FRED-MD로 거시 레짐 감지하기: 옥스퍼드 팀의 전술적 자산 배분 프레임워크
2026-03-28

FRED-MD로 거시 레짐 감지하기: 옥스퍼드 팀의 전술적 자산 배분 프레임워크

서론: 가격 데이터보다 거시경제 데이터가 레짐을 더 잘 포착한다

레짐 감지를 위해 자산 가격 수익률을 쓸 것인가, 거시경제 지표를 쓸 것인가? 직관적으로는 가격 데이터가 더 즉각적이고 포괄적인 것 같다. 그러나 옥스퍼드 맨 연구소(Oxford-Man Institute)의 Oliveira, Sandfelder, Fujita, Dong, Cucuringu 팀의 연구는 반대 결론을 내린다.

arXiv:2503.11499에 발표된 이 연구에 따르면: FRED-MD의 100개 이상 미국 거시경제 시계열을 기반으로 한 레짐 분류가 가격 수익률 기반보다 더 안정적이고 노이즈가 적다. 가격 수익률은 레짐 레이블링에 너무 노이즈가 많고, 거시 지표는 더 매끄럽고 지속적이다.

본론: 3단계 전술적 자산 배분 파이프라인

1단계: 소프트 레짐 확률 추정

Modified k-means(퍼지 c-means 스타일)는 각 시점에 하나의 레짐을 할당하는 대신 소프트 확률 벡터를 반환한다:

소프트 멤버십:
p_k(t) = (1/d_k(t)) / Σ_j (1/d_j(t))
여기서 d_k(t) = ||x_t − centroid_k||  (클러스터 중심까지 유클리드 거리)

[p_BULLISH, p_BEARISH, p_SIDEWAYS, p_HIGH_VOL, p_EVENT_RISK] 같은 소프트 확률 벡터가 경직된 argmax 레이블보다 채찍질 오류(whipsaw errors)를 줄인다.

2단계: 레짐 조건부 수익률 추정

# 레짐 k 조건부 기대 수익률
E[r_{t+1} | regime = k] = mean(returns[regime == k])

# 레짐 내 릿지 회귀 (더 정교한 추정)
r_{t+1} = β_k · features_t + ε  # regime_t = k인 관측값만 피팅

3단계: 포트폴리오 구성

4가지 전략 비교:

  • 등가중 (기준선)
  • 롱온리 MVO (레짐 조건부 수익률/변동성 사용)
  • 롱숏 (추가 노이즈 유발)
  • 위기 기울기(Crisis Tilt): 경기침체 레짐 고확신 시 전술적 숏 오버레이

결론: 순수 롱숏보다 조건부 임계값 활성화 위기 기울기가 우월하다.

레짐 전환 행렬

HMM 전체 추정 없이 경험적 레짐 시퀀스에서 전환 확률을 직접 계산한다:

P̂(k' | k) = #{t: regime_t=k, regime_{t+1}=k'} / #{t: regime_t=k}

이것이 다음 기간 레짐 확률 전방 투영의 기반이 된다.

레짐 무시의 비용: 연 2%

Tu(2010)의 기준선을 인용해 레짐 무시는 연 약 2%의 수익을 포기하는 것임을 정량화한다. 랜덤 레짐 할당 모델은 성능이 나쁘다는 사실도 레짐 신호의 인과적 기여를 확인한다.

결론: 거시 레짐을 크립토에 적용하는 법

이 연구의 핵심 교훈:

  1. 거시 데이터로 레짐을 감지하고, 가격 데이터는 신호로 사용하라. FRED-MD 레짐이 자산 수익률 기반 레짐보다 더 안정적이다.
  2. 소프트 확률이 하드 레이블보다 낫다. 레짐 경계에서 완만한 전환이 채찍질을 줄인다.
  3. 레짐 전환 행렬은 HMM 없이도 구성할 수 있다. 직접 빈도 계산으로 충분하다.

크립토 적용의 주의점:

  • FRED-MD는 월별 데이터다. 일별/시간별 크립토 레짐 감지에는 DXY, 2년 국채금리, ISM, CPI 서프라이즈 같은 실시간 프록시가 필요하다.
  • p(경기침체 거시 레짐) > 0.65 → BTC_EVENT_RISK 플래그 활성화, 롱 노출 감소 (풀 숏은 아님).

📚 출처 및 참고자료

이 분석은 교육·리서치 목적입니다. 투자 조언이 아닙니다.

← BACK TO BLOG