2026년 7월 AI 트레이딩 연구 요약: 추세추종이 왜 갑자기 안 되는지, MACD는 왜 작동하는지

"200년 동안 잘 되던 전략이 2009년부터 갑자기 안 되기 시작했다면, 그건 전략이 틀렸기 때문이 아니라 시장이 바뀌었기 때문이다."

---

들어가며

여러분은 혹시 "추세추종(trend following)"이라는 투자 전략을 들어보셨나요? 간단히 말하면, 가격이 오르면 사고 내리면 파는 가장 단순한 전략입니다. 놀랍게도 이 전략은 1800년대부터 약 200년 동안, 평균적으로 수익을 냈습니다.

그런데 2009년쯤부터 단기 추세추종 전략의 수익이 급격히 줄어들기 시작했습니다. 많은 전문가들이 "시장이 포화됐다"거나 "전자 거래가 전략을 죽였다"고 설명했습니다.

2026년 7월에 발표된 한 논문은 이 설명들이 모두 틀렸다고 말합니다. 진짜 원인은 따로 있었고, 그 원인을 알면 MACD 같은 기술적 지표가 왜 작동하는지도 이해할 수 있게 됩니다.

이번 달에는 22편의 논문 중 11편을 골라, 4개의 연구 테마로 정리했습니다.

---

테마 1: 추세추종이 무너진 진짜 이유 — "틱 사이즈"가 열쇠였다

무엇이 문제였나요?

추세추종 전략은 "가격이 한 방향으로 움직이면 그 방향을 따른다"는 단순한 아이디어입니다. 실제로 이 전략은 200년간 수익을 냈습니다. 하지만 2009년 이후, 특히 단기(빠른) 추세 신호를 사용하는 전략의 수익이 급격히 떨어졌습니다.

전문가들은 세 가지 이유를 제시했습니다:

1. 용량 포화: CTA(Commodity Trading Advisor) 업계가 너무 커져서 시장에 미치는 영향이 자기 수익을 갉아먹는다.
2. 전자화: 모든 거래가 전자화되면서 추세 신호가 더 빨리 반영되어 기회가 사라졌다.
3. 주문흐름 변화: CTA와 일반 투자자 간의 상호작용이 변했다.

핵심 아이디어

파리의 Capital Fund Management과 임페리얼 칼리지 런던 연구팀이 발표한 논문(arXiv:2607.01550)은 약 100개 선물을 30년간 분석한 결과, 위 세 가지 설명이 모두 타이밍, 크기, 또는 자산군별 차이에서 실패한다고 결론지었습니다.

진짜 원인은 변동성 정규화 틱 사이즈(volatility-normalised tick size)였습니다.

틱 사이즈란 쉽게 말하면 가격이 움직일 수 있는 "최소 단위"입니다. 예를 들어 어떤 상품은 1원 단위로, 어떤 상품은 100원 단위로 가격이 움직입니다. 이 최소 단위를 해당 상품의 변동성으로 나눈 것이 "변동성 정규화 틱 사이즈"입니다.

연구팀의 발견은 놀랍도록 명확했습니다:

• 틱 사이즈가 작은 계약에서는 2009년 이후 추세 수익이 모든 신호 속도에서 붕괴했다.
• 틱 사이즈가 큰 계약에서는 추세 수익이 본질적으로 유지되었다.
• 자산군(주식, 채권, 원자재 등)이나 유동성 수준으로 분류하면 이 패턴이 보이지 않지만, 틱 사이즈로 분류하면 선명하게 드러난다.

왜 그럴까요? 핵심 메커니즘은 이렇습니다:

1. 과거에는 시장 조성자(market maker)가 주문장(order book)에 유동성을 제공하며, 추세 주문이 들어오면 그 반대 포지션을 취했다.
2. HFT(고빈도 거래) 시대가 되면서, 시장 조성 방식이 바뀌었다.
3. 틱 사이즈가 작은 자산에서는 주문장이 조밀(dense)해서, HFT가 추세 주문에 반대하는 유동성을 효율적으로 제공할 수 있다. 이러면 추세 주문이 가격을 충분히 움직이지 못해 수익이 사라진다.
4. 반면 틱 사이즈가 큰 자산에서는 주문장이 희소(sparse)해서, 추세 주문이 가격을 움직이는 "자기실현적 루프(self-fulfilling loop)"가 여전히 작동한다.

쉽게 비유하면, 좁은 골목(작은 틱)에서는 사람들이 비켜주지만, 넓은 도로(큰 틱)에서는 사람들이 비켜주지 않아서 차가 밀고 나가야 하는 것과 비슷합니다. HFT가 "비켜주는" 역할을 너무 잘하게 되면서, 추세 전략이 길을 잃었다는 이야기입니다.

그래서 투자에겐?

추세추종 전략을 쓰고 있다면, 종목을 고를 때 틱 사이즈를 반드시 확인해야 합니다. 틱 사이즈가 작은 상품에 대한 단기 추세 전략은 시장 구조가 변한 이상 재설계가 필요합니다. 반대로 틱 사이즈가 큰 상품에서는 추세 전략이 여전히 유효합니다.

