파이썬과 함께 국장 정글에서 살아남기

특별한 내용은 없는 일상글인데, 꽤나 신기한 경험이었어서 간단히 적어본다.

웃긴 짤이 많은 것도 내가 주식을 좋아하는 이유 중 하나다.

어렸을 때는 주식이 패가망신의 상징(?) 과도 비슷한 이미지였던 것 같은데 요즘은 어떤 모임이든 최소 두어명은 주식을 하는 것 같다.

나도 국내상장 해외 ETF들에 투자하고 있는데, 갑자기 "소프트웨어를 활용하면 지수 이상의 수익률을 낼 수 있지 않을까?" 라는 호기심이 생겼다.

파이썬으로 구현하는 로보어드바이저 | 윤성진 - 교보문고

그래서 지난 주부터 책을 사서 읽고 있는데, 내용이 상당히 흥미롭다.

 

오렌지사과 님의 블로그를 오래 전부터 구독하면서 MDD와 CAGR 정도의 개념을 포트폴리오 배분에 참고하고 있었는데, 이 책은 포트폴리오 배분에 필요한 금융 수식과 함께 이를 소프트웨어적으로 구현하기 위한 코드를 제공한다. 

 

예를 들어 3장부터 효율적 포트폴리오를 구성하기 위한 편입 비중을 직접 구할 수 있다는 코드를 소개한다.
(코드의 의미를 소개한다기보다는, 마법이나 직감이 아닌 코드로 포트폴리오를 계산할 수 있다는 것을 보여주고 싶었다.)

from typing import List, Optional, Dict
from pykrx import stock
import pandas as pd
import time
from pypfopt import EfficientFrontier

# 1. 한국거래소 데이터 스크래핑 
class PykrxDataLoader:
    def __init__(self, fromdate: str, todate: str, market: str = "-->"):
        self.fromdate = fromdate
        self.todate = todate
        self.market = market

    def load_stock_data(self, ticker_list: List, freq: str, delay: float = 1):
        ticker_data_list = []
        for ticker in ticker_list:
            ticker_data = stock.get_market_ohlcv(
                fromdate=self.fromdate,
                todate=self.todate,
                ticker=ticker,
                freq="d",
                adjusted=True,
            )
            ticker_data = ticker_data.rename(
                columns={
                    "시가": "open",
                    "고가": "high",
                    "저가": "low",
                    "종가": "close",
                    "거래량": "volume",
                    "거래 대금": "trading_value",
                    "등락률": "change_pct",
                }
            )
            ticker_data = ticker_data.assign(ticker=ticker)
            ticker_data.index.name = "date"
            ticker_data_list.append(ticker_data)
            time.sleep(delay)
        data = pd.concat(ticker_data_list)
        # 거래가 중단되어 시가가 0원이었을 경우에는 종가 데이터로 덮어씌운다.
        # loc의 첫 파라미터는 행에 대한 정보, 두 번째는 열에 대한 정보
        data.loc[data.open == 0, ["open", "high", "low"]] = data.loc[
            data.open == 0, "close"
        ]

        if freq != "d":
            rule = {
                "open": "first",
                "high": "max",
                "low": "min",
                "close": