알고리즘 트레이딩 전략

마지막 업데이트: 2022년 7월 5일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
MFI formula

IT's 이웃사랑

트레이딩은 파생금융상품거래에서 사용되는 용어로 외환, 채권, 주식 등의 가격변동을 예측하여 이로부터 매매차익을 획득하려는 목적의 거래로 전문투자가들에 의해 사용된다. 트레이딩 거래자(Trader)들은 시장정보를 수집, 분석하여 트레이딩거래를 하게 되는데, 1970년대 증권거래업무의 전산화 이후부터 트레이딩 거래는 대부분 트레이딩 시스템을 통해 이루어졌으며, 세부적으로는 매매체결로부터 이익을 얻기 위해 각종 트레이딩 기법들이 활용된다

  • ①Client
  • ②Buy-sie - Decision 알고리즘 트레이딩 전략 알고리즘 트레이딩 전략 marking 1.Paris Trading2.system trading(T.A), 3.Portfolio management
  • ③Sell-side(Broker)- (Algorithmic Trading - block trading, Benchmark)
  • ④Market
  • ①은 ②에게 Money, Profit
  • ②는 ③에게 order instruction, Financial Information eXchange Protocol(FIX)
  • ③은 ④에게 Execution - confirm/fill/parial fill
  • ②와 ④는 Direct Market Access(DMA)
  • 트레이딩 시스템

보통은 buy-side, sell-side의 전문 투자자가 사용하는 거래 알고리즘 트레이딩 전략 시스템을 통칭하지만 국내에서는 증권사(sell-side) 법인영업 및 상품운용부서가 현물과 파생상품을 거래하기 위한 시스템으로 한정하는 경우가 많다. 프로그램매매(차익/비 차익거래)와 파생상품 전략주문, ETF 등의 헤지 거래를 위해 사용되며, 시스템 트레이딩은 주문이라는 기본적인 기능 이외에도 buy-side(투신, 기금 등)와의 연동(STP)을 위해 FIX메시지 처리를 위한 fix-engine, 전략적 주문 처리를 위한 알고리즘 트레이딩 engine 등을 포함하기도 한다.

금융상품 거래에 사용되는 정형화된 전략이다. 트레이딩이 전산을 통하여 이루어지는 만큼 최신 정보 기술의 영향을 받으며 시대에 따라 다른 양상으로 발전되어 왔는데, 전통적인 기법들은 금융공학과 관련되며 통계를 비롯한 수학에 그 알고리즘 트레이딩 전략 뿌리를 두고 있다. 그 이후 정보처리 기술이 발달함에 따라 특정 조건 하에서의 주문 실행을 규칙화하여 매매를 자동화하는 지표추종형 전략으로 개선되었다.

코스콤 트레이딩 시스템 개발 배경

한국증권전산(舊 코스콤)은 1999년 일본 노무라종합연구소에서 개발한 트레이딩 플랫폼 EF(Execution Feed, 주문), DF(Data Feed, 시세)을 들여와 한글화 및 커스터 마이징하는 것을 시작으로 하여 2000년 EF의 선물옵션 주문 기능을 특화 시켜 선물옵션 복합전략 주문을 강화한 '피닉스'를 출시하였다. 또한 2001년 현물 및 선물의 통합관리가 불가능했던 EF, 피닉스의 단점을 개선하기 위해 차세대 트레이딩 솔루션인 MTS(Millennium Trading System) 개발하였다. 또한 2000년대에는 각 증권사의 개별 시스템 구축과 맞물려 트레이딩 시스템 역시 중요한 경쟁력으로 부상함에 따라 최신 트레이딩 기법들을 지원하고, 매매체결에 있어 High throughput(많은 처리량)과 low latency(빠른 주문체결속도)를 가지는 시스템을 구축하기 위한 노력이 시작되었다.