---

테마 2: MACD는 왜 작동하는가 — "직감이 아니라 수학이었다"

무엇이 문제였나요?

MACD(Moving Average Convergence Divergence)는 주식 투자자라면 한 번쯤 들어봤을 지표입니다. 빠른 이동평균선과 느린 이동평균선의 차이를 보면, 추세의 방향과 강도를 알 수 있다는 아이디어죠.

문제는 MACD가 왜 작동하는지에 대한 수학적 근거가 없었다는 점입니다. 1970년대 제랄드 아펠(Gerald Appel)이 경험적으로 만들었고, 50년 넘게 전 세계 트레이더가 사용해왔지만, "이게 왜 최적인가?"라는 질문에 답하는 논문은 없었습니다.

핵심 아이디어

시카코 대학교 수학과의 Eccles와 Lee가 발표한 논문(arXiv:2607.01705)은 이 질문에 수학적으로 답합니다.

논문의 설정은 이렇습니다:

• 위험자산(예: 주식)의 가격이 움직이는 이유는 두 개의 숨겨진 요인이 있다.
  • 느린 요인: 기업 가치, 경제 환경 등 천천히 변하는 평균 수준.
  • 빠른 요인: 시장 심리, 뉴스 등 빠르게 변하는 편차.
• 투자자는 가격만 볼 수 있고, 이 두 요인의 실제 값을 직접 알 수 없다.

이 상황에서 "최적 포트폴리오 비중은 어떻게 정해야 할까?"라는 문제를 풀면, 놀라운 결과가 나옵니다.

숨겨진 평균 수준을 추정하는 최적 방법이 정확히 MACD 형태의 신호라는 것입니다. 구체적으로, 빠른 EMA(지수이동평균)와 느른 EMA의 차이가 최적 추정량이 되며, 여기에 시간에 따라 변하는 보정항(Kalman 가중치와 Volterra 보정)이 붙습니다.

더 중요한 것은 이 결과가 효용 함수(로그, 거듭제곱, 지수)에 관계없이 성립한다는 점입니다. 즉, "위험을 얼마나 싫어하느냐"와 상관없이 MACD형 신호가 최적이라는 뜻입니다.

그래서 투자에겐?

MACD를 사용하는 트레이딩 전략에 수학적 근거가 생겼습니다. 특히 MACD의 빠른/느린 기간 파라미터를 설정할 때, 시장의 미시구조적 특성(잠재 요인의 시간 스케일)에 맞게 조정할 수 있는 이론적 프레임워크를 제공합니다.

경험적으로 쓰던 도구가 수학적으로 증명된 셈이니, MACD 사용자에게는 반가운 소식입니다.

---

테마 3: 포트폴리오를 한 번에 최적화하는 AI vs. 단순 규칙

무엇이 문제였나요?

포트폴리오를 구성하는 전통적인 방법은 두 단계입니다:

1. 각 자산의 미래 수익률을 예측한다.
2. 예측값을 넣어 포트폴리오 비중을 최적화한다.

문제는 1단계의 예측 오류가 2단계에서 증폭될 수 있다는 점입니다. 예측이 조금만 틀어져도 최적 포트폴리오가 크게 달라질 수 있습니다.

핵심 아이디어

CME 선물 16종을 대상으로 한 연구(arXiv:2607.00475)는 "예측하지 않고 바로 비중을 정하는" 엔드투엔드 AI 정책을 제안합니다. 시장 상태(변동성, 상관관계, 모멘텀 등)를 입력으로 받아 바로 포트폴리오 비중을 출력하는 신경망을, Sharpe 비율을 최대화하도록 학습시킵니다.

흥미로운 발견은 언제 AI가 이기는가입니다:

• 시장이 불안정할 때 (변동성 높음, 자산 간 상관관계 불안정): AI 엔드투엔드 정책이 단순 규칙(등가중, 60/40)을 유의하게 초과한다.
• 시장이 안정적일 때: 차이가 거의 없다.

또 하나의 관련 논문(arXiv:2607.00883)은 꼬리위험 관리를 다룹니다. 풋옵션과 추세추종을 하나의 CVaR(Conditional Value-at-Risk) 틀에서 통합하여, 급락(crash), 변동성 재가격, 지속적 손실(drawdown)이라는 세 가지 다른 손실 메커니즘에 대한 보호 자원을 어떻게 배분할지 제안합니다.

쉽게 말하면, "비 올 때 우산(풋옵션)을 쓸 것인가, 아니면 비가 오는 방향으로 뛸 것인가(추세추종), 아니면 둘 다 할 것인가?"를 수학적으로 최적화하는 문제입니다.

그래서 투자에엔?

