트레이딩 변동성 타깃팅: 포지션 크기 공식과 한계

변동성 타깃팅은 투자 대상이나 전략을 이미 정한 상태에서, 예상되는 수익률 변동 폭을 원하는 수준에 맞추려면 노출 규모를 얼마나 조절할지 묻습니다. 바꾸는 것은 보유량입니다. 해당 자산이 매력적인지, 다음 수익률이 플러스일지, 언제 청산해야 할지를 알려주는 규칙은 아닙니다.

이 구분이 중요한 이유는 ‘위험에 맞춘 사이징’이라는 표현이 서로 다른 문제를 가리키기 때문입니다. 손절 가격을 이용하는 계산은 특정 불리한 가격까지 갔을 때의 손실액을 추정하고, 금액 한도에 맞춰 수량을 구합니다. 변동성 타깃팅은 일정 기간 수익률이 얼마나 흩어질지 예측해 노출을 조절합니다. 한 계산을 통과한 포지션이 다른 계산까지 통과한다고 볼 수 없습니다. 일별 변동성이 크지 않은 전략도 갭을 만나면 손절 가격을 건너뛸 수 있고, 손절 폭만 알아서는 평소 수익률의 변동성을 알 수 없습니다.

기본 규칙은 포지션을 키우거나 줄여도 전략 자체가 같다고 가정합니다. 규모가 달라지면서 시장 충격, 체결 품질, 자금조달 비용이나 포트폴리오 구성이 바뀐다면, 작은 포지션의 위험이 원래 포지션에 단순 배수를 곱한 것과 같지 않을 수 있습니다. 선물 포지션 사이징은 불리한 가격 시나리오, 틱 가치와 금액 손실 한도로 선물 계약 수를 정하는 별개의 문제를 다룹니다.

목표 연율 변동성을 σ*로, 같은 기간 동안 노출 한 단위가 낼 것으로 예측한 연율 변동성을 σ̂로 두겠습니다. 제약을 적용하기 전의 기본 포지션 배수는 다음과 같습니다.

포지션 배수 = 목표 변동성 / 예측 변동성 = σ* / σ̂

기준 명목 노출이 10만 달러이고 그 예측 연율 변동성이 20%라고 가정해 보겠습니다. 목표를 10%로 정했다면 배수는 10% / 20% = 0.5입니다. 예시 노출은 5만 달러가 됩니다. 예측치가 5%로 내려가면 상한을 적용하기 전 배수는 2.0이며, 기준 노출과 같은 방식으로 계산한 금액은 20만 달러입니다. 숫자는 산식을 보여 주기 위한 가정일 뿐 실제 시장 데이터나 포지션 권고가 아닙니다.

직관은 반비례입니다. 예측 표준편차가 두 배가 되면 포지션은 절반이 되고, 절반이 되면 제한 없는 포지션은 두 배가 됩니다. 같은 수익률 경로에서 포지션 규모를 m배로 바꾸면 표준편차도 m배 바뀐다는 선형 근사에서 나옵니다. 실제로는 이 관계가 포지션과 체결 규모에 선형으로 적용되고 변동성 예측도 의미가 있을 때에만 유용합니다.

레버리지 상한과 최소 포지션을 두면 계산은 다음처럼 바뀝니다.

포지션 배수 = min(max(목표 변동성 / 예측 변동성, 최소 배수), 최대 배수)

예를 들어 최대 배수를 1.25로 두고 목표가 10%, 예측치가 5%라면 원래 2.0이었던 배수를 1.25에서 제한합니다. 기준 명목 노출 10만 달러에 대한 포지션은 12만 5천 달러입니다. 같은 선형 가정 아래 이 포지션의 예측 변동성은 약 6.25%이므로, 한도는 명목 목표를 맞추는 일보다 우선합니다.

연율 목표 10%를 일간 표준편차와 그대로 나눌 수는 없습니다. 목표와 예측치를 먼저 같은 기준으로 표현해야 합니다. 수익률 정의, 표본 간격, 연율화 관례, 앞으로 예상하는 기간이 서로 맞아야 합니다. 일간 추정치를 연율화할 때 한 해의 수익률 관측 간격 수의 제곱근을 곱하는 방식이 흔하지만, 이것은 가정과 관례가 들어간 변환이지 변동성 예측 모형 자체는 아닙니다.