[ML4T] Machine Learning for Trading: From Idea to Execution

GitHub - stefan-jansen/machine-learning-for-trading: Code for Machine Learning for Algorithmic Trading, 2nd edition.알고리즘 트레이딩 전략

Code for Machine Learning for Algorithmic Trading, 2nd edition. - GitHub - stefan-jansen/machine-learning-for-trading: Code for Machine Learning for Algorithmic Trading, 2nd edition.

0. 들어가며

퀀트 공부를 제대로 시작해야겠다고 항상 생각은 하고 있었지만 실천을 못하고 있었는데 마침 블라인드 금융 라운지에서 알고리즘 트레이딩 스터디를 구하는 글이 올라왔다. 프로젝트도 막바지라 야근도 많아지고, 글또 글도 계속 써야해서 사실 더 시간 내기가 쉽지 않을 것 같기는 했지만, 스터디를 하려고 모인분들이 대부분 증권사에 다니시는 분들이어서 이이럴때 아니면 언제 증권사 현업 분들이랑 스터디를 할까 싶어 눈 딱감고 스터디를 해보기로 했다. 스터디 교재는 최근 2판이 번역된 퀀트 투자를 위한 머신러닝 딥러닝 알고리즘 트레이딩 2/e 으로 하기로 했는데, 스터디를 준비하면서 좀 읽다보니 번역투 문장들이 거슬리는 부분이 많고 의미전달이 분명하지 않은 경우가 있어 알고리즘 트레이딩 전략 킨들 버전을 추가로 구매했다. 책이 너무 무거워서(1100페이지 정도 됨) 들고다니기는 힘들것 같기도 했고. 스터디를 하고 내용을 정리해 두는 것이 나중에 다시 볼 때 도움이 될 것 같아 스터디 내용을 계속 정리해보려고 한다.

1. 책의 구성

이 책은 크게 4부로 나누어지고 부록을 포함하여 총 24장으로 구성되어 있다. 1부에서는 초과수익을 얻기 위한 알파 팩터를 찾고 포트폴리오는 최적화 하는 방법을 다루고 있고, 2부에서는 선형모형을 이용한 전통적인 방법에서 출발하여 XGBoost, LightGBM, Catboost 같이 비교적 최근에 나온 방법론의 적용(12장)까지 다루고 있다. 3부는 자연어 처리, 4부는 딥러닝과 강화학습을 커버하는데 텍스트나 이미지 데이터 등의 대체 데이터(alternative data)를 어떻게 트레이딩에 활용할 수 있는지 설명하고 있다. 강화학습은 트레이딩 실행 단계(excution)에서 적용을 고려해 볼 수 있는 알고리즘 트레이딩 전략 방법이다.
1부. 데이터, 알파 팩터, 포트폴리오
1장. 트레이딩용 머신러닝: 아이디어에서 주문 집행까지
2장. 시장 데이터와 기본 데이터: 소스와 기법
3장. 금융을 위한 대체 데이터: 범주와 사용 사례
4장. 알파 팩터 리서치
5장. 포트폴리오 최적화와 성과 평가

2부. 트레이딩을 위한 ML: 기본
6장. 머신러닝 프로세스
7장. 선형 모델: 리스크 팩터에서 수익률 예측까지
8장. ML4T 작업 흐름: 모델에서 알고리즘 트레이딩 전략 전략 백테스트까지
9장. 시계열 모델
10장. 베이지안 머신러닝: 동적 샤프 비율과 페어 트레이딩
11장. 랜덤 포레스트: 일본 주식 롱/숏 전략
12장. 거래 전략 강화
13장. 비지도학습을 활용한 데이터 기반 리스크 팩터와 자산 배분

3부. 자연어 처리
14장. 트레이딩을 위한 텍스트 데이터: 감성 분석
15장. 토픽 모델링
16장. 어닝 콜과 SEC 공시 보고서를 위한 단어 임베딩

4부. 딥러닝과 강화학습
17장. 딥러닝
18장. 금융 시계열과 인공위성 이미지를 위한 CNN
19장. 순환 신경망
20장. 조건부 위험 요인과 자산 가격 결정을 위한 오토인코더
21장. 합성 시계열 데이터를 위한 적대적 생성 네트워크
22장. 심층 강화학습: 트레이딩 에이전트의 구축
23장. 결론과 다음 단계
부록. 알파 팩터 라이브러리

2. 1장 내용 요약

(1) 알고리즘 트레이딩이란?