시장 변동성이 높아지는 시기에는 기존 "예측 → 최적화" 파이프라인의 한계가 드러나므로, 엔드투엔드 접근법이 대안이 될 수 있습니다. 다만 안정기에는 단순 규칙이 충분하므로, 시장 상황에 따라 전략을 전환하는 하이브리드 접근이 현실적입니다.

꼬리위험 관리에서는 풋옵션과 추세추종을 "경쟁 관계"가 아니라 "상호 보완 관계"로 보는 프레임워크가 유용합니다.

---

테마 4: 유동성의 가격, 그리고 팩터 모델의 사각지대

무엇이 문제였나요?

"유동성이 낮은 주식은 기대 수익률이 높다"는 것은 투자의 기본 상식입니다. 하지만 유동성 프리미엄이 정확히 얼마나 되는지, 그리고 투자 기간에 따라 어떻게 달라지는지는 명확하지 않았습니다.

또한, Fama-French 같은 팩터 모델이 "평균적으로" 잘 맞는다고 해서, 모든 구간에서 잘 맞는 것은 아닙니다. 특히 시가총액이 아주 크거나 아주 작은 기업에서 pricing error가 숨어있을 수 있습니다.

핵심 아이디어

첫 번째 논문(arXiv:2607.01377)은 Kyle(1985)의 가격충격계수 λ를 실제 주문 데이터에서 직접 추정합니다. 쉽게 말하면, "1달러어치 주문이 가격을 얼마나 움직이는가?"를 측정한 것입니다.

2020~2025년 CRSP 데이터로 분석한 결과:

• 서명된 주문흐름(사려는 사람과 파려는 사람의 차이)은 1개월 후 수익률을 유의하게 예측한다.
• 거래량의 변동성이 클수록 이후 수익률이 낮아진다. 이는 가격충격이 커지면 가격발견이 저하됨을 의미한다.

두 번째 논문(arXiv:2607.01765)은 팩터 모델의 "사각지대"를 찾는 진단법을 제안합니다. 시가총액 순위축을 따라 가격 오차(pricing error)를 적분하면, 모델이 전체적으로는 잘 맞지만 특정 시가총액 구간에서 체계적으로 틀리는 부분을 발견할 수 있습니다.

1967~2024년 CRSP 데이터로 분석한 결과, Fama-French 5요인 모델과 Carhart 4요인 모델 모두 시가총액 하위 20%(소형주)에서 음의 bridge-alpha를 보이며, 이는 리드-락(lead-lag) 보정 후에도 완전히 해소되지 않습니다.

세 번째 논문(arXiv:2607.01198)은 대형 거래의 의미를 재해석합니다. 기존에는 큰 거래가 있으면 "누군가 정보를 알고 있다"고 해석했지만, 이 논문은 두꺼운 꼬리(heavy tails)를 가진 유동성 수요 하에서는 큰 거래가 단순한 "유동성 충격"일 수 있음을 보여줍니다.

그래서 투자에겐?

유동성 비용을 포트폴리오에 반영할 때, 투자 기간을 함께 고려해야 합니다. 단기 투자자에게는 유동성 프리미엄이 더 크고, 장기 투자자에게는 상대적으로 작습니다.

팩터 모델을 사용한다면, 전체적인 성능 지표(Sharpe, R-squared)만 보지 말고, 시가총액 구간별로도 확인하는 것이 중요합니다. 모델이 "평균적으로" 잘 맞아도, 내 포트폴리오가 속한 구간에서는 틀릴 수 있습니다.

---

월 전체 Big Picture: "옛 도구의 한계를 밝히고, 새 도구의 근거를 세우는 달"

2026년 7월 코호트는 소규모(22편)이지만, 두 편의 A등급 논문이 강력한 메시지를 전달합니다.

추세추종 전략은 200년간 수익을 냈지만, 2009년 이후 시장 미시구조가 변하면서 단기 전략이 무너졌습니다. 그 원인은 용량 포화나 전자화가 아니라, HFT 유동성 제공 방식의 변화와 틱 사이즈라는 미시구조 변수에 있었습니다.

동시에 MACD라는 50년 된 기술적 지표가, 부분 정보 최적화 문제의 수학적 해로 증명되면서, 경험적 도구에 이론적 기반이 놓였습니다.

포트폴리오 구축 측면에서는 AI가 "불안정한 시장에서" 단순 규칙을 이기고, 꼬리위험 관리에서 풋옵션과 추세추종이 "경쟁"이 아닌 "협력"으로 재정의됩니다.

한 마디로 요약하면: "옛 도구의 한계를 밝히고, 새 도구의 근거를 세우는 달"이었습니다.

---

함께하기

이런 종류의 연구를 더 빠르게 만나고 싶다면:

• 뉴스레터 구독: ohselab.com에서 최신 AI 트레이딩 연구 소식을 받아보세요.
• 상담 문의: 퀀트 전략 설계나 AI 모델 적용에 대해 궁금한 점이 있으시면 언제든 연락주세요.
• 팔로우: 소셜 미디어에서 최신 연구 요약을 실시간으로 확인하세요.

---

더 알아보기