페어 트레이딩은 시장 전체의 상승이나 하락을 예측하기보다 두 자산 사이의 상대적인 관계에 초점을 맞추는 상대가치 전략이다. 과거에 비교적 안정적인 가격 관계를 보여 온 두 종목을 찾고, 그 관계가 정상 범위에서 크게 벗어났을 때 포지션을 구축한다.
일반적으로 상대적으로 저평가된 자산을 매수하고, 고평가된 자산을 동시에 공매도한다. 목표는 각 자산의 가격이 과거 수준으로 돌아오는 것이 아니라 두 자산 사이의 상대가격 관계가 다시 균형에 가까워지는 것이다.
예를 들어 같은 산업에 속한 두 기업은 경기 상황, 원재료 가격, 수요 변화와 같은 공통 요인의 영향을 받을 수 있다. 한 기업의 주가가 급등했지만 다른 기업은 뚜렷한 펀더멘털상의 이유 없이 뒤처졌다면, 트레이더는 강한 종목을 공매도하고 약한 종목을 매수할 수 있다. 이후 두 기업의 상대적 가치가 수렴하면 두 포지션을 합친 결과에서 수익이 발생할 가능성이 있다.
그러나 가격 차트의 형태가 비슷하다는 사실만으로는 신뢰할 수 있는 거래 기회라고 판단할 수 없다. 관찰된 관계가 통계적으로 안정적인지, 경제적으로 설명 가능한지, 거래비용을 반영한 뒤에도 활용할 수 있는지를 검증해야 한다.
상관관계와 공적분
상관관계는 일정한 기간 동안 두 자산이 같은 방향이나 반대 방향으로 움직이는 경향을 측정한다. 잠재적인 페어를 선별할 때 유용하지만, 상관계수가 높다고 해서 두 가격 사이의 차이가 장기적인 균형으로 돌아온다는 의미는 아니다.
공적분은 다른 질문을 다룬다. 두 가격 시계열이 각각 시간에 따라 변화하더라도 특정 비율로 결합한 시계열은 비교적 안정적으로 유지될 수 있다. 이 결합에서 발생하는 잔차, 즉 스프레드가 평균회귀 성향을 보인다면 거래 전략을 설계할 수 있는 더 강한 통계적 근거가 된다.
따라서 두 자산은 높은 상관관계를 보이면서도 공적분 관계를 갖지 않을 수 있다. 상관계수만을 기준으로 종목을 선택하면 일시적으로 비슷하게 움직인 가격을 장기적으로 안정된 관계로 오인할 위험이 있다.
스프레드, 헤지 비율과 Z점수
페어 트레이딩 모델은 일반적으로 두 포지션의 상대적인 규모를 결정하는 헤지 비율을 추정하는 것부터 시작한다. 자산 A와 B의 가격을 각각 PA와 PB로 표시하고 헤지 비율을 β라고 하면 스프레드는 다음과 같이 나타낼 수 있다.
Spread = PA − β × PB
두 포지션의 금액을 반드시 동일하게 맞출 필요는 없다. 헤지 비율은 선형회귀, 롤링 회귀 또는 동적 모델을 이용해 추정할 수 있으며, 자본 규모와 변동성, 위험 노출에 따라 추가로 조정할 수도 있다.
현재 스프레드가 정상 수준에서 얼마나 벗어났는지 판단하기 위해 Z점수가 자주 사용된다.
Z = (현재 스프레드 − 과거 평균) ÷ 과거 표준편차
Z점수가 크게 양수라면 자산 A를 공매도하고 헤지 비율에 맞는 자산 B를 매수하는 거래가 고려될 수 있다. 점수가 크게 음수라면 반대 방향의 포지션을 구성한다. 스프레드가 추정 평균에 가까워지면 일반적으로 두 포지션을 함께 청산한다.
다만 과거 백테스트에서 가장 높은 수익을 냈다는 이유만으로 진입과 청산 기준을 선택해서는 안 된다. 측정 기간, 임계값, 보유 규칙을 반복적으로 조정하면 모델이 과거 데이터에 과도하게 맞춰져 새로운 시장 환경에서는 작동하지 않을 수 있다.
주요 페어 트레이딩 모델
거리 방식은 가장 단순한 접근법 중 하나다. 가격 시계열을 표준화한 뒤 과거에 가장 유사한 경로를 보인 자산을 후보로 선택한다. 이해하고 구현하기는 쉽지만 두 자산 사이에 지속적인 장기 균형이 존재한다는 증거는 제한적이다.
공적분 모델은 비정상 가격 시계열 사이에 안정적인 선형 결합이 존재하는지를 검정한다. Engle–Granger 방법은 주로 두 변수에 적용되고, Johansen 방법은 여러 자산을 포함한 관계를 분석할 수 있다. 그러나 통계적으로 유의하다는 사실이 경제적으로 타당하거나 미래에도 지속된다는 것을 보장하지는 않는다.