알고리즘 트레이딩이란 트레이딩 전략의 일부나 전부를 자동화할 목적으로 알고리즘(목표를 달성하기 위한 규칙이나 절차)을 이용하는 트레이딩 방식으로, 데이터 수집부터 실제 주문 집행까지의 일련의 과정을 포괄한다. 1장에서 얻어갈 수 있는 주요 내용 중 하나는 트레이딩을 위한 end to end 머신러닝 워크플로우이다.

목차를 기준으로 보면 알고리즘 트레이딩은

  • 자신의 목표(ex. 벤치마크를 초과하는 수익률 달성)를 정하여 평가방법을 세우고(5장, 8장),
  • 데이터를 이용해서(2장, 3장)
  • 피쳐를 뽑아내고(4장, 13장, 20장, 3부 텍스트, 4부 이미지)
  • 예측 모델에 피쳐를 투입하여 얻어진 결과값(7장, 9~12장, 19장)으로
  • 포트폴리오를 최적화하고(5장)
  • 시뮬레이션으로 테스트 해본 다음(21장)
  • 효과적으로 주문하는(22장)

일련의 과정을 통해 수행할 수 있다.

(2) 투자업계에서 머신러닝의 부상

팩터 투자와 스마트 베타 펀드

책에서는 투자업계에서 머신러닝을 사용하려는 동인을 ML 모형을 이용한 새로운 리스크 팩터의 발견과 수익률에 대한 뛰어난 예측력 때문으로 보고있다. 기존의 자본 자산 가격 결정 모델(Capital Asset Pricing Model; CAPM) 에서는 기대수익(Expected Return; Ri)을 무위험 수익(Risk Free Return; Rf, ex. 국채 금리)과 시장 포트폴리오 기대수익(Expected Market Return; Rm, ex. S&P 500 수익률)의 함수로 표현한다.
$$Ri = Rf + \beta\times(Rm-Rf)$$
여기서 베타(\(\beta\))는 전체 시장 움직임 대비 개별 종목이 얼마나 민감하게 움직이는지 측정한 지표로 S&P 500 지수가 1% 오를 때 애플이 5% 오른다면 S&P 500 지수에 대한 애플의 베타는 5가 된다. CAPM이 등장한 이후로 자산 수익률을 단일 팩터가 아닌 멀티 팩터로 설명하는 시도가 지속적으로 이루어졌고(특히 2008년 금융위기 이후), 이 과정에서 스마트 베타 펀드(smart beta fund)가 생겨났다. 스마트 베타 펀드는 다양한 팩터를 함께 고려하여 자산의 수익률을 추정한다.

https://www.fidelity.com/bin-public/060_www_fidelity_com/documents/brokerage/overview-factor-investing.pdf

알고리즘 트레이딩 기반 펀드의 성공

  • 1982년 르네상스 테크놀로지를 설립하고 최고 퀀트 회사로 키운 수학자 제임스 사이먼스가 운용하영 메달리온 펀드는 1982년 이후 연평균 약 35%의 수익률을 거둠
  • 3대 퀀트 헤지 펀드 디이쇼(DE Shaw), 시타델(Citadel), 투시그마(Two Sigma)는 알고리즘에 기반을 둔 시스템 전략을 사용해 2017년에 총수익 기준 TOP 20 펀드에 이름을 올림
  • 이코노미스트에 따르면 2016년 시스템 펀드는 미국 시장에서 기관 거래의 가장 큰 부분을 차지하는 것으로 나타났고, 2019년에는 기관 거래 규모의 35%이상을 차지해 2010년의 18%에서 크게 증가

