분산비가 한 기간 수익률과 여러 기간 수익률을 어떻게 비교하는지, 1보다 크거나 작을 때 무엇을 시사하는지, 왜 검정 결과가 수익 기회를 증명하지 않는지 설명합니다.
이 글에서 다루는 내용분산비는 기간이 길어질 때 위험이 어떻게 커지는지 묻습니다
짧은 요약
분산비는 여러 기간 수익률의 분산을 한 기간 위험이 단순히 누적될 때 기대하는 값과 비교합니다. 일부 자기의존성을 찾을 수 있지만 그 원인을 특정하거나 가격을 예측하거나 수익성 있는 전략을 입증하지는 않습니다.
분산비는 기간이 길어질 때 위험이 어떻게 커지는지 묻습니다
관측 가격을 \(P_t\), 로그 가격을 \(x_t=\ln(P_t)\)라고 하겠습니다. 한 기간 로그수익률은 \(r_t=x_t-x_{t-1}\)입니다. \(q\)기간 로그수익률은 서로 이웃한 한 기간 수익률 \(q\)개를 더한 값입니다. 증가분이 서로 상관되지 않고 분산도 안정적이면 합의 분산은 기간 수 \(q\)에 비례해 커집니다.
이 분산 확장 조건에서는 \(\operatorname{VR}(q)=1\)입니다. Lo–MacKinlay 절차는 이 관계를 표본 통계량과 랜덤 워크 제약 검정으로 만듭니다. 기준값 1은 서로 상관되지 않은 증가분이 뜻하는 값이지 가격이 부드럽거나 예측 가능하다는 뜻이 아닙니다. 두 저자의 최초 적용은 당시 미국 주식 자료에서 랜덤 워크 명세를 기각했지만, 그 결과만으로 평균회귀 가격 모형을 입증한 것은 아니라고 분명히 밝혔습니다.
수익률 자기상관이 모집단 분산비를 결정합니다
정상적인 한 기간 수익률의 시차 \(j\) 자기상관을 \(\rho_j\)라고 하면 같은 모집단 비율을 다음과 같이 쓸 수 있습니다.
입니다. 1보다 큰 값은 해당 기간들에서 양의 가중 의존성이 있음을 나타냅니다. 첫 두 자기상관이 각각 \(-0.10\), \(-0.04\)이고 세 번째가 여전히 0이면 분산비는 0.83입니다. 모두 가상의 모집단 계산입니다. 실제 표본 추정치는 표본 변동, 변동성 변화, 추정량의 유한표본 보정 때문에 달라질 수 있습니다.
서로 다른 자기상관 패턴이 한 기간에서 같은 분산비를 만들 수 있습니다. 양의 항과 음의 항이 상쇄될 수 있으므로 비율이 정확히 1이라고 해서 포함된 모든 자기상관이 0인 것은 아닙니다. 사전에 정한 여러 기간을 비교하면 다른 패턴이 드러날 수 있지만, 그 결과를 함께 검정할 때는 공동 추론도 필요합니다.
기간 증가에 따른 불확실성 확장을 설명하는 개념도입니다. 실증 자료나 방향 예측, 거래 신호가 아닙니다.
검정 전에 가격 자료와 관측 간격을 정합니다
이 검정은 보통 일정한 간격으로 관측한 로그 가격 또는 그 1차 차분에 적용합니다. 일간 종가를 쓴다면 \(q=5\)는 5거래일 수익률을 뜻합니다. 거래일 수가 다른 달력상의 한 주와는 다를 수 있습니다. 누락된 세션, 장 마감 이후의 가격 변화, 불규칙한 타임스탬프는 “한 기간”의 의미를 바꿉니다. 시장 달력과 분배금이나 기업행위 반영 여부를 밝혀야 합니다.
로그수익률 대신 단순수익률을 쓰는 것은 모형 선택이지, 모든 기간에서 이름만 바꾸는 것과 같지 않습니다. 로그수익률은 시간에 따라 정확히 더해지고 단순수익률은 복리로 누적됩니다. 작은 가격 변동에서는 수치가 비슷할 수 있지만, 질문에 맞는 정의를 예제와 추정, 백테스트에 일관되게 사용해야 합니다. 가격 수준을 수익률처럼 놓고 공식을 적용해서는 안 됩니다.
대부분의 구현은 가능한 관측치를 활용하려고 서로 겹치는 \(q\)기간 수익률을 만듭니다. 집계 표본 수는 늘지만 인접 구간이 한 기간 수익률 여러 개를 공유하므로 서로 독립적이지 않습니다. 검정의 표준오차는 유지하는 가정 아래 이 구조를 반영합니다. 겹치는 수익률을 독립 표본처럼 취급하면 불확실성을 실제보다 작게 계산할 수 있습니다.