시계열 모델은 스프레드의 움직임을 설명하는 데 활용된다. 자기회귀 모델로 평균회귀 속도를 추정할 수 있으며, 반감기는 가격 괴리가 줄어드는 데 필요한 대략적인 시간을 보여 준다. 회귀 속도가 너무 느리면 자본이 장기간 묶일 수 있고, 지나치게 빠르면 예상 이익이 거래비용보다 작을 수 있다.
칼만 필터는 시간에 따라 변하는 헤지 비율을 추정할 수 있다. 두 자산의 관계가 점진적으로 달라지는 환경에 유연하게 대응할 수 있지만 모델 복잡성과 매개변수 위험도 증가한다. 단기적인 잡음에 과도하게 반응하는 모델은 불안정한 신호와 지나치게 잦은 거래를 만들어 낼 수 있다.
머신러닝은 페어 선택, 시장 국면 분류 또는 스프레드 변화 예측에 활용될 수 있다. 그렇다고 전략의 기본 위험이 사라지는 것은 아니다. 데이터 누출, 표본 외 성과 저하, 설명 가능성 부족은 복잡한 모델을 실제보다 더 신뢰할 만한 것처럼 보이게 할 수 있다.
거래 프로세스 구축
먼저 같은 산업의 기업, 특성이 유사한 채권, 서로 연결된 원자재 또는 구조가 비슷한 펀드처럼 경제적인 공통성을 가진 자산군을 구성한다. 이후 유동성, 상관관계, 공적분과 스프레드 안정성을 기준으로 후보를 좁힌다.
전략에는 명확한 진입, 청산, 손절매와 최대 보유기간 규칙이 필요하다. 현실적인 백테스트라면 수수료, 매수·매도 호가 차이, 슬리피지, 자금조달 비용, 주식 대차 비용, 두 주문이 동시에 체결되지 않을 가능성까지 반영해야 한다.
미래 정보가 과거의 의사결정에 포함되는 선견편향을 피하기 위해 거래 신호는 당시 실제로 이용할 수 있었던 데이터만으로 계산해야 한다. 현재의 지수 구성 종목이나 나중에 수정된 데이터를 과거 검증에 사용하면 실제 운용에서 재현할 수 없는 결과가 나타날 수 있다.
평가는 총수익률에만 의존해서는 안 된다. 최대 낙폭, 승률, 손익비, 회전율, 평균 보유기간, 꼬리 손실, 여러 시장 국면에서의 안정성을 함께 살펴야 한다. 롤링 윈도 분석과 완전히 분리된 표본 외 테스트는 관계의 견고성을 판단하는 데 특히 중요하다.
주요 위험
가장 중요한 위험은 두 자산 사이의 관계가 무너지는 것이다. 기업의 사업 구조 변화, 인수합병, 규제, 지수 편입 변경이나 산업 재편은 두 자산을 새로운 균형 상태로 이동시킬 수 있다. 이때 과거 평균으로 돌아오기를 계속 기다리면 손실이 줄어드는 것이 아니라 더 커질 수 있다.
모델 위험도 중요하다. 표본 기간, 헤지 비율 또는 거래 임계값을 조금만 바꿔도 결과가 크게 달라질 수 있다. 과거에 강해 보였던 관계가 많은 조합을 탐색하는 과정에서 우연히 발견된 결과일 수도 있다.
실행 위험은 이론적인 우위를 빠르게 약화시킨다. 두 주문이 동시에 체결되지 않으면 포트폴리오가 일시적으로 시장 방향에 노출된다. 유동성 감소, 호가 차이 확대, 빌린 주식의 반환 요청도 성과에 부정적인 영향을 줄 수 있다.
또한 페어 트레이딩이 자동으로 시장중립적인 것은 아니다. 금액이 동일한 두 포지션이라도 베타, 변동성, 산업 민감도와 유동성이 다를 수 있다. 시장 스트레스가 커지면 상관관계가 급변하고, 과거에는 분산된 것처럼 보였던 여러 페어가 동시에 손실을 낼 수 있다.
페어 트레이딩의 장점은 시장 방향을 맞히는 대신 자산 간 상대적 관계를 분석한다는 데 있다. 그러나 평균회귀는 보장된 법칙이 아니라 지속적으로 검증해야 하는 가설이다. 견고한 운용을 위해서는 관계가 여전히 유효한지 정기적으로 확인하고, 포지션 한도와 구조적 손절 규칙을 설정하며, 비용을 현실적으로 반영하고, 실제로 독립적인 거래 기회들 사이에 위험을 분산해야 한다.