opt_portfolio

Vigilant Asset Allocation(VAA) 기반 전술적 자산배분 백테스트·최적화 시스템.

매월 모멘텀 신호로 ETF를 동적으로 갈아타는 VAA 전략을 구현하고, 비중을 Sharpe 비율 기준으로 최적화한다. 백테스트·리스크 분석·예측 모듈을 함께 제공한다.

VAA는 Wouter Keller가 발표한 공개 전략이다. 이 레포의 초점은 "비법 전략"이 아니라, 공개된 전술적 자산배분 규칙을 정확히 구현하고 walk-forward로 정직하게 검증하는 파이프라인에 있다.

---

방법론

모멘텀 점수 (Keller 13612)

각 자산의 모멘텀을 기간 가중합으로 계산한다.

momentum = 12·R(1M) + 4·R(3M) + 2·R(6M) + 1·R(12M)

최근 수익률에 더 큰 가중치를 둬 추세 전환에 민감하게 반응한다.

VAA 선택 규칙

• 공격 유니버스(SPY, EFA, EEM, AGG) 중 모멘텀 1위 자산을 선택한다.
• 단, 공격 자산 중 하나라도 절대 모멘텀이 음수면 위험 회피 신호로 보고, 방어 유니버스(LQD, IEF, SHY) 중 모멘텀 1위로 전환한다.
• 이렇게 고른 ETF에 50%, 코어 자산(SPY, TLT, GLD, BIL)에 각 12.5%를 배분한다(Keller 기반 기본값, 조정 가능).

비중 최적화

VAA 선택분 20–70%, 코어 자산 각 5–35% 범위를 그리드 서치로 훑어 Sharpe 비율이 최대가 되는 조합을 찾는다.

백테스트 / 리스크

• 월간 walk-forward 시뮬레이션, 거래비용 0.1% 반영 → 결과는 net 기준.
• 리스크 지표: Sharpe, Sortino, 최대 낙폭(MDD), VaR/CVaR, 베타, 트래킹 에러.
• 무위험 수익률 5% 가정(2025 기준).
• ou_process.py는 Ornstein-Uhlenbeck 평균회귀로 모멘텀을 예측하는 실험적 변형이다.

자산 유니버스

구분	티커	역할
공격(aggressive)	SPY, EFA, EEM, AGG	위험 선호 구간에서 모멘텀 추종
방어(protective)	LQD, IEF, SHY	위험 회피 신호 시 전환
코어(core)	SPY, TLT, GLD, BIL	고정 분산 배분

백테스트 결과

2011–2026년 15년 구간, 초기 $10,000 기준 비교다. Current는 표준 VAA 모멘텀 로직, Forecast_1M/3M/6M은 OU 예측을 끼운 변형이다.

• 표준 VAA(Current)가 $29k로 OU 예측 변형들($24–27k)을 앞선다. 예측 레이어를 더한다고 나아지지 않았다 — 단순한 규칙이 이긴 셈.
• 2018·2022 같은 하락 구간에서 방어 전환이 낙폭을 줄였다.

⚠️ 백테스트는 과거 데이터 기준이며 미래 수익을 보장하지 않는다. 한계는 아래 참고.

구조

레이어로 관심사를 나눴다.

src/opt_portfolio/
├── strategies/        # 전략
│   ├── momentum.py    #   Keller 13612 모멘텀
│   ├── vaa.py         #   공격/방어 유니버스 선택 + 방어 전환
│   └── ou_process.py  #   OU 평균회귀 예측 (실험적)
├── analysis/          # 분석
│   ├── backtest.py    #   월간 walk-forward + 거래비용
│   ├── optimizer.py   #   Sharpe 그리드 서치
│   ├── risk.py        #   Sharpe/Sortino/MDD/VaR/CVaR/beta
│   └── performance.py #   CAGR, 롤링 수익률, 성과 기여도
├── core/
│   ├── cache.py       #   DuckDB 증분 캐시 (없는 구간만 yfinance 호출)
│   └── portfolio.py   #   포지션·거래·리밸런싱
├── ui/
│   ├── streamlit_app.py  # 웹 UI (Plotly)
│   └── cli.py            # 터미널 메뉴
└── config.py          # frozen dataclass 설정 (싱글턴)

설치 & 실행

make install        # uv sync --extra dev

make run            # 인터랙티브 메뉴
make web            # Streamlit 웹 UI
python3 run.py --backtest    # 동적 VAA 백테스트
python3 run.py --optimize    # Sharpe 비중 최적화

코드로 직접 다룰 때:

from opt_portfolio.analysis.backtest import BacktestEngine

engine = BacktestEngine()

# 기본 비중으로 15년 백테스트
result = engine.run_dynamic_vaa_backtest(years=15)
print(result.sharpe_ratio, result.cagr, result.max_drawdown)
print(result.get_selection_summary())   # 월별 VAA 선택 분포

# 커스텀 비중 (합 = 1.0)
weights = {"VAA": 0.45, "SPY": 0.15, "TLT": 0.20, "GLD": 0.10, "BIL": 0.10}
result = engine.run_dynamic_vaa_backtest(years=15, allocation_weights=weights)

한계와 가정

• 과적합 — 최적화 비중은 in-sample 구간에 맞춰진 값이다. 새로운 구간(out-of-sample)에서는 성과가 떨어질 수 있다. 최적값을 그대로 신뢰하기보다 강건성(robustness)을 함께 봐야 한다.
• 거래비용 단순화 — 0.1% 고정. 실제 스프레드·세금·체결 슬리피지는 반영하지 않는다.
• 데이터 — yfinance(야후 파이낸스) 일간 종가 기준. 배당 처리·생존 편향 등은 데이터 소스에 의존한다.
• 무위험 수익률 고정 — 5%로 가정. 구간별 금리 변화는 반영하지 않는다.
• 표본 구간 — 단일 15년 윈도우. 레짐별 강건성 검증은 별도로 필요하다.

개발

make test           # pytest + 커버리지
make lint           # ruff check + format --check
make typecheck      # mypy src/

브랜치 전략: develop(기능 통합, squash merge) → main(안정 릴리즈) PR.

라이선스

MIT