숨겨진 5억 달러의 비밀: 펀드 성과의 이면을 분해하다

오세에이아이연구소·2024년 6월 1일·17분 읽기

#펀드평가 #폰지펀드 #HFT #고빈도트레이딩 #시장미시구조 #포트폴리오최적화 #AMM #강화학습 #팩터투자

숨겨진 5억 달러의 비밀: 펀드 성과의 이면을 분해하다

2024년 5월 아카이브에서 발견한 놀라운 연구들

들어가며: "이 펀드, 정말 잘하는 걸까?"

주변에서 이런 이야기 많이 들어보셨죠? "어떤 펀드가 올해 30% 넘게 올랐대." 그래서 투자하면, 다음 해엔 왜 고전하는 걸까요?

만약 그 30% 수익률의 상당 부분이 "실력"이 아니라 "돈이 들어와서 주가가 올라간 결과"라면? 마치 신규 투자자의 돈으로 기존 투자자에게 수익을 돌려주는 폰지 사기와 비슷한 구조가 합법적으로 존재한다면?

2024년 5월 arXiv에 올라온 논문들이 이 질문에 충격적인 답을 제시합니다. 이번 달에는 펀드의 숨겨진 메커니즘, 시장의 보이지 않는 손(HFT), 최적화의 새로운 방향까지, 세 가지 큰 주제를 살펴봅니다.

테마 1: 펀드 수익률의 진실 — "폰지 펀드"의 발견

무엇이 문제인가?

액티브 펀드, 그러니까 시장 평균보다 높은 수익을 추구하는 펀드에 투자할 때, 우리는 보통 과거 수익률을 확인합니다. "이 펀드가 최근 3년간 연 20% 벌었으니 괜찮겠지."

그런데 만약 그 수익률의 상당 부분이 펀드에 돈이 들어온 결과라면?

핵심 아이디어: 자기부양 수익률

Ponzi Funds라는 논문은 집중 포트폴리오(소수 종목에 집중 투자하는 펀드)의 수익률을 두 가지로 분해합니다:

기초체력 수익률: 기업 실적이나 시장 상황 변화로 인한 진짜 수익
자기부양 수익률: 투자자들이 돈을 넣으면서 주가가 올라가서 생긴 수익

비유를 들어볼게요. 동네 빵집이 있는데, 손님이 몰리기 시작합니다. 손님이 몰리니 매출이 오르고, 매출이 오르니 "이 빵집 잘되네"라고 소문이 나서 더 많은 손님이 옵니다. 매출은 계속 오르지만, 빵의 맛(기초체력)이 변한 건 아닙니다. 손님이 몰려서 매장 앞에 줄이 생기고, 그 줄 자체가 "맛집"의 증거처럼 보이는 거죠.

펀드도 똑같습니다. 돈이 들어오면 펀드가 보유한 주식을 더 사야 하고, 그 매수 압력으로 주가가 올라갑니다. 그러면 기존 보유분의 수익률이 올라가고, 그 수익률을 보고 또 돈이 들어옵니다.

결과: 매일 5억 달러의 재분배

이 논문이 밝혀낸 숫자는 놀랍습니다:

ETF에서만 매일 약 5억 달러(약 6,500억 원) 규모의 부(wealth)가 초기 투자자에서 후기 투자자로 재분배됩니다.
이 자기부양 수익률을 추종하는 자금흐름은 ETF 버블과 이후 붕괴를 예측합니다.
펀드의 비유동성(illiquidity)이 이 "폰지형" 잠재력을 포착하는 핵심 지표입니다.

그래서 투자자에겐?

펀드를 평가할 때 단순히 "최근 수익률"만 보면 위험합니다. 특히 소수 종목에 집중하면서 자금 유입이 활발한 펀드라면, 그 수익률이 "실력"인지 "자기부양"인지 구분해야 합니다. 논문은 펀드 비유동성을 주의 깊게 보라고 조언합니다.

ohselab 시사점: 전략 평가 시 자금흐름-성과 피드백을 제거한 "조정 알파"를 설계하는 것이 핵심입니다.

테마 2: 시장의 보이지 않는 손 — HFT를 공개 데이터로 포착하기

무엇이 문제인가?

고빈도 트레이딩(HFT)은 미국 주식 거래량의 거의 절반을 차지합니다. 하지만 공개 데이터에서는 이들이 누군지, 뭘 하는지 알 수 없습니다. 마치 축구 경기의 절반을 차지하는 선수들이 투명인간인 셈이죠.

