24. 게리 안토나치의 듀얼 모멘텀 전략

 

게리 안토나치의 듀얼 모멘텀 전략

게리 안토나치가 제안한 절대 모멘텀과 상대 모멘텀을 결합한 투자 전략

 

전략의 기본 원리

상승장이 아닌 시점에는 현금을 보유함으로써 위험을 최소화하고(절대모멘텀), 상승장인 시점에서는 가장 큰 추세를 가진 자산군을 사용함으로써 최대의 수익을 취함(상대 모멘텀)

• 모멘텀 : 특정 자산에 대하여 상승하는 가격이 더욱 상승하거나, 하락하는 자산 가격이 더욱 하락하는 경향을 말하며 주가 추세의 가속도를 측정해 주가의 변동 상황을 이해하는 하나의 방법
• 절대 모멘텀 : 투자 자산의 과거 12개월과 비요하여 절대적 상승세를 평가
• 상대 모멘텀 : 투자 자산 가운데 상대적으로 강세를 보이는 곳에 투자

 

파라미터

1. 어떤 자산군(종목)을 편입할 것인가?
2. 절대 모멘텀의 기준은 무엇인가? (지난 6개월 수익률이 +인지, 예금 금리 이상인지, 벤치마크 대비 outperform 했는지 등)
3. 모멘텀 판단 기준 주기를 어떻게 잡을 것인가?

 

예시 - 국제 ETF 듀얼모멘텀

모멘텀 측정 주기 : 6개월

사용 자산군

• KODEX 미국 S&P500 선물 - 미국 지수
• TIGER 유로스탁스50 - 유럽 지수
• KODEX 일본 TOPIX100 - 일본 지수
• KODEX 200 - 한국 지수

매수

1. 4개 자산군의 최근 6개월 수익률이 모두 - 이면 현금 보유 ⇒ 하락 추세(절대 모멘텀 없음), 하나라도 +이면 절대 모멘텀 있다고 판단하여 상대 모멘텀을 체크한다.
2. 최근 6개월 수익률이 가장 높은 자산군을 매수 ⇒ 상대 모멘텀

매도

1. 최근 6개월 수익률이 가장 높은 자산군이 변경되면 보유중인 자산군을 매도하고 해당 자산군을 매수
2. 4개 자산군의 최근 6개월 수익률이 모두 -되면 매도 후 현금 보유

 

 

국제 ETF 듀얼모멘텀

데이터 준비

# 자산군 4개 종목
stock_list = [
  ["KODEX 미국S&P500선물(H)", "219480"],
  ["TIGER 유로스탁스50(합성 H)", "195930"],
  ["KODEX 일본TOPIX100", "101280"],
  ["KODEX 200", "069500"]
]


# 종가 데이터 가져오기
# 가장 짧은 날짜 종목 기준으로 시작일 설정
df_list = [fdr.DataReader(code, '2015-05-29')['Close'] for name, code in stock_list]

# 병합해서 데이터프레임으로 만들기
df = pd.concat(df_list, axis=1)
df.columns = [name for name, code in stock_list]

# 수익률 데이터 프레임으로 전환
수익률_측정기간 = 120    # 6개월
수익률_개월 = df.pct_change(periods=수익률_측정기간)


# 상대모멘텀, 절대모멘텀 columns 추가하기
df['상대모멘텀'] = 수익률_개월.idxmax(axis='columns')
df['절대모멘텀'] = 수익률_개월.max(axis='columns') > 0    # True & False

# 상대모멘텀과 절대모멘텀을 구할수 없는 앞에 개월간의 데이터(NaN)를 스킵
df = df[수익률_측정기간:]


# 시뮬레이션을 위한 날짜 변수와 날짜 인덱스 변수 만들기
date_list = df.index
date_i = np.arange(len(date_list))

• idxmax = 최댓값을 가지는 인덱스 레이블을 반환
  • axis="columns" : 행 방향으로 탐색하여 열로 반환

 

듀얼 모멘텀 알고리즘

print(f"듀얼모멘텀 전략 Signal, 모멘텀 측정주기 : {수익률_측정기간}")

# 신호 데이터 수집
signal_i_list = []
signal_date_list = []
signal_return_list = []
#-------------------------------------------

포지션_보유유무 = False   # 투자 상태 : 전체 현금 보유 시작
for i in date_i:
    if i < 1:    # 첫날의 이전날 데이터 없으므로 
        continue
    
		# 전날과 당일 데이터 준비    
    prev_date = date_list[i-1]
    now_date = date_list[i]
    
    직전_상대모멘텀_종목 = df['상대모멘텀'].loc[prev_date]
    당일_상대모멘텀_종목 = df['상대모멘텀'].loc[now_date]
    
    직전_절대모멘텀 = df['절대모멘텀'].loc[prev_date]
    당일_절대모멘텀 = df['절대모멘텀'].loc[now_date]
    # -------------------------------------------------------
    
    # 매수 신호 포착 시점
    if 당일_절대모멘텀 == True and 직전_절대모멘텀 == False:
        매수시_주가 = df[당일_상대모멘텀_종목].loc[now_date]
        매수_종목 = 당일_상대모멘텀_종목
        포지션_보유유무 = True
        print(f'++++++++++++++++++++++++++++++++++++++{now_date} 절대모멘텀 발생+++++++++++++++++++++++++++++++++++')
    