머신러닝과 대체 데이터

대체 데이터(alternative data): 위성 이미지, 신용카드 거래 데이터, 감성 분석, 모바일 위치 정보 데이터, 웹 사이트 스크래핑 등의 데이터를 말하며, 잠재적인 거래신호를 포함하는 모든 데이터 소스를 포괄한다. 머신러닝이 투자업계에서 사용되기 시작한 가장 큰 이유는 대체 데이터를 분석하기 위해서라고 생각하는데, 대용량의 신용카드 거래 데이터 분석이나 위치 정보 데이터 분석, 위성 이미지 분석 등은 전통적인 방법론 보다는 머신러닝을 이용하는 것이 더 효과적이기 때문이다. 미국에서는 대체 데이터 거래 시장이 빠르게 성장하고 있고, 동시에 개인정보 보호에 대한 문제에 대한 관심이 높아지면서 규제 기관이 데이터 제공업체들을 조사하기 시작했다고 한다.

(3) 책의 내용과 스터디 과정에서 인상적이었던 부분

1장의 내용을 읽고 스터디 발표자님의 설명을 들으면서 인상적이었던 부분이나 떠오른 생각들을 나열해보면

  • 텍스트나 이미지 같은 대체 데이터를 이용하여 추가 수익을 얻기 위한 다양한 시도가 이루어지는 중
    • 텍스트 데이터 분석을 기반으로 한 ETF(BUZZ)
    • Autoencoder Asset Pricing Models
    • data leakage와 유사한 맥락인데, 학습시점에서 사용할 수 없는 데이터는 학습 데이터에서 제외해야 한다는 것
    • ex. 2020년 12월까지의 데이터로 모형 학습을 할 때 2020년 4분기 재무정보가 2021년 3월에 공시되었다면 학습에 사용하면 안됨
    • 비즈니스 모델의 중요성을 다시 한 번 생각해보게 된다.
    • 과연 zipline은 아직 멀쩡할 것인가?

    3. 글을 마치며

    퀀트 책만 계속 사다가 드디어 공부를 시작했다. 혼자 공부하려고 했을 때보다가 같이 공부하는 사람들이 있으니 동기부여도 더 되는 것 같고, 증권사 현업분들이랑 같이 스터디를 하니 뭔가 더 든든한 느낌이 있다. 책 목차만 봐도 이 책만 잘 정리해두면 퀀트 트레이딩에 대한 기초는 잘 잡고 갈 수 있을 것 같다. 책의 알고리즘 트레이딩 전략 구성은 정말 알차게 되어 있는데 글 도입부에서 언급한 것처럼 번역의 아쉬움이 크긴하다. 정확한 의미를 이해하기 위해서 여러번 읽어보다가 결국엔 원문을 찾아보게 되는 불편함이 있다. 그래도 한글로 읽으면 빠르게 전반적인 내용을 파악할 수 있다는 장점이 있긴 하니(영어를 한글처럼 읽을 수 있는 분들은 예외이겠지만) 관심이 있다면 번역본을 사서 읽어보는 것도 괜찮은 선택으로 보인다.

