baseline_equity_rotation_v1

개요

이 프로젝트는 SPY 초과수익을 목표로 설계한 ETF 로테이션 전략 연구 프로젝트다.
기존의 단순 멀티자산 자산배분 방식과 달리, 이 전략은 주식형 ETF 내부의 상대 강도(relative strength) 에 집중한다.

핵심 아이디어는 다음과 같다.

상대적으로 강한 ETF에 자금을 배분한다.
시장 환경이 약해지면 SHY로 방어한다.
특히 성장/기술 leadership이 동시에 약해지는 구간에서는 방어 비중을 더 높인다.

이 전략은 다음 검증 과정을 거쳤다.

전체 기간 백테스트
OOS 검증
walk-forward 검증
거래비용 민감도 테스트
스타일 약세 구간 분석
ETF 상장 시점을 반영한 동적 유니버스 검증

최종 결론은 보수적으로 정리했다.
이 전략은 2003년 이후 전체 구간에서 SPY와 유사한 장기 수익률과 더 낮은 최대낙폭을 보였지만,
장기적으로 SPY를 안정적으로 초과하는 전략이라고 보기는 어렵다.

프로젝트 목표

이 프로젝트의 원래 목표는 다음과 같았다.

SPY를 초과하는 ETF 로테이션 전략 설계
해석 가능하고 구현 가능한 구조 유지
전략이 어디서 왜 깨지는지까지 확인

최종적으로 이 전략은 다음처럼 정리된다.

국면 의존형 ETF 로테이션 전략
장기 CAGR은 SPY와 유사
최대낙폭은 SPY보다 완화
성장 / 기술 / 반도체 leadership에 대한 의존성이 높음

전략 구조

Offensive Universe

SPY
QQQ
IWF
IWM
SMH
VWO
VNQ
HYG

Defensive Asset

SHY

리밸런싱

월간 리밸런싱

핵심 신호

12개월 모멘텀 단독

각 ETF의 12개월 모멘텀을 계산하고, 해당 시점 ETF들 간의 상대 강도를 비교해 순위를 매긴다.

최종 baseline에서는 여러 실험 요소를 제외하고,
가장 단순하면서 해석 가능한 구조만 남겼다.

테스트 후 제외한 요소

6개월 + 12개월 혼합 모멘텀
trend 가산/감점
carry proxy
macro regime overlay
volatility targeting
일반 overlay 중첩

즉 현재 baseline의 핵심은 12개월 상대 모멘텀이다.

자산 선택 규칙

각 ETF의 12개월 모멘텀을 계산한다.
12개월 모멘텀이 양수인 ETF만 후보로 인정한다.
후보 중 상위 2개 ETF를 선택한다.
후보가 없으면 **SHY 100%**로 이동한다.

가중 방식

선택된 상위 2개 ETF는 점수비례 가중을 사용한다.

더 강한 ETF에 더 큰 비중
두 번째 ETF에 더 작은 비중
점수는 power = 1.5 비선형 강화 후 정규화

테스트 후 제외한 방식

동일가중
top 1 집중
top 3 분산
70:30 고정가중

최종적으로 top 2 + 점수비례 가중을 채택했다.

약점 보완 규칙

테스트 결과, 이 전략은 성장/기술 leadership이 동시에 약해지는 구간에 취약했다.

다음 조건이 모두 참이면 방어를 강화한다.

SMH 월간 수익률 < SPY 월간 수익률
QQQ 월간 수익률 < SPY 월간 수익률
IWF 월간 수익률 < SPY 월간 수익률

이때 포트폴리오는 다음처럼 조정된다.

Offensive top 2 비중 합계 50%
SHY 50%

즉 평소에는 공격적으로 운용하지만,
확인된 약점 구간에서는 방어 비중을 높인다.

동적 유니버스 적용 방식

유니버스는 동적(dynamic)으로 적용한다.

각 ETF는 다음 조건을 만족해야 후보가 된다.

해당 시점에 이미 상장되어 있어야 함
12개월 모멘텀 계산이 가능한 가격 이력이 있어야 함
해당 시점에 여전히 존재하는 자산이어야 함

즉, 모든 ETF가 처음부터 존재했다고 가정하는 비현실적인 백테스트를 피했다.