예제로 분산 확장과 예측을 구분합니다
가상 자산의 한 세션 수익률 분산이 \(0.0001\), 즉 표준편차가 1%라고 가정하겠습니다. 증가분이 상관되지 않으면 4세션 수익률 분산은 \(4\times0.0001=0.0004\)입니다. 표준편차는 2%이고 분산비는 \(0.0004/(4\times0.0001)=1\)입니다.
이제 한 세션 분산 추정치는 그대로 \(0.0001\)인데, 4세션 분산 추정치가 \(0.000468\)이라고 해보겠습니다. 표본 분산비는 \(0.000468/(4\times0.0001)=1.17\)입니다. 이 계산은 선택한 기간들에서 변동 폭이 어떻게 비교되는지를 나타냅니다. 기대수익률이 17% 더 높다거나, 다음 수익률이 17% 확률로 오를 것이라거나, 4세션 포지션의 기대수익이 17%라는 뜻은 아닙니다.
통계적 결론을 내려면 추정한 비율을 검정 분포와 불확실성 추정치에 비교해야 합니다. 다른 측면에서 랜덤 워크 모형이 성립하지 않아도 비율이 1에 가까울 수 있습니다. 반대로 표본이 짧거나 잡음이 많으면 1에서 벗어난 표본 추정치가 통계적으로 유의하지 않을 수 있습니다. 추정치, 검정 통계량, p값, 경제적 해석을 구분해서 보고합니다.
표준오차는 변동성 가정에 맞아야 합니다
기본적인 동분산 Lo–MacKinlay 통계량은 일정한 분산을 가진 증가분을 가정해 유도한 점근 분산으로 \(\widehat{\operatorname{VR}}(q)-1\)을 표준화합니다. 수익률의 조건부 변동성이 바뀌면 이 표준오차로 검정 크기를 잘못 계산할 수 있습니다. 두 저자는 분산비 통계량에 대한 이분산 일치 분산 추정치도 제시합니다.
“이분산 일치”는 범위가 정해진 표현입니다. 검정 가정 안에서 수익률 분산이 변하는 것을 허용해 추론을 조정합니다. 잘못된 가격 자료, 모든 시차의 의존성, 구조 변화, 오래된 호가, 지나치게 짧은 표본을 고쳐주지는 않습니다. 소프트웨어가 \(Z\), \(Z^*\) 같은 기호를 표시한다면 어떤 귀무가설과 표준오차 공식을 구현하는지 설명서를 확인해야 합니다.
1989년 유한표본 연구는 어떤 귀무가설과 대립가설을 고려하는지에 따라 성능이 다르고, 살펴본 시뮬레이션에서 이분산 랜덤 워크 귀무가설 아래 일부 경쟁 검정보다 더 신뢰할 만했다고 보고했습니다. 그렇다고 모든 표본과 구현에서 보장되는 것은 아닙니다. 표본이 작으면 부트스트랩이나 다른 유한표본 절차가 도움이 될 수 있지만, 재표본화 설계도 질문에 중요한 의존성과 변동성 특징을 보존해야 합니다.
하나의 기간과 여러 기간 검정은 질문이 다릅니다
단일 \(q\) 검정은 선택한 한 기간에서 분산 확장 제약이 성립하는지 묻습니다. 여러 기간을 살펴본 뒤 \(q\)를 골랐다면 보고한 p값은 그 탐색을 반영하지 않습니다. \(q=2,4,8,16\)을 시도하고 가장 유의한 결과만 강조하면 거짓 양성 가능성이 커집니다.
공동 분산비 절차는 사전에 정한 여러 기간을 함께 검정하고 다중 비교를 고려해 판단합니다. Chow와 Denning은 각각의 분산비를 조정 없이 여러 번 검정하면 전체 제1종 오류율이 크게 높아질 수 있다고 지적하며 다중 검정 방법을 제안했습니다. 공동 검정 결과는 선택한 기간 집합에 관한 것입니다. 어떤 시차나 메커니즘, 시장 참여자가 이탈을 만들었는지 설명하지는 않습니다.
관측 주기와 연구 질문에 맞춰 기간을 정합니다. 1일, 1주, 1개월 비교는 각각 의미가 있을 수 있지만, 정보 집합과 겹치는 수익률 구조가 다릅니다. 가장 유리한 기간만 보고하지 말고 전체 검정 집합을 밝힙니다. 탐색적 검색과 확인 목적 검정을 구분해야 합니다.
1보다 크거나 작은 값만으로 원인을 알 수는 없습니다
추정치가 1보다 크면 선택한 시차 범위에서 양의 가중 시계열 의존성이 있음을 시사합니다. 1보다 작으면 음의 가중 의존성과 일치합니다. 어느 쪽도 모멘텀, 평균회귀, 가격 조정 지연, 재고 효과, 호가 스프레드 왕복, 비동시 거래, 변동성 과정 중 특정 원인을 유일하게 가리키지 않습니다.
