* 유진 경제 이정훈
<5월 CPI - 디스인플레이션의 큰 진전>

- 5월 Core CPI +0.4%로 높게 유지되었지만 중고차 가격 급등 영향이 큼

- CPI 중고차 가격은 만하임 중고차지수 상승을 거의 다 반영했고, 만하임 지수 반락을 감안하면 향후 1-2개월 내 중고차 가격 상승세도 크게 둔화 예상

- Core는 높게 유지됐지만 절사평균/중앙값/비주거 core 서비스 등 기타 근원적 물가 압력은 꾸준히 둔화 중. 아직 안심은 이르지만 미국 물가의 sticky한 압력도 점차 완회될 전망

* 최근 Zillow 임대료 반등은 전형적인 계절성 이슈로 우려할 단계 아님. 15-19년 동월대비 상승률은 오히려 낮고, Redfin에서 집계하는 median rent는 하락세 유지 중.

5월 중국 실물경제지표 시장 예상 하회

고정자산투자
- 4.0% (예상 +4.4%, 4월 4.7%)
부동산투자
- -7.2% (예상 -6.7%, 4월 -6.2%)
인프라투자
- 7.5% (4월 +8.5%)
제조업투자
- 6.0% (4월 +6.4%)

소매판매
- 12.7% (예상 +13.7%, 4월 +18.4%)

산업생산
- 3.5% (예상 +3.5%, 4월 +5.6%)

실업률
- 5.2% (예상 5.2%, 4월 5.2%)
16-24세 실업률
- 20.8% (4월 20.4%)

주가지수 고점은 언제일까(2편)

퀀트 허석민입니다.

원자재: 채권 금리가 오르지 못하면서 동시에 인플레이션은 다시 올라야 금에 유리한데, 지금 시점에서 금 상승세는 어려워 보입니다. 기름이나 구리는 중국에서 13일 7일물 10bp 인하가 나오면서 반등했으나, 유가는 70불을 확정하지 못하며 불안정합니다. 금일(15일) MLF 금리 10bp 인하로 반등했으나, 여전히 68불 근처에서 저항을 맞으며 70불을 확정짓지는 못하고 있습니다. 기름 CFTC 투기자 포지션은 최근 +172K 계약 정도인데, 20만 계약 아래로 간 경우가 별로 없었습니다. 추세추종 CTA, 헤지펀드들이 주범이라고 볼 수 있습니다.

미국 주식은 여전히 견고합니다. 향후 발간할 자료에서 소개해드리겠지만, 여전히 일간 변동성을 나타내는 VIX1D만 장중에 급격한 상승을 하고 있고, 만기 이후에 해당하는 VIX9D나 VIX1M은 14에서 방황하고 있습니다. 이번 만기까지는 이런 흐름이 계속 이어질 수 있겠습니다. 2분기 말 미결제 약정 기준으로 나타난 4320 저항은 의미가 없어졌고, 오히려 이제는 지지로 작용할 수 있겠습니다. CFTC 투기자 SPX 선물 숏 포지션 최근 데이터가 아직 나오지 않았으나 아직 숏 포지션이 많습니다. 선물 숏 포지션을 많이 들고 있는 투기자들이 포지션을 버리고 다음주에 다시 잡느니 콜매수로 헤지를 하고 넘어갈 수도 있을 것 같습니다. SPX 4320 저항은 돌파했고, 별 일 없으면 이번주 만기까지는 랠리가 계속될 수 있습니다. 재무부 TGA 잔고 보충에 의한 유동성 흡수 문제는 여전히 시장에 남아 있습니다. $425B를 역레포 잔고 이동으로 다 채워주지 못할 가능성이 높은데, 주식시장은 펀더멘털 상황은 무시하고 올라가는 듯합니다. 수급과 센티먼트가 지배적이지만, 이를 정량적으로 파악할 선행지표가 없는 것 같습니다.

재무부의 TGA 잔고 보충은 아직까지는 RRP에서 자금이 이동하면서 방어하고 있는데, 1개월물 금리 5.18-5.19% 정도에서는 RRP 잔고 감소, TGA 잔고 증가로 반응했습니다. 1개월물 금리 5.10-5.13% 정도에서는 RRP 잔고 증가로 반응했는데, 1개월물이 5.15-5.2% 정도 되면 1개월물 매수 움직임이 나타나는 것 같습니다. TGA 이슈가 단기적으로 시장에 부정적으로 작용하지 않으려면 기준금리 동결과 동시에 1개월물 금리는 5.1% 근처로 내려오면 안 되겠습니다. 재무부가 제시한 이번 달 TGA 잔고 보충량이 아직 많이 남아있으니, 시장 반응이 어떻게 나오는지 계속 체크할 필요가 있습니다.