앞의 20%와 10%는 둘 다 연율 표준편차라는 전제입니다. 내일부터 5거래일 동안의 위험을 추정하는데 목표는 1년 단위라면 한 기간의 위험을 다른 기간에 대응시키는 방법을 명시해야 합니다. 가격 변화, 로그수익률, 초과수익률, 포트폴리오 수익률을 같은 값인 것처럼 다루면 계산 결과의 해석이 흐려집니다.

또 목표가 위험자산 한 부분의 것인지, 한 전략의 것인지, 계좌 전체의 것인지 구분해야 합니다. 한 전략에 연율 변동성 10%를 적용해도 현금, 다른 전략, 옵션, 상관관계가 있는 포지션이 함께 든 계좌 전체가 10% 변동성인 것은 아닙니다. 샤프 비율의 연율화와 자기상관은 수익률이 서로 의존할 때 단순한 제곱근-시간 환산이 왜 빗나갈 수 있는지 설명합니다.

분모는 직접 관찰할 수 있는 미래의 사실이 아니라 추정치입니다. 이동 표준편차는 일정한 과거 구간을 사용하고, 지수가중 추정은 최근 관측에 더 큰 비중을 둡니다. GARCH 모형은 과거 충격과 분산을 이용해 조건부 분산을 예측하며, 실현변동성은 장중 수익률을 사용하기도 합니다. 각각 다른 질문에 답하며 반응 속도도 다릅니다.

짧은 구간은 빠르게 반응하지만 값이 자주 흔들려 포지션 변경도 잦아질 수 있습니다. 긴 구간은 안정적이지만 새로운 변동성 국면이 시작돼도 천천히 바뀝니다. 모형은 추정치를 부드럽게 만들거나 변화를 예측할 수 있는 대신 가정과 모수 추정 오차가 생깁니다. “어느 추정법이 언제나 더 좋은가?”보다 데이터 빈도와 예측 기간이 전략에 맞는지, 실수했을 때 위험한 쪽으로 얼마나 빗나가는지가 중요합니다.

계산 시점에는 미래 정보가 섞이지 않도록 해야 합니다. t일 종가 뒤에 포지션을 정한다면 그 시각까지 알 수 있는 정보만 예측치에 사용할 수 있습니다. t+1일 수익률을 보고 그 수익률을 얻은 포지션의 크기를 소급해 정해서는 안 됩니다. 백테스트에는 각 리밸런싱 때 실제 사용한 예측치와 배수를 기록해야 합니다. 전체 표본 변동성이나 나중에 수정된 데이터를 과거 포지션에 적용하지 마세요. 변동성 군집과 GARCH는 조건부 분산 예측이 최근 충격에 반응하면서도 가격 방향은 예측하지 않는다는 점을 다룹니다.

‘변동성 관리’는 여러 방법을 묶는 이름이지 하나의 공식이 아닙니다. 직접 목표 변동성을 맞추는 규칙은 보통 1/σ̂에 비례해 노출을 조절합니다. 반면 특정 기대수익률 가정 아래 평균-분산 배분을 구하면 분산의 역수인 1/σ̂²에 비례하는 비중이 나올 수 있습니다. 예측 변동성이 두 배가 되면 첫 규칙은 배수가 절반으로 줄고, 두 번째 규칙의 비정규화 배수는 4분의 1로 줄어듭니다. 이후 스케일 상수를 곱해도 이 변화 속도의 차이는 남습니다.

