트폴리오 선택에서는 전체 자산을 시가총액 기준으로 정렬한다. 상위 K_L(기본 15) 종목은 롱 후보, 하위 K_S(기본 15) 종목은 숏 후보로 선정한다. 각 후보에 대해 전월 데이터를 이용해 θ_entry, α, L을 그리드 탐색으로 최적화하고, 해당 파라미터로 얻은 샤프 비율 SR(i)_{m‑1}을 계산한다. 롱은 SR ≥ γ_L(=1.3), 숏은 SR ≥ γ_S(=1.7)인 경우에만 포트폴리오에 포함한다. 이는 숏 포지션이 구조적으로 불리한 암호화폐 시장에서 더 강한 신호만을 허용하도록 설계된 것이다.

세 번째 단계는 비대칭 자본 배분이다. 전체 자본 B_m의 λ=0.7을 롱 포트폴리오에, 1‑λ=0.3을 숏 포트폴리오에 할당한다. 각 포트폴리오 내에서는 동일 가중치를 적용해 상관관계 추정 오류와 집중 위험을 최소화한다. 비대칭 배분은 암호화폐 시장이 장기적으로 양의 기대수익을 보이는 점과 숏 포지션의 차입 비용이 높다는 점을 반영한다.

실험 설계는 2021년 1월‑12월을 인‑샘플 기간으로 파라미터 초기화에 사용하고, 2022년 1월‑2024년 12월을 아웃‑샘플 기간으로 성과를 평가한다. 데이터는 Binance Futures의 영구 스와프 6시간 OHLCV와 CoinGecko의 일일 시가총액을 결합하였다. 거래 비용은 테이커 수수료 4bps와 슬리피지(거래량 대비 선형 모델), 그리고 8시간 주기의 펀딩 비용을 포함한다.

주요 성과는 연간 수익률 40.5%, 연간 변동성 16.8%, 샤프 2.41, 최대 손실 -12.7%, 칼마 3.18이며, 이는 동일한 백테스트 환경의 볼륨‑스케일드 TSMOM(샤프 1.83)이나 전통적인 매수‑보유 전략(샤프 0.07)보다 현저히 우수하다. 70/30 배분이 50/50 배분(샤프 2.12)보다 약 0.29 포인트 높은 샤프를 기록한 점은 비대칭 배분이 실제 알파를 끌어올린다는 실증적 증거다.

레짐 별 분석에서는 상승기(연간 수익 68.3%, 샤프 3.42), 횡보기(연간 수익 18.7%, 샤프 1.87), 하락기(연간 수익 -4.2%, 샤프 -0.31)로 구분했을 때, 하락기에도 손실이 제한적이며 매수‑보유 전략이 겪는 급락을 회피한다.

Ablation 연구에서는 동적 트레일링 스톱을 제거했을 때 샤프가 1.68으로 급락하고 MDD가 22.4%로 악화되는 등 가장 큰 성능 저하 요인임을 확인했다. 월간 파라미터 최적화 제거 시 샤프가 1.92로 감소해, 비정상적인 변동성 환경에서 적응형 파라미터가 핵심임을 보여준다.

파라미터 민감도 분석은 α∈