AI로 시장을 이길 수 있는가? (KOSPI 예시 기초 방법론)

제가 현재 텔레그램/메일링을 통해 송부드리고 있는 마켓타이밍 모델도 AI=머신러닝이라는 관점에서는 AI 모델로 볼 수가 있습니다(클러스터링 모델). 세미나에서 말씀드렸다시피 딥러닝(신경망 모델)은 머신러닝의 한 부류에 불과합니다. 하지만 딥러닝이든, 딥러닝을 제외한 머신러닝 알고리즘이든 적용 과정은 대체로 유사합니다. 알고리즘에 따라 튜닝(최적화) 과정이 다르긴 하지만 최근 나오는 Pycaret과 같은 신규 라이브러리들은 하드코딩이 아닌 Auto ML, 즉 쉬운 머신러닝을 목표로 하고 있기 때문에 접근이 더 용이해지고 있습니다.

머신러닝을 활용한 모델링 방법론을 코스피 마켓 타이밍 예시를 통해 말씀드리겠습니다. 인공신경망(딥러닝) 모델을 활용합니다. 접근법은 분류 지도학습 방법입니다. 즉, 주어진 독립변수에 따라 상승, 또는 하락이라는 레이블(종속변수)를 지정하여 모델의 파라미터를 업데이트합니다. 이전 자료에 소개드린 방식은 비지도학습, 즉 종속변수 없이 시장 국면을 분류하는 방식입니다.

2010년부터 현재까지의 데이터를 활용하겠습니다. 데이터를 모델 학습을 위한 in-sample, 그리고 테스팅을 위한 out-sample로 분류합니다. 그리고 in-sample 내에서도 최근 20% 구간은 검증 데이터로 활용합니다. 검증 데이터(validation data)는 in-sample과 out-sample을 나누고나서도, out-sampe 테스팅 전 in-sample 내에서의 80%의 데이터만 학습에 활용하고, 20% 데이터로 검증을 해보고자 하는 방식입니다. 개인적으로는 금융 시계열은 길이가 너무 짧아서, 검증 데이터의 의미가 크지는 않다고 생각합니다.

모델 학습이 잘 되고 있는지 확인해보기 위해서는 에포크(학습 횟수)에 따른 손실함수 추이 그래프를 그려야합니다. (상승, 상승, 하락, 상승..)과 같이 동일한 클래스의 분류를 여러 개 해야되는 경우는 Binary Cross Entropy(BCE)를 손실함수로 활용합니다. 그래프 상에서 훈련 데이터와 검증 데이터의 Loss가 동시에 감소하는 것을 확인할 수가 있습니다. 훈련 손실은 감소하는데, 검증 손실이 감소하지 않으면 모델이 훈련 데이터에 과적화되고 있다고 판단할 수 있습니다. 이런 경우는 out-sample testing의 성과가 좋지 않을 가능성이 높습니다. 동시에 모델의 정확도(accuracy) 지표도 확인해줍니다. 정확도는 전체 예측 내 정답의 비율입니다. 정확도가 훈련 횟수에 따라 훈련, 검증 데이터 모두에서 점차 증가하는 것을 볼 수 있습니다.

손실함수/정확도 그래프를 통해 모델의 학습이 잘 이뤄지고 있다는 것을 확인하더라도, 반드시 또 확인해야하는 것이 있습니다. 바로 클래스 추정치(확률)의 분포입니다. 만약 추정 클래스의 빈도가 0.5 부근에 몰려있는 정규분포와 유사한 모양이라면, 모델이 클래스를 랜덤하게 부여하고 있다는 의미입니다. 이런 경우는 모델의 정확도가 높더라도 받아들일 수 없습니다. 우연적 요소가 크기 때문입니다. 이번 예시의 모델 같은 경우는 in-sample과 out-sample 모두 추정치의 분포가 0과 1에 가까운 값으로 분포되어 있는 U자형입니다. 학습이 잘 이뤄졌다고 볼 수 있습니다.

마지막으로 백테스팅입니다. 실제 상승/하락 예측 확률에 따라 매수 또는 공매도 포지션에 진입합니다. 단순하게 클래스 추정치의 임계치를 0.5로 설정하여 0.5 이상인 경우는 매수, 반대는 공매도로 진입합니다. 물론 in-sample 내에서 최적의 임계치를 정하여 out-sample에 적용하는 것도 가능합니다. In-sampe과 out-sample 모두 유의미한 성과를 나타냅니다.

조금 더 보수적인 평가를 위해, 조건 두개를 더 넣도록 합니다. 1) 오늘 시그널 발생시 내일 시가로 포지션 변경, 2) 거래비용 포지션 변경시마다 0.01% 감안(매수 매도 각각 계산, 즉 매매 1회당 0.02%). 해당 조건 반영시 다음과 같은 차트가 나옵니다

위에 설명된 내용은 곧 발간될 인뎁스 자료 내에서도 다룰 예정이며, 단기 방향성 파악에 용이합니다. 참고로 이 모델상의 현재 코스피 단기 방향성은 short입니다.