핵심 아이디어: ML로 HFT를 "보이게" 만들기

Data-driven measures of high-frequency trading 논문은 독점 데이터에서 관찰된 HFT 활동을 공개 데이터(체결·호가 정보)로 예측하는 머신러닝 모델을 만듭니다.

쉽게 말하면, "HFT가 있는 날의 공개 데이터 패턴"과 "HFT가 없는 날의 패턴"을 학습한 뒤, 공개 데이터만 보고 HFT 활동을 추정하는 거죠.

이 모델은 2010~2023년, 미국 전 종목에 적용되었습니다. 14년간의 HFT 활동 지도가 공개 데이터만으로 그려진 셈입니다.

두 가지 HFT의 얼굴

더 흥미로운 발견은 HFT를 두 가지로 분리했다는 점입니다:

유동성 공급형 HFT: 시장에 유동성을 제공하는 전략. 이들은 실적 발표 전후에 가격 발견을 개선합니다.
유동성 수요형 HFT: 유동성을 소비하는 전략. 이들은 가격 발견을 저해합니다.

같이 "HFT"라고 불리지만, 시장에 미치는 영향은 정반대인 거죠.

테마 3: "현재가 근처에 집중" — 이것이 정말 최선일까?

놀라운 발견

탈중앙화 거래소(DEX)에서 유동성을 제공하는 분들이라면 익숙한 전략: "현재 가격 근처에 유동성을 집중시킨다." 가장 많은 수수료를 벌 수 있을 것 같으니까요.

A Tick-by-Tick Solution for Concentrated Liquidity Provisioning 논문은 이 "상식"에 도전합니다.

그림: 최적 틱별 유동성 배분 — 현재가 근처가 항상 최적이 아님을 보여주는 결과

논문은 집중 유동성 AMM에서 틱(최소 가격 단위)별 최적 유동성 배분을 볼록최적화 문제로 정식화합니다. 입력은 스왑 거래량 예측과 가격 변동성 추정치. 출력은 각 틱에 배분할 최적 유동성의 벡터입니다.

놀라운 결과: 현재가 주변에 유동성을 집중시키는 것이 최적인 경우가 의외로 많지 않습니다. 거래량 분포와 변동성에 따라, 현재가에서 벗어난 틱에 더 많은 유동성을 배치하는 것이 수수료 수익을 더 높일 수 있습니다.

그림: 자본 규모(200k~10M)에 따른 최적 유동성 배분 변화

포트폴리오 최적화의 새로운 방향

이번 달에는 포트폴리오 최적화 자체를 재정의하는 연구들도 나왔습니다:

Autonomous Sparse Mean-CVaR Portfolio: "어떤 종목을 살까"가 아니라 "몇 개나 살까"에 집중. 거래비용과 운용 복잡도를 줄이는 희소 포트폴리오를 자동으로 구성합니다.
DSPO: 주가 데이터를 넣으면 알아서 포트폴리오를 짜주는 end-to-end 시스템. 사람이 팩터를 설계하는 단계를 건너뜁니다.
Decision-Focused Forecasting: 예측이 정확한 것보다, 예측을 바탕으로 내린 의사결정이 좋은 것이 더 중요하다는 관점. 예측기와 의사결정을 함께 학습합니다.

테마 4: 강화학습, 연속시간으로 확장되다

점프가 있는 세상에서의 학습

강화학습은 보통 "매 초", "매 분"처럼 이산적인 시간 단위로 작동합니다. 하지만 실제 금융 시장에서는 가격이 부드럽게 변하다가 갑자기 "점프"합니다. 악재가 터지면 주가가 순식간에 떨어지죠.

Reinforcement Learning for Jump-Diffusions은 이 "점프"를 RL 프레임워크에 직접 포함시킵니다. 기존에는 디퓨전(연속 변동)만 다뤘다면, 이 논문은 점프-확산(연속 변동 + 갑작스러운 점프) 과정에서의 최적 제어를 다룹니다.

점프 리스크가 있는 포트폴리오 관리, 옵션 헤징, 실행 전략 등에 바로 적용할 수 있는 이론적 토대입니다.

확산 모델과 RL의 만남

Diffusion Actor-Critic은 이미지 생성에서 유명해진 "확산 모델"을 RL의 행동 정책으로 사용합니다. 오프라인 RL에서 학습 데이터 밖의 행동을 생성하는 문제를, 확산 모델의 샘플링 능력으로 해결합니다.