    # 매도 신호 포착 시점 : 수익률 계산, 신호 데이터 수집
    elif 당일_절대모멘텀 == False and 직전_절대모멘텀 == True:
        매도시_주가 = df[매수_종목].loc[now_date]
        수익률 = (매도시_주가 / 매수시_주가) * 100 - 100
        print(f"  - {now_date}  매도 Signal 발생!  매수매도종목 {매수_종목}  ->  {매수_종목}, 매수주가 {매수시_주가:.0f}  ->  매도주가 {매도시_주가:.0f}  , 수익률 {수익률:.3f} %")
        print(f'--------------------------------------{now_date} 절대모멘텀 상실----------------------------------------------')
        signal_i_list.append(i)
        signal_date_list.append(now_date)
        signal_return_list.append(수익률)
        포지션_보유유무 = False

    # 매수 종목 보유 중에 상대 모멘텀 종목 변경됐을 경우
    elif 당일_절대모멘텀 == True and 직전_상대모멘텀_종목 != 당일_상대모멘텀_종목:
        if 포지션_보유유무 == True:
            매도시_주가 = df[직전_상대모멘텀_종목].loc[now_date]
            매도_종목 = 직전_상대모멘텀_종목
            수익률 = (매도시_주가 / 매수시_주가) * 100 - 100
            print(f"  - {now_date}  매도 Signal 발생!  {매수_종목}  ->  {매도_종목}, 매수주가 {매수시_주가:.0f}  ->  매도주가 {매도시_주가:.0f}  , 수익률 {수익률:.3f} %")
            signal_i_list.append(i)
            signal_date_list.append(now_date)
            signal_return_list.append(수익률)

            매수시_주가 = df[당일_상대모멘텀_종목].loc[now_date]
            매수_종목 = 당일_상대모멘텀_종목
        elif 포지션_보유유무 == False:
            매수시_주가 = df[당일_상대모멘텀_종목].loc[now_date]
            매수_종목 = 당일_상대모멘텀_종목
            포지션_보유유무 = True

 

 

수익률

# 누적 수익률
듀얼_모멘텀_누적수익률 = np.array(signal_return_list) / 100 + 1
듀얼_모멘텀_누적수익률 = 듀얼_모멘텀_누적수익률.cumprod()

# 듀얼모멘텀 누적수익률 데이터프레임 만들기
듀얼모멘텀_기간_수익률 = pd.DataFrame(듀얼_모멘텀_누적수익률, index = signal_date_list, columns =['듀얼모멘텀'])
듀얼모멘텀_기간_수익률 - 1


# 수익률 비교
수익률_합 = sum(signal_return_list)
평균_수익률 = 수익률_합 / len(signal_return_list)

단순_기간_수익률 = ((df['KODEX 미국S&P500선물(H)'][-1] / df['KODEX 미국S&P500선물(H)'][0] +\
             df['TIGER 유로스탁스50(합성 H)'][-1] / df['TIGER 유로스탁스50(합성 H)'][0] +\
             df['KODEX 일본TOPIX100'][-1] / df['KODEX 일본TOPIX100'][0] + \
             df['KODEX 200'][-1] / df['KODEX 200'][0]) / 4) * 100 - 100

print(f"전체 매매 수익률 합  {수익률_합:.2f}%,  매매 당 평균 수익률  {평균_수익률:.2f}%,  "
      f"단순 기간 수익률 {단순_기간_수익률:.2f}%, 듀얼모멘텀 기간 수익률 {((듀얼모멘텀_기간_수익률.iloc[-1].values[0]-1)*100):.2f}%")
# 전체 매매 수익률 합  -9.19%,  매매 당 평균 수익률  -0.06%,  단순 기간 수익률 62.01%, 듀얼모멘텀 기간 수익률 -17.60%

• df.cumprod(axis=None, skipna=True, args, kwargs)
  • axis : 누적합/누적곱을 구할 축을 지정합니다.
  • skipna : 결측치를 무시할지 여부 입니다
• 누적 수익률은 복리를 생각해야하므로 누적곱셈을 한다.

 

 

그래프

# 첫 날을 기준으로 상대 수익률 그려보기
df_norm  = pd.DataFrame(columns = ['KODEX 미국S&P500선물(H)', 'TIGER 유로스탁스50(합성 H)', 'KODEX 일본TOPIX100', 'KODEX200'])
df_norm['KODEX 미국S&P500선물(H)'] = df['KODEX 미국S&P500선물(H)'] / df['KODEX 미국S&P500선물(H)'].iloc[0] - 1
df_norm['TIGER 유로스탁스50(합성 H)'] = df['TIGER 유로스탁스50(합성 H)'] / df['TIGER 유로스탁스50(합성 H)'].iloc[0] - 1
df_norm['KODEX 일본TOPIX100'] = df['KODEX 일본TOPIX100'] / df['KODEX 일본TOPIX100'].iloc[0] - 1
df_norm['KODEX200'] = df['KODEX 200'] / df['KODEX 200'].iloc[0] - 1
df_norm.plot(figsize=(20,6));
plt.title('상대 수익률');


# 듀얼모멘텀 상대수익률
df_dual = 듀얼모멘텀_기간_수익률 - 1
df_dual.plot(figsize=(20,6));
plt.title('상대 수익률');

 

결론

개별 주식을 단순 보유하는 것 만큼 안정적이면서 상승하는 수익률을 보여준다.

파라미터(모멘텀측정주기, 절대모멘텀과 상대모멘텀 정의, 자산군 설정)를 바꿔가며 효율적인 듀얼모멘텀 전략을 찾아가야 한다.

과거데이터가 좋게 나온다고해서 미래에도 그렇다는 보장이 없기때문에 왜 이런 현상이 발생했는지 생각해보는 것이 중요하다.