    Performance Analysis on Day Trading Strategy with Bid-Ask Volume

    주식시장이 효율적이라면 아무리 잘 고안된 투자전략이라도 시장의 평균 수익을 장기적으로 초과하는 것은 어렵다. 본 연구의 목적은 일부 시장 참여자들 사이에 회자되고 있는 호가잔량 정보효과를 이용하여 장기적으로 높은 수익을 얻을 수 있는지를 실증 분석하는데 있다. 이를 위하여 호가잔량정보를 이용하는 데이트레이딩 전략을 제안하고, 2001년부터 2018년까지의 코스피200 주가지수선물시장에 적용하여 과연 꾸준하게 돈을 벌 수 있는지를 분석하였다. 구체적으로 매수강도지수가 50% 이상이면 가격이 상승할 것으로 예상하고, 반대로 매수강도지수가 50% 미만이면 가격이 하락할 것으로 예상하여 각각 매수포지션과 매도포지션을 진입하여 수익성을 검증하였다. 실증분석 결과는 거래에 수반되는 거래비용을 제하고도 알고리즘 트레이딩 전략 연 평균 71% 이상의 매우 높은 수익을 보여주고 있다. 발생된 수익 역시 분석 기간 전체에서 장기적, 안정적으로 나타나고 있음을 밝혔다. 유전자알고리즘을 이용하여 제안된 투자전략의 수익성을 개선함으로서, 호가잔량정보를 이용하는 투자자들에게 많은 도움이 될 것으로 기대된다.

    If stock market is efficient, any well-devised trading rule can't consistently outperform the average stock market returns. This study aims to verify whether the strategy based on bid-ask volume information can beat the stock market. I suggested a day trading strategy using order imbalance indicator and empirically analyzed its profitability with the KOSPI 200 index futures data from 2001 to 2018. Entry rules are as follows: If BSI is over 50%, enter buy order, otherwise enter sell order, assuming that stock price rises after BSI is over 50% and stock price falls after BSI is less than 50%. The empirical results showed that the suggested trading strategy generated very high trading profit, that is, its annual return runs to minimum 71% per annum even after the transaction costs. The profit was generated consistently during 18 years. This study also improved the suggested trading strategy applying the genetic algorithm, which may help the market practitioners who trade the KOSPI 200 index futures.

    Project Shawshank

    Trend following or trend tradi ng is a trading strategy according to which one should buy an asset when its price trend goes up, and sell when its trend goes down, expecting price movements
    to continue

    위키리스크에 따르면 추세 추종(Trading following)이란 자산 가격이 오르면 매수하고, 내려가면 매도하는

    규칙을 적용한 트레이딩 전략이다. 가격이 한동안 추세를 지속한다는 믿음 위에 세워진 전략이다.

    쉽게 말해, 오르는 놈만 오르고 내리는 놈만 내린다는 원리에 기반한 매매 전략이라고 할 수 있겠다.

    추세 추종 기법에서는 MFI(현금흐름) 등의 지표를 활용하는데 Investopedia에 따르면 MFI의 정의는 알고리즘 트레이딩 전략 다음과 같다.

    The Money Flow Index (MFI) is a technical oscillator that uses price and volume data for identifying overbought or oversold signals in an asset. It can 알고리즘 트레이딩 전략 also be used to spot divergences which warn of a trend change in price. The oscillator moves between 0 and 100.

    MFI formula

    직역하자면, MFI는 가격과 거래량 지표를 활용하여 해당 종목이 과매수되었는지, 과매도되었는지

    판단하는 기술적 지표이다. 중심 가격(Typical Price)은 일정 기간 동안의 고가, 저가, 종가의 평균이며

    중심 가격에 거래량을 곱한 것이 '현금 흐름'이다. 그리고 일정 기간 동안 이 현금 흐름이 양수일 경우(다시 말해 상승일)의

    총합을 긍정적 현금 흐름으로, 음수일 경우(하락일일 경우) 부정적 현금 흐름으로 계산한다.

    이를 나눈 후에 MFI 공식에 대입하여 산출해낼 수 있다.

    전체적인 구조는 이러하다. 하나하나 구현해보자.

    해당 클래스는 회사명과 시작일을 인자로 받는다. 볼린저 밴드 모듈에 이 인자를 전달하여 반환받은 데이터프레임을

    클래스 멤버인 df에 저장한다.

    calc_mfi 함수에서는 중심가격을 계산하고, 상승일이라고 판단될 경우 긍정적 현금흐름을 나타내는 PMF 칼럼에

    중심가격과 거래량을 곱하고, 하락일이라고 판단될 경우 부정적 현금흐름을 나타내는 NMF 칼럼에 저장한다.