연구 사례에서도 구분을 확인할 수 있습니다. Barroso와 Santa-Clara는 모멘텀 전략의 노출을 실현 표준편차로 조절했습니다(2015년 논문). Moreira와 Muir의 변동성 관리 포트폴리오는 핵심 구성에서 실현 분산의 역수를 사용하고 별도의 스케일 상수를 둡니다(2017년 논문). 뒤이은 Cederburg와 공저자들의 연구도 선행 연구들이 표준편차와 분산 중 어느 것을 쓰는지, 변동성 모형을 이용하는지, 상수를 목표 위험에 맞추는지에 따라 규칙이 다르다고 설명합니다(2020년 연구). 논문의 비중 산식을 목표 변동성 규칙이라고 부르기 전 분모, 정규화, 정보 시점, 목적을 확인해야 합니다.

기대수익률을 어떻게 보는지도 중요합니다. 고정된 변동성 목표는 예측된 수익률의 산포를 조절할 뿐 기대효용을 최대화하지 않습니다. 기대 초과수익률이 고정이라는 가정을 둔 평균-분산 배분에서는 역분산 비중이 나올 수 있습니다. 수익률 예측이 위험과 함께 변하거나 예측 오차가 크다면 어느 단순 배수도 최적 비중을 그대로 나타내지 않을 수 있습니다.

선형 전략 하나의 노출을 m배로 키우면 예측 표준편차도 |m|배가 됩니다. 여러 종목의 포트폴리오 분산은 비중과 공분산에 따라 w′Σw로 결정되고, 포트폴리오 변동성은 그 분산의 제곱근입니다. 따라서 바스켓 위험은 각 자산의 변동성을 단순히 더한 값이 아니며, 종목별 사이징 계산을 통과했다고 전체 포트폴리오가 위험 목표를 만족한다고 볼 수도 없습니다.

전략 안에 고정된 자산 비중이 있다면 포트폴리오 전체의 예측 변동성을 구한 뒤 하나의 배수로 전략 전체를 조정할 수 있습니다. 이때 구성 종목 사이의 공분산을 반영해야 합니다. 종목 비중이 변하거나 새로운 포지션을 추가하면 변경된 비중과 공분산으로 포트폴리오 변동성을 다시 계산해야 합니다. 평소에는 헤지가 위험을 낮추더라도 스트레스 국면에 상관관계가 달라지면 같은 보호를 주지 못할 수 있습니다.

도구의 계약 구조도 주문 수량을 계산할 때 중요합니다. 주식이나 선물 같은 선형 노출은 명목 금액이 첫 근사로 유용하지만, 선물 계약 수에는 승수, 정수 계약, 증거금, 일일 손익 정산도 반영해야 합니다. 옵션은 비선형입니다. 델타, 감마, 베가, 만기, 변동성 곡면의 변화 때문에 명목 금액에 하나의 배수를 곱하는 계산이 포트폴리오 위험을 제대로 나타내지 못할 수 있습니다. 주식 수익률로 계산한 위험 목표를 그 주식 옵션에 그대로 옮길 수는 없습니다.

변동성 추정치가 0에 가까워지면 제한 없는 배수가 매우 커집니다. 최대 레버리지, 분모 하한, 최대 노출, 증거금 또는 유동성 한도를 둘 수 있습니다. 이 설정은 작은 세부사항이 아닙니다. 상한이 총 명목 노출, 순노출, 위험 기여도, 차입금, 계약 수 중 무엇에 적용되는지 기록하세요.

최소 배수는 다른 효과를 냅니다. 변동성 배수만으로는 양의 노출을 줄일 수는 있어도 음의 방향을 새로 만들지는 않습니다. 별도의 신호가 있다면 그 신호가 매수·매도 방향을 정해야 합니다. 예측치가 높을 때도 최소 노출을 유지하면 변동성 목표를 초과할 수 있습니다. 분모의 변동성 하한도 추정치가 너무 작아지는 일을 막지만, 그 시점부터는 산식을 그대로 따르는 것이 아닙니다.

실무 규칙은 매일 배수를 조정하는 대신 일정 구간을 벗어날 때만 주문을 내거나 정해진 시점에 리밸런싱할 수 있습니다. 거래 빈도와 비용을 줄이는 대신 다음 조정까지 오래된 예측치로 포지션을 유지합니다. 상한은 평온한 기간 뒤 노출이 끝없이 커지는 일을 막아도, 다음 리밸런싱 전 갑작스러운 충격이나 가격 갭에서 손실을 막지는 못합니다.