백테스트 기간 설정

다운로드 시작일: 2002-01-01
백테스트 시작일: 2003-01-31

최종 전략 규칙 요약

Universe: SPY, QQQ, IWF, IWM, SMH, VWO, VNQ, HYG, SHY
Signal: 12M momentum only
Rebalance: Monthly
Selection: Top 2
Weighting: Score-weighted
Default fallback: SHY 100%
Weak-regime override: SHY 50% + offensive 50%
Overlay: OFF
Universe handling: 상장 시점 반영 동적 유니버스

성과 그래프

누적성과 비교

전략과 SPY의 누적 성과 비교 그래프다.
장기적으로는 유사한 CAGR을 보였지만, 특정 국면에서는 성과 차이가 크게 벌어지는 구간이 존재한다.

낙폭 비교

전략과 SPY의 drawdown 비교 그래프다.
전략은 장기적으로 SPY보다 더 낮은 최대낙폭을 기록했다.

연도별 수익률 비교

전략과 SPY의 연도별 수익률 비교 그래프다.
전략이 어떤 시장 국면에서 강하고 약한지 확인할 수 있다.

전체 기간 백테스트 결과 (2003년 이후)

성과 요약

Strategy CAGR: 9.28%
SPY CAGR: 9.24%
Strategy Volatility: 14.84%
SPY Volatility: 14.45%
Strategy Sharpe: 0.67
SPY Sharpe: 0.69
Strategy Max Drawdown: -41.60%
SPY Max Drawdown: -52.20%

추가 지표

Upside Capture: 0.41
Downside Capture: 0.96
Monthly Win Rate vs SPY: 50.0%

해석

2003년 이후 전체 구간 기준으로 이 전략은:

장기 CAGR이 SPY와 거의 유사
Sharpe는 SPY보다 약간 낮음
최대낙폭은 SPY보다 의미 있게 낮음

즉 이 전략은

장기적으로 SPY를 안정적으로 이기는 전략

이라기보다,

장기 수익률은 SPY와 비슷하지만, 낙폭을 다소 줄이는 국면 의존형 ETF 로테이션 전략

으로 보는 것이 더 정확하다.

연도별 수익률 특성

이 전략은 시장 국면에 따라 성과 차이가 크다.

잘 작동한 해

전략이 선호하는 리더십이 강했던 구간에서는 성과가 좋았다.

예:

2006: 23.25% vs SPY 13.74%
2007: 12.58% vs SPY 3.24%
2008: -33.02% vs SPY -38.28% (상대적 방어)
2014: 18.34% vs SPY 11.29%
2020: 49.75% vs SPY 16.16%
2024: 27.46% vs SPY 23.30%

약했던 해

광범위한 강세장이나 리더십 구조가 맞지 않은 구간에서는 성과가 약했다.

예:

2003: 21.15% vs SPY 29.31%
2004: -0.64% vs SPY 8.62%
2009: 2.68% vs SPY 23.49%
2013: 15.61% vs SPY 29.69%
2021: 18.78% vs SPY 27.04%

즉 이 전략은 항상 강한 전략이 아니라, 특정 환경에서 강한 전략이다.

OOS 검증

결과

Train CAGR: 8.75%
Test CAGR: 11.09%
Train SPY CAGR: 8.54%
Test SPY CAGR: 11.63%
Test Sharpe: 0.82
Test SPY Sharpe: 0.81
Test Max Drawdown: -20.95%
Test SPY Max Drawdown: -24.80%

해석

OOS 테스트 구간에서 이 전략은:

CAGR 기준으로는 SPY를 소폭 하회
Sharpe는 SPY보다 소폭 우위
최대낙폭은 SPY보다 낮음

즉 OOS 결과는

강한 초과수익 검증 이라기보다,
위험조정 성과 측면에서 경쟁력 있는 결과

에 더 가깝다.

Walk-forward 검증

walk-forward 테스트에서도 혼합된 결과가 나타났다.

대표 구간

2008-02 ~ 2009-01: 전략이 SPY 대비 방어 우위
2009-02 ~ 2010-01: 전략이 SPY 대비 크게 부진
2014-02 ~ 2015-01: 전략 우위
2020-02 ~ 2021-01: 전략 우위
2021-02 ~ 2022-01: 전략 부진
2025-02 ~ 2026-01: 전략 우위

해석

walk-forward 결과 역시 동일한 메시지를 준다.

이 전략은 시장 국면과 리더십 구조에 따라 성과가 크게 달라지는 전략이다.

즉 항상 잘 작동하는 전략은 아니다.

거래비용 민감도

결과

Cost Rate	Strategy CAGR	SPY CAGR	Excess CAGR
0.002	9.28%	9.24%	+0.04%
0.004	8.94%	9.24%	-0.30%
0.006	8.60%	9.24%	-0.64%

해석

이 부분은 중요하다.