    MFR 칼럼에는 rolling 함수를 이용하여 14일 간의 PMF의 합을 14일 간의 NMF의 합으로 나눠준다.

    최종적으로 MFI를 계산하여 반환한다. rolling 함수에서 [:12]까지의 값이 NaN이므로 MFI 칼럼은 [13:]부터 존재한다.

    MFI 차트를 출력하는 함수도 그려준다.

    %B 차트와 같이 출력해준다. 기존 %B 차트에 배율 개념을 적용하기 위해 수정하였다.

    %b와 MFI 지표 차트

    알고리즘 매매의 그늘…1초 만에 대박 또는 쪽박

    알고리즘 매매가 보편화되면서 그 부작용에 대한 우려도 커지고 있다. 잠깐의 주문 실수에 회사가 문을 닫기도 하고 알고리즘 매매가 주가조작에 악용되는 사례도 생겼다. 사진은 본문 내용과 관련없음.

    알고리즘 매매가 보편화되면서 그 부작용에 대한 우려도 커지고 있다. 잠깐의 주문 실수에 회사가 문을 닫기도 하고 알고리즘 매매가 주가조작에 악용되는 사례도 생겼다. 사진은 본문 내용과 관련없음.

    “단 2분간의 주문 실수였기에 한 회사가 망하는 데 그쳤지, 10분 이상 이어졌다면 한국거래소 시스템이 마비됐을지도 모를 일이었다.”

    1991년 진로그룹 계열사인 우신선물로 시작한 한맥투자증권은 올해 허망하게 회사 문을 닫았다. 단 2분의 주문 실수 때문이었다. 지난 2013년 12월 12일 옵션 만기일, 한맥증권의 한 직원은 코스피200 옵션상품을 시세보다 훨씬 낮은 가격에 팔고 높은 가격에 사들이는 실수를 했다. 부랴부랴 정정에 나섰지만 외국계 운용사가 이미 낚아챈 뒤였다. 당시 이익을 얻은 호주계 자산운용사 등은 수익금 일부를 돌려줬지만 대부분 반환을 거부했다. 정상적인 거래였던 만큼 법적인 책임을 물을 수는 없는 상황이었다. 결국 자본금 260억원의 한맥투자증권은 460억원 손실을 내고 폐업으로 막을 내렸다.

    지난해 1월 7일 홍콩계 헤지펀드인 이클립스퓨처스는 직접주문전용선(DMA, 잠깐용어 참조)을 통해 3월물 코스피200지수 선물을 268.20 지정가로 매수 주문을 냈다. 접수 신호를 제대로 인식하지 못한 컴퓨터가 같은 주문을 계속 반복적으로 내보내는 문제가 발생했다. 뒤늦게 이를 알아차린 이클립스퓨처스가 취소 주문을 내려고 했지만 통하지 않았다. 결국 5분 만에 12만계약, 돈으로 환산하면 16조원가량의 매수 주문이 나갔다.

    지난해 6월에도 같은 사고가 발생했다. KTB투자증권이 급락장에서 7000계약 이상 선물 매수 주문을 내며 코스피200 최근 월물 가격이 232에서 237 부근까지 치솟는 사고가 발생했다. 급락장에 지수 선물이 갑자기 급등한 10여분간의 사고로 KTB투자증권은 11억원가량의 손실을 봤다.

    이런 사고들은 전부 알고리즘 트레이딩(잠깐용어 참조) 중 발생했다는 공통점을 갖고 있다. 알고리즘 트레이딩이란 컴퓨터 시스템에 주가와 수량·시간·시장 상황 등을 입력하면 자동으로 매매 주문을 내는 거래다. 이런 트레이딩은 초고속으로 매수와 매도 주문을 반복하는 고빈도매매(HFT·High Frequency Trading)로 이어진다.

