인공지능을 활용한 퀀트와 로보어드바이저 트레이딩 성과 개선
ChatGPT의 등장으로 인해 산업 전반의 인공지능 적용에 대한 논의가 활발하게 진행되고 있습니다. 트레이딩 분야에는 어떻게 인공지능이 적용될 수 있을까요?
본 포스트는 디지털애셋의 멤버십 컨텐츠 디애셋프로에 동시 연재되고 있습니다.
목차
트레이딩 분야에서의 인공지능 활용
트레이더의 직관과 인공지능의 결합
실전 인공지능 활용 for 트레이딩
2022년 말 챗GPT(ChatGPT)1의 충격적인 등장 이후 산업 전반의 인공지능(AI, Artificial Intelligence) 활용에 대한 논의가 한 단계 더 가속화되었습니다. 2016년 알파고가 이세돌 9단을 꺾었을 때처럼, 세상 모든 사람들이 인공지능에 대해 떠들고 있는 듯한 착각도 들 정도입니다.
공상과학에나 등장할 법한 범용 인공지능이 실현가능한 시대가 마침내 다가온 것일까요? 본격적인 논의의 전개에 앞서 용어의 정의와 범주를 명확히 정의하도록 하겠습니다.
인공지능이라는 단어를 접하면 흔히 로봇의 이미지를 떠올리지만, 사실 인공지능의 정의는 구체적인 형태보다는 인간의 인지능력과 추론, 판단을 컴퓨터로 구현하기 위한 기술을 뜻합니다.
최근에는 주로 머신러닝(Machine Learning), 딥러닝(Deep Learning) 등이 인공지능을 주로 대변하는 단어로 쓰이고 있지만, 엄밀히 말하면, 머신러닝은 인공지능의 하위 분야이며, 딥러닝은 다시 머신러닝의 하위 분야에 속합니다.
딥러닝 기술은 인공신경망을 여러 계층 형태로 연결한 기법으로, 현대 인공지능 중에 가장 각광받고 있기 때문에 인공지능의 대표격으로 언급됩니다..
문제는 인공지능이 마치 마법의 조미료처럼 모든 분야에 적용만 하면 어떤 기술이든 성능이 개선되는 것과 같은 착각을 불러일으킨다는 점입니다. 이런 착각에서 벗어나기 위해서는 인공지능의 등장 및 발전 배경을 이해할 필요가 있습니다.
인공지능의 활용 가능성은 빅데이터가 대두하면서 등장했습니다. 그 전까지는 인간이 직접 데이터에서 필요한 정보(Information)를 추출하는 작업이 중요했습니다. 수집한 정보를 바탕으로 통계 분석을 해서 의미 있는 판단과 예측을 내리는 것 또한 인간의 몫이었습니다.
그러나 대량의 데이터, 즉 빅데이터를 저장할 비용이 감소하면서, 이에 대한 분석 작업은 인간의 힘으로 불가능해졌는데, 이때 인공지능이 역할을 맡게된 것입니다.. 즉, 인공지능은 자동화·예측·패턴인식에 강점이 있으며, 특히 빅데이터를 다루는 작업에 활용할 때 인간 대비 성능을 극대화할 수 있습니다.
트레이딩 분야에서의 인공지능 활용
이제는 누구나 휴대폰으로 원하는 종목의 현재가, 과거 가격 그래프 등을 손쉽게 확인할 수 있습니다. 인터넷을 조금만 검색해보면 개인투자자도 쉽게 투자에 활용할 데이터를 구할 수 있는 세상이 됐습니다. 그러나 투자에 데이터를 활용한 역사는 그렇게 길지 않습니다.
전설적인 추세 추종 투자자 제시 리버모어(1877~1940)는 매일 증권 브로커 회사에 들락거리며 수기로 가격 데이터를 기록했던 것으로 알려져 있습니다. 한편, 르네상스 테크놀로지스의 짐 사이먼스(1938~) 같은 초창기 선구자들이 1970년대부터 본격적으로 트레이딩에 컴퓨터와 수리통계적 방법론을 적용했습니다.
최근 들어서는 ‘퀀트(Quantitative) 투자’2, ‘로보어드바이저’3라는 용어가 대중적으로 잘 알려져 있습니다. 한 단계 더 나아가, 인간이 개입하지 않고, 인공지능의 판단에 따라 매수와 매도가 이뤄지는 트레이딩 서비스도 등장하고 있습니다. 그렇다면 구체적으로 트레이딩의 어떤 요소에 인공지능이 활용될 수 있을까요? 트레이딩의 과정을 세분화해 봅시다.