장기 전체 구간에서는 거래비용을 보수적으로 높이면
전략의 초과수익은 거의 사라지거나 음수로 바뀐다.

즉 최근 구간에서는 비용 내성이 괜찮아 보였지만,
장기 전체 표본에서는 거래비용에 꽤 민감한 전략이라고 해석해야 한다.

스타일 약세 구간 분석

전략이 실제로 어떤 환경에서 약한지 확인하기 위해
SMH, QQQ, IWF가 SPY보다 약한 달들을 따로 분석했다.

결과

전략은 특히 다음 구간에서 약했다.

SMH < SPY 달: 평균 초과수익 -0.64%/월
QQQ < SPY 달: 평균 초과수익 -0.68%/월
IWF < SPY 달: 평균 초과수익 -0.54%/월
세 조건이 모두 동시에 발생한 달: 평균 초과수익 -1.10%/월

해석

이 전략의 본질은 일반적인 전술적 자산배분이 아니라,

성장 / 기술 / 반도체 leadership 로테이션 전략 + SHY 방어 구조

에 가깝다.

이 점이 전략의 강점이기도 하고, 동시에 구조적 약점이기도 하다.

실제 포트폴리오 행동 특성

실제 월별 비중을 보면 전략은 대체로 다음처럼 움직였다.

강한 성장/기술 구간에서는 SMH / QQQ / IWF 비중이 크게 올라감
혼조 혹은 방어 구간에서는 SHY 비중이 크게 늘어남
일부 시기에는 IWM, VWO, VNQ로 이동하지만, 핵심 엔진은 여전히 성장/기술 leadership이다

즉 실제 보유 종목 기준으로도 이 전략은

성장/기술 로테이션 + SHY 방어

라고 요약할 수 있다.

강점

구조가 단순하고 해석 가능함
ETF 상장 시점을 반영한 현실적인 동적 유니버스 적용
SPY 대비 더 낮은 장기 최대낙폭
최근 구간에서는 위험조정 성과가 경쟁력 있음
OOS, walk-forward, 비용 민감도, 스타일 약세 구간까지 폭넓게 검증
유리한 결과만 남기지 않고 약점까지 명확히 드러냄

한계

2003년 이후 전체 구간에서 SPY를 확실히 초과하지 못함
장기 Sharpe는 SPY보다 약간 낮음
비용 가정을 보수적으로 두면 초과수익이 음수로 전환될 수 있음
성장 / 기술 / 반도체 leadership에 대한 의존성이 큼
broad bull market이나 강한 반등장에서 자주 underperform
국면 의존성이 구조적인 특징임

최종 평가

이 전략은 다음처럼 소개하면 안 된다.

장기적으로 SPY를 꾸준히 이기는 전략
모든 시장에서 강한 만능 전략
즉시 실전 자금 투입 가능한 완성형 기관 전략

이 전략은 이렇게 소개하는 것이 맞다.

ETF 모멘텀 로테이션이 장기적으로 어떤 특성을 가지는지, 그리고 어디서 강하고 어디서 약한지를 정직하게 보여주는 정량 리서치 프로젝트

즉 이 프로젝트의 가치는
“완벽한 전략을 찾았다”는 데 있는 게 아니라,
가설 설정 → 설계 → 검증 → 약점 분석 → 재해석까지 이어지는 완전한 퀀트 리서치 과정을 보여준다는 데 있다.

이 프로젝트가 여전히 의미 있는 이유

비록 장기 전체 결과가 최근 구간만 봤을 때보다 더 보수적으로 나왔지만,
이 프로젝트는 다음 과정을 모두 포함한다.

가설 설정
신호 설계
ETF 유니버스 구성
비중 산정 로직 설계
fallback/방어 구조 설계
OOS 검증
walk-forward 검증
거래비용 민감도 테스트
스타일 약세 구간 분석
ETF 상장 시점을 반영한 동적 유니버스 확장
더 엄격한 조건에서 전략을 다시 해석

즉 이 프로젝트는 “좋아 보이는 숫자만 남기는 프로젝트”가 아니라,
정량 전략을 어떻게 검증하고 냉정하게 재평가해야 하는지 보여주는 프로젝트다.

프로젝트 포지셔닝

이 저장소는 다음처럼 포지셔닝하는 것이 가장 적절하다.