특히 \(\operatorname{VR}(q)<1\)이라고 해서 가격 수준이 정상성을 가진다고 증명되는 것은 아닙니다. 한 기간에서 분산비가 1보다 작으면서도 시계열에 확률 추세가 남을 수 있습니다. 반대로 랜덤 워크 제약을 기각해도 정상 평균회귀 대립가설이 성립하는 것은 아닙니다. Lo와 MacKinlay는 자신들이 연구한 주식 자료의 기각이 그 결론을 뒷받침하지 않는다고 명시했습니다.
검정 대상이 수익률인지 로그 가격인지, 초과수익률인지 다른 변환 계열인지에 따라 추론도 달라집니다. 일간 종가 수익률 결과를 장중 호가나 다른 자산군에 자동으로 적용해서는 안 됩니다. 자료의 대상과 결론 범위를 좁혀서 설명합니다.
시장 자료와 반복적인 선택이 근거를 왜곡할 수 있습니다
매수·매도 호가 차이 왕복은 더 느린 경제적 가치가 역전되지 않더라도 체결 가격 수익률에서 짧은 기간 음의 의존성을 만들 수 있습니다. 유동성이 낮은 증권은 비동시에 가격이 갱신될 수 있고, 거래소 종가는 서로 다른 정보 시점을 반영할 수 있습니다. 이런 특성은 가장 짧은 기간에 특히 영향을 줄 수 있습니다. 이상 현상으로 부르기 전에 호가 품질, 거래량, 타임스탬프 정렬, 더 긴 관측 간격에 대한 민감도를 확인합니다.
수익률 방향이나 수준에 안정적인 패턴이 없어도 변동성 군집은 표준오차에 영향을 줍니다. 평균, 변동성, 거래시간, 시장 구성의 구조 변화가 있으면 전체 표본의 분산비 하나가 서로 다른 국면을 섞어버릴 수 있습니다. 선호하는 해석을 지지하는 구간만 선택하지 말고 하위 기간 안정성을 살펴봅니다.
자산, 빈도, 기간, 필터, 표본 시작·종료 시점을 탐색하면 우연한 결과를 선택하는 문제가 추가됩니다. 광범위한 검색 뒤 발견한 통계적으로 특이한 분산비는 처음부터 정한 가설의 검정이 아닙니다. 기준이 될 기간을 사전에 정하거나 적절한 공동 검정·재표본화 방법을 사용하고, 새로 발견한 패턴은 이후 기간 자료로 검증합니다.
분산비 결과만으로 트레이딩 규칙이 만들어지지 않습니다
분산비 검정은 여러 기간에서 수익률 변동성이 어떤지 요약합니다. 방향, 진입, 청산, 손절, 포지션 크기, 보유 시간, 체결 전 이용 가능한 정보를 정하지 않습니다. 의존성 패턴이 안정적이어도 수수료, 스프레드, 시장 충격, 펀딩, 대차 비용, 회전율을 감당하기 어려울 수 있습니다.
트레이딩 연구에서는 미래 수익률을 보기 전에 신호와 의사결정 시점을 정의합니다. 형성 구간에서 모수를 추정한 뒤 고정하고 이후 관측치로 평가합니다. 여러 증권이나 기간을 시도해 발견했다면 손대지 않은 검증 기간을 따로 두거나 탐색 자체를 반영하는 방법을 사용합니다. 현실적인 체결을 가정하고 비용 차감 후 결과를 기준 전략과 비교해야 합니다.
분산비는 그림, 자기상관 확인, 단위근 검정, 안정성 분석과 함께 쓰는 진단 도구입니다. 분산 확장 이탈은 더 구체적인 모형을 검토할 근거가 될 수 있지만, 그 모형에는 별도의 가정과 표본 외 근거가 필요합니다. 이 검정은 모멘트 제약을 간결하게 요약할 뿐, 수익 기회의 증거가 아닙니다.
결과를 재현할 수 있도록 사양을 보고합니다
가격 정의, 수익률 변환, 관측 주기, 표본 기간, 사용 관측치 수, 수익률 구간 중첩 여부를 밝힙니다. 검정한 모든 기간 \(q\), 표본 분산비, 표준오차 종류, 검정 통계량, p값, 유의수준, 여러 기간 공동 보정 여부를 보고합니다.
누락 자료, 기업행위, 시장 휴장일, 타임스탬프를 어떻게 처리했는지 설명합니다. 이분산에 강건한 추론, 부트스트랩, 하위 기간 분석, 다른 관측 주기를 적용했을 때 결과가 바뀌는지도 기록합니다. 트레이딩 적용 사례에서는 통계 표본과 평가 기간을 구분하고 비용, 체결 시점, 선택 규칙, 시도한 자산과 기간을 공개합니다.