트레이딩은 ‘데이터 수집 → 투자 전략 설계/백테스팅 → 실제 매매’의 총 3단계 과정을 거칩니다. 이 중 ‘투자 전략 설계/백테스팅’ 부문에서 인공지능의 활용도가 가장 높을 것으로 기대됩니다. ‘백테스팅’이란 과거 데이터를 활용해 앞으로 가장 높은 수익률을 기록할 것으로 예상되는 투자 전략을 찾아내는 작업입니다. 주어진 데이터를 분석해 패턴을 인식하거나 미래를 예측하는 일이 인공지능이 잘 하는 일이라면, 백테스팅도 인공지능이 잘 할 수 있을 것이라고 예상됩니다.
백테스팅은 구체적으로, 트레이딩 회사의 투자 철학에 따라 다양한 목표값을 설정합니다. 자기자본 위주로 투자하고 있어 높은 수준의 하락률(Drawdown)을 견딜 수 있다면, 총 수익률(Total Return)이 가장 중요한 목표값이 될 것입니다. 반면, 지키는 것이 중요하다면 위험조정수익률이나 고점 대비 하락률(Maximum Drawdown)과 같은 지표가 중요할 것입니다.
과거에는 인간이 직관에 의존하여 파라미터 값을 조절했다면, 이제는 인공지능이 무수한 과거 시계열 데이터를 빠르게 학습함으로써 최적화된 파라미터 값을 산출해낼 것입니다.
트레이더의 직관과 인공지능의 결합
인공지능을 활용하는 대부분의 알고리즘 트레이딩 회사들이 무수히 많은 데이터를 학습시켜 최적화된 파라미터를 추출하는 방식을 적용하고 있습니다. 다만, 해당 방법론의 단점은 투자 전략의 로직이 블랙박스에 쌓여 있다는 것입니다.
따라서 이런 형태의 투자 전략 설계 방법론의 단점을 보완하기 위해 ① 투자 전략 리서치 ② 파라미터 최적화 과정을 분리 등을 볼 수 있습니다. 즉, 인간이 투자 전략에 대한 리서치를 담당하고, 핵심 파라미터 값의 최적화는 인공지능을 통해 해결한다는 것입니다.
예를 들어 가장 단순한 골든 크로스 전략을 생각해보겠습니다. 골든 크로스 전략은 단기 이동평균선이 장기 이동평균선을 상회할 때 매수 진입하고, 반대로 하회할 때 매도 퇴출하는 전략입니다. 여기서 ‘장기·단기 이동평균선’이 핵심 파라미터 값이 되겠습니다.
파라미터 값은 어떻게 정해야 할까요? 단기 20일, 장기 60일 선으로 설정할 수도 있고, 투자자에 따라 다른 값으로 설정할 수도 있습니다. 또한 단순이동평균(SMA)을 사용할지, 지수이동평균(EMA)4를 사용할지도 전략을 활용하는 투자자에 따라 달라질 수 있습니다.
다만, 인간이 과거 모든 상황에 대해 패턴 분석을 할 수 없기 때문에 이를 인공지능을 통해 분석을 함으로써 앞으로 높은 수익을 낼 것으로 예측되는 파라미터 값을 찾는다는 것입니다. 값을 고정할 수도 있지만, 갱신되는 데이터를 학습하여 동적으로 수정할 수도 있습니다.
이처럼, 미리 트레이더의 직관에 따라 검증된 투자 전략을 도입하고 인공지능은 파라미터의 최적화 수행에만 활용한다는 것이 골자입니다. 수학적으로 표현하자면, Top-down의 접근 방식은 함수 공간을 줄임으로써 인공지능 모델을 효율화하는 것을 의미합니다.
실전 인공지능 활용 for 트레이딩
다음 칼럼에서는 딥러닝 모델 중 하나인 트랜스포머(Transformer) 모델5을 활용해 파라미터 최적화를 통해 백테스팅 성과를 어떻게 개선할 수 있는지 살펴보겠습니다. 실제 트레이더가 설계한 투자 전략에 인공지능 모델을 가미함으로써 인간의 직감과 인공지능이 결합됐을 때 어떤 시너지가 날 수 있는지 사례 분석을 통해 알아보겠습니다.
OpenAI社에서 개발한 대화형 인공지능 서비스로, 사용자와 인공지능간 질문을 주고받도록 설계된 언어 모델입니다.
일반적으로 계량적 분석을 통해 정해진 규칙에 따라 매수와 매도를 반복적으로 시행하는 투자 방법론을 의미합니다.
로봇(Robot)과 어드바이저(Adviser)의 합성어로, 알고리즘을 이용하여 고객에게 적합한 투자상품을 추천하는 자문서비스를 의미합니다.
최근 데이터에 가중치를 곱하여 영향력을 더 높이는 방식의 이동평균 계산법을 의미합니다. ‘가격은 최근 데이터에 더 잘 반영된다.’라는 철학을 녹여내기 위한 보조지표입니다.
트랜스포머 모델은2017년 구글이 발표한 “Attention is all you need”에서 등장한 인공신경망 모델로, 현재 chatGPT의 ‘GPT(Generative Pre-trained Transformer)’에도 적용된 모델입니다.