ETF 로테이션 전략 연구
국면 의존형 전술적 자산배분 연구
정량 포트폴리오 설계 및 검증 프로젝트

다음처럼 소개하는 것은 부정확하다.

장기 SPY 초과수익 확정 전략
production-ready alpha engine
강건한 장기 시장 초과수익 시스템

현재 baseline

이 저장소는 최종 baseline을 다음 이름으로 보존한다.

baseline_equity_rotation_v1

이 프로젝트는 첫 번째 완성형 연구 프로젝트로 보존하고,
다음 단계 확장은 별도 프로젝트에서 진행하는 것이 적절하다.

프로젝트 폴더 구조

quant_portfolio/
├── config/
│   ├── universe.py
│   ├── settings.py
│   ├── data_config.example.py
│   ├── macro_series.py
│   ├── etf_metadata_column.py
│   └── etf_manual_metadata.py
│
├── data/
│   ├── raw/
│   ├── processed/
│   ├── cache/
│   └── factors/
│
├── images/
│   ├── cumulative_returns.png
│   ├── drawdown_comparison.png
│   └── yearly_returns.png
│
├── scripts/
│   ├── update_data.py
│   ├── build_etf_metadata.py
│   ├── preprocess_data.py
│   ├── build_features.py
│   ├── build_factors.py
│   ├── build_risk_model.py
│   ├── build_portfolio.py
│   ├── apply_overlays.py
│   ├── run_execution.py
│   ├── run_backtest.py
│   ├── run_analytics.py
│   ├── run_benchmark_report.py
│   ├── run_oos_validation.py
│   ├── run_walk_forward_validation.py
│   ├── run_transaction_cost_sensitivity.py
│   ├── run_style_weakness_report.py
│   └── run_plot_report.py
│
└── src/
    ├── data/
    ├── preprocessing/
    ├── features/
    ├── factors/
    ├── risk/
    ├── portfolio/
    ├── overlays/
    ├── execution/
    ├── backtest/
    ├── analytics/
    └── utils/

환경설정

이 프로젝트는 외부 데이터 API를 사용한다. 실제 API 키는 Git에 포함하지 않는다.

공개 저장소에는 예시 파일만 포함한다.

예:

config/data_config.example.py

예시:

Copy this file to `config/data_config.py` and fill in your real API keys.
Do not commit `config/data_config.py` to Git.


FRED_API_KEY = "your_fred_api_key_here"
ALPHA_VANTAGE_API_KEY = "your_alpha_vantage_api_key_here"

실행 방법

데이터 다운로드 및 메타데이터 생성

python -m scripts.update_data
python -m scripts.build_etf_metadata

전처리 및 피처 생성

python -m scripts.preprocess_data
python -m scripts.build_features
python -m scripts.build_factors

포트폴리오 비중 생성 및 실행 반영

python -m scripts.build_portfolio
python -m scripts.apply_overlays
python -m scripts.run_execution

백테스트 및 분석

python -m scripts.run_backtest
python -m scripts.run_analytics
python -m scripts.run_benchmark_report

추가 검증

python -m scripts.run_oos_validation
python -m scripts.run_walk_forward_validation
python -m scripts.run_transaction_cost_sensitivity
python -m scripts.run_style_weakness_report

그래프 생성

python -m scripts.run_plot_report

전체 실행

python -m scripts.update_data
python -m scripts.build_etf_metadata
python -m scripts.preprocess_data
python -m scripts.build_features
python -m scripts.build_factors
python -m scripts.build_portfolio
python -m scripts.apply_overlays
python -m scripts.run_execution
python -m scripts.run_backtest
python -m scripts.run_analytics
python -m scripts.run_benchmark_report
python -m scripts.run_oos_validation
python -m scripts.run_walk_forward_validation
python -m scripts.run_transaction_cost_sensitivity
python -m scripts.run_style_weakness_report
python -m scripts.run_plot_report

마지막 정리

이 저장소는 완성된 1차 연구 프로젝트로 보는 것이 맞다.

즉, 이 baseline을 계속 덧칠하는 것보다:

이 프로젝트는 ETF 로테이션 연구 결과로 보존하고
다음 단계는 별도 프로젝트에서 기관형 멀티 슬리브 구조로 확장하는 것이 더 적절하다.

Name		Name	Last commit message	Last commit date
Latest commit History 1 Commit
config		config
data		data
images		images
scripts		scripts
src		src
.DS_Store		.DS_Store
.gitignore		.gitignore
README.md		README.md
requirements.txt		requirements.txt

Folders and files

Latest commit

History

Repository files navigation