    HFT는 하루에 몇 차례 주식을 사고파는 데이트레이딩, 혹은 주식을 초나 분 단위로 매매하는 스캘핑과는 다르다. 엄밀히 말해 초당 수백수천 건의 주문을 내는 ‘극초단타매매’다.

    파생상품 시장에서는 수익을 낼 수 있는 기회를 포착하면 누가 먼저 주문을 넣느냐에 따라 수익이 생기는 속도 싸움이다. 사람이 스크린을 보고 시세를 눈으로 파악한 뒤 뇌를 거쳐 키보드를 눌러 주문을 내기까지 1초 이상이 걸린다. 아주 짧은 시간 주식의 가격이 흔들리는 상황에서 사람은 대응하기 어렵지만 컴퓨터는 대응이 가능하다. 현재 사용되는 알고리즘 매매시스템은 1분에 1만5000건 이상의 주문을 소화한다.

    알고리즘 매매를 통해 큰돈을 번 곳도 있다. 어떻게 알고리즘을 설정했는지 알 수 없으나, 미국 뉴욕의 버투파이낸셜은 지난 2009년 1월 1일부터 2013년 12월 31일까지 총 1238거래일 가운데 단 하루를 제외한 1237거래일 동안 플러스 수익률을 올렸다고 알려졌다.

    그러나 부작용도 만만찮다. 알고리즘 매매에서 잠깐이라도 주문 실수가 발생하면 엄청난 사태가 일어난다. 금융사가 망할 정도의 손실을 볼 수 있는 것은 물론 알고리즘 트레이딩 전략 시장도 요동친다.

    지난해 4월, 백악관에 테러가 발생했다는 거짓 소문으로 뉴욕 증시에서 1360억달러(약 139조원)에 달하는 시가총액이 증발한 사건이 발생했다. 당시 AP통신 트위터가 해킹당해 거짓 소문이 트윗을 통해 전해졌고, 극초단타매매가 프로그래밍된 컴퓨터들이 이 소식을 듣고 주식을 내다 팔았기 때문이다.

    사람의 실수나 고의가 아닌 기계 오류에 따른 대재앙을 우려하는 목소리도 크다. 4년 전 발생한, 이른바 플래시 크래시(flash crash) 사태가 그 예다. 2010년 5월 6일 미 다우존스지수가 순식간에 1000포인트가량 폭락했다. 당시 프로그램화된 HFT가 오류로 인해 잘못된 주문을 냈고 이에 다른 HFT들이 경쟁적으로 매물을 쏟아냈기 때문이었다는 게 업계 정설이다.

    직접주문전용선(DMA) 논란 여전

    알고리즘 매매 감시장치 마련 필요

    거래소 시스템 안정성 강화해야

    국내에서는 극초단타매매가 주가 조작에 악용된 사례도 나타났다. 과거 단일종목을 갖고 장기간에 걸쳐 시세를 조종하던 것과 달라졌다는 점이 특징이다. 특정 주식을 대상으로 HFT 기법을 이용해 소량의 ‘고가 매수-저가 매도’ 주문을 10~20분 동안 집중적으로 쏟아낸다. 이렇게 하면 시세가 올라가고 여기서 차익을 얻는 식이다.