테마 5: 고차원의 함정을 피하는 수리적 방법

팩터가 너무 많으면?

요즘 퀀트 투자에서는 수십, 수백 개의 팩터(종목 특성)를 사용합니다. 문제는 팩터가 많아지면 "진짜 신호"와 "잡음"을 구분하기 어려워진다는 것.

Dynamic Latent-Factor Model with High-Dimensional Asset Characteristics는 이 문제를 Double Selection Lasso라는 기법으로 해결합니다.

쉽게 말하면:

먼저 Lasso(불필요한 변수를 자동 제거하는 기법)로 잡음이 많은 특성을 걸러냅니다.
남은 특성으로 자산 가격을 분석합니다.
한 번 더 Lasso를 돌려서 누락된 중요한 변수가 없는지 확인합니다.

이 방법은 특히 크립토 자산에 유용합니다. 크립토는 거래 가능한 자산 수가 적고 데이터 기간이 짧지만, 사용할 수 있는 특성(온체인 데이터, 거래량, 변동성 등)은 매우 많기 때문입니다.

논문은 이 방법으로 크립토에서 인플레이션 모방 포트폴리오가 양의 위험 프리미엄을 보인다는 흥미로운 발견을 합니다.

월 전체 Big Picture: 관측의 정밀도

2024년 5월의 연구들을 관통하는 하나의 키워드가 있습니다: 관측의 정밀도.

펀드 수익률의 이면을 분해하고, 공개 데이터만으로 HFT를 추적하고, LOB의 정보 구조를 그래프로 포착하고, 틱 단위 유동성 배분을 최적화하는 연구들은 모두 시장의 숨겨진 구조를 더 정밀하게 관측하고 정량화하려는 시도입니다.

한편, 강화학습은 이산 환경을 넘어 연속시간과 점프 과정으로 확장되고, 고차원 특성 공간에서의 요인 모형은 수리적 정밀도의 새로운 경계를 보여줍니다.

실무적 시사점은 명확합니다. 성과 평가, 실행 전략, 리스크 관리 모두 "평균적 관찰"이 아닌 메커니즘 기반의 정밀한 분해가 필요합니다.

함께하기

이런 연구들을 꾸준히추적하고 싶으시다면:

📧 ohselab.com에서 최신 리포트를 받아보세요
💬 투자 전략이나 리서치에 대해 상담이 필요하시면 언제든 연락주세요
🔔 팔로우하시면 매월 최신 아카이브 분석을 놓치지 않으실 수 있습니다

더 알아보기

이 달의 S/A 논문 전체 목록

순위	논문	분야	등급	종합점수
1	Ponzi Funds	팩터 투자	A	75.2
2	Data-driven measures of HFT	고빈도 트레이딩	A	72.0
3	Quantifying Price Improvement in OFA	시장 미시구조	A	71.0
4	Dynamic Latent-Factor Model	팩터 투자	A	69.1
5	Concentrated Liquidity Provisioning	포트폴리오 최적화	A	67.3
6	RL for Jump-Diffusions	시계열 계량경제학	A	66.0

5차원 평가 점수 (상위 논문)

논문	참신성	실용성	엄밀성	재현성	통찰력
Ponzi Funds	78	84	72	46	88
HFT Measures	78	88	72	42	84
OFA Price Improvement	72	78	58	68	74
Dynamic Latent-Factor	74	72	78	42	71
Concentrated Liquidity	74	78	61	42	76
RL Jump-Diffusions	74	68	72	38	71

AI 기술이 궁금하신가요?

오세에이아이연구소의 AI 연구와 제품에 대해 문의해주세요.

문의하기 →

🤖 AI 연구

AI가 주식을 예측할 수 있을까? — 2026년 3월 금융 AI 연구 리뷰

2026년 3월 금융 AI 논문 734편을 분석한 월간 종합. LLM의 시간 편향 문제, 백테스트 엔진의 숨겨진 오차, 포트폴리오 최적화의 새로운 수학, LOB 시뮬레이션의 현실화, 강화학습 트레이딩 시스템의 실전 전환까지 — 신뢰할 수 있는 금융 AI를 만드는 5가지 연구 테마를 살펴봅니다.

2026년 4월 1일20분

금융AILLM트레이딩+6