새 수익률이 들어오면 예측치가 바뀌고, 가격이 움직이면 기존 포지션의 명목 규모도 달라집니다. 새 배수를 맞추려면 각 리밸런싱에서 매수·매도가 발생할 수 있습니다. 더 자주 조정하면 새 예측치에 빨리 반응하지만 회전율, 호가 스프레드, 시장 충격, 자금조달 비용, 공매도 대차료, 선물 롤 비용, 세금도 늘 수 있습니다. 유동성이 낮은 시장에서는 계산된 수량 자체가 체결 가격을 바꾸어, 더 작은 주문을 전제로 계산한 위험 예측을 무효화할 수 있습니다.

백테스트에는 미리 정한 조정 주기와 현실적인 체결 가정을 사용해야 합니다. 비용 전후 성과, 회전율, 레버리지 상한을 적용한 시간, 급락기 노출, 변동성 추정 구간이나 모형에 대한 민감도를 비교하세요. 무거래 구간이나 더 느린 리밸런싱이 실행 가능성을 높여도 연속적으로 목표 변동성을 맞추는 규칙과는 다른 전략입니다.

최근 변동성이 높아지면 큰 움직임이 이미 발생한 뒤 노출을 줄이는 경우가 많습니다. 높은 변동성 상태가 이어진다면 이후 모델상 위험을 낮출 수 있지만, 저점 부근에서 줄였다가 변동성이 가라앉은 뒤 다시 늘릴 수도 있습니다. 반대로 추정 변동성이 낮을 때 노출을 키운 뒤 급등락을 맞을 수 있습니다. 이 규칙은 예측치에 반응할 뿐, 충격이 일시적인지, 다음 움직임이 반전할지, 전략의 기대수익률이 양수인지 알지 못합니다.

예측 변동성은 조건부 추정치라 불확실합니다. 야간 갭, 갑작스러운 상관관계 변화, 데이터 오류, 체제 전환, 체결 지연으로 실제 변동성이 목표를 크게 웃돌 수 있습니다. 표준편차는 전형적인 산포를 요약하지만 가장 큰 손실, 최대 낙폭, 원금 회복 기간의 상한을 뜻하지 않습니다. 손절, 스트레스 손실 예산, 증거금 계획, 유동성 점검은 각각 다른 위험 질문에 답합니다.

연구 결과는 쓰인 표본과 방법에 따라 다릅니다. Moreira와 Muir는 자신들의 구성으로 여러 팩터와 통화 캐리 전략을 변동성 관리했을 때 개선을 보고합니다(2017년 연구). Barroso와 Santa-Clara는 급락 특성과 구조가 광범위한 지수와 다른 모멘텀 전략을 다룹니다(2015년 연구). Cederburg와 공저자들은 103개 주식 전략을 분석했을 때 변동성 관리 전략이 직접적인 샤프 비율 비교에서 체계적으로 더 낫지는 않다고 보고하며, 실시간으로 적용한 조합은 표본 내 결과를 재현하지 못하는 경우가 많다고 설명합니다(2020년 연구). Taylor는 변동성 타이밍 성과가 성립하는 조건을 분석합니다. 예측 능력과 위험-수익률 관계에 관한 가정이 중요합니다(2023년 연구). 이 연구는 검증할 동기를 제공하지만 실전에서 변동성 타깃팅이 늘 성과를 높인다는 보편적 근거는 아닙니다.

결과를 해석하기 전에 포트폴리오와 수익률 자료, 예측 모형, 목표 기간, 변동성의 지수, 레버리지 제한, 조정 주기, 비용, 각 의사결정 시점에 쓸 수 있던 데이터를 밝혀야 합니다. 시간 순서를 지킨 표본 밖 구간을 검토하고 모수를 바꿨을 때 결과가 어떻게 달라지는지 기록하세요. 백테스트 샤프 비율이 높아지거나 자산 곡선이 매끄러워지고 목표치가 맞았다고 해서 미래 손실이 제한되거나 전략에 우위가 있다는 뜻은 아닙니다.