    미국계 초단타매매 전문업체 A사는 코스피200 야간선물 시장에서 시세 조종 혐의로 검찰에 고발됐다. 알고리즘 기법을 이용한 파생상품 시세 조종 혐의가 국내에서 적발되기는 처음이다. 증권선물위원회에 따르면 A사 소속 트레이더들은 코스피200 야간선물 시장이 개인투자자 위주로 매매가 이뤄지는 점을 노리고 2012년 1월 진입했다. 거래량이 적은 만큼 초당 수백 차례 주문을 낼 수 있는 알고리즘 기법을 활용하면 시세를 움직일 수 있다고 봤다. 이들은 직접 개발한 프로그램으로 2012년 말까지 코스피200 선물 4종목 382만8127계약을 사고팔며 가장 매매(매도·매수 주문을 함께 내는 거짓 매매) 등의 수법으로 시세를 조종해 141억원의 부당이득을 취득했다. A사는 현재 미국 사법기관과 감독기관으로부터 불공정거래 조사를 받고 있다.

    알고리즘 매매의 부작용이 알려지며 초고속 직접주문전용선도 해결해야 할 ‘시한폭탄’으로 언급된다. 한맥증권 사태를 비롯해 KTB투자증권과 KB투자증권의 지수 선물 주문 실수도 모두 DMA와 관련 있다. DMA는 투자자의 주식 주문이 증권사를 거치지 않고 거래소에 직접 연결되는 고속 매매시스템이다. 증권사 시스템을 거치지 않고 곧장 거래소에 연결되는 만큼 DMA 이용자는 증권사를 거쳐 주문이 체결되는 홈트레이딩시스템(HTS) 이용자보다 빠른 주문과 체결이 가능하다. 불법은 아니나 불공정거래의 소지가 있다는 지적이 나오는 이유다.

    금융당국도 알고리즘 매매의 부작용을 완화할 수 있는 대안 마련에 나섰다. 거래소는 우선 킬 스위치(kill switch, 잠깐용어 참조) 제도를 도입했다. 증권사 신청에 따라 착오가 발생한 알고리즘 계좌에서 제출된 모든 호가를 일괄 취소하고, 추가적인 호가 접수를 차단하는 제도다. 거래소의 새 매매시스템 ‘엑스추어플러스’는 DMA나 극초단타매매 등 시스템 트레이딩 투자자의 과도한 대량 호가를 통제할 수 있는 과다호가제한 기능도 포함시켰다. 그러나 새 시스템을 도입한 이후에도 전산 장애가 빈번하게 발생해 여전히 금융가를 불안하게 하고 있다. 또 한맥투자증권 사건처럼 주문이 일단 체결돼버리면 ‘킬 스위치’도 무용지물이 된다.

    한 증권사 관계자는 “한맥증권은 매매 속도를 높이기 위해 안전장치를 빼고 프로그램을 가볍게 만들어 화근을 자초했다. 개장 후 시스템이 시세데이터를 ‘0’으로 받은 상태인데도 무리한 가격의 주문이 받아들여졌다. 만약 프로그램에 ‘거래 시세가 없으면 주문을 하지 말라’는 제어 명령만 있었어도 사고를 막을 수 있었다. 중소형사는 물론 대형사도 세세하게 안전장치를 강화해야 한다”고 말했다.

    또 다른 증권사 관계자는 “증권업이 어렵다 보니 시스템 안전에까지 투자하기를 꺼려하는 분위기가 생겨났다”며 “거래소나 증권사 모두 시스템 안전장치를 강화하지 않으면 ‘1초의 저주’를 당할 수 있다”고 밝혔다.

    잠깐용어 *직접주문전용선(알고리즘 트레이딩 전략 DMA·Direct Market Access)

    트레이딩 데스크와 거래소를 직접 연결하는 고속 매매시스템.

    잠깐용어 *알고리즘 트레이딩(algorithm trading)

    컴퓨터가 ‘미리 설정된 변수와 조건(알고리즘)’에 따라 언제 무엇을 어떻게 매매할 것인지를 결정하고 실행하는 매매다. 주식·선물 시장 등에서 목표 가격·수량 등 매매 조건을 설정해 초당 수백수천 건의 주문을 낸다. 가장 중요한 것이 속도이기 때문에 통상 직접주문전용선을 통해 이뤄진다.


0 개 댓글

답장을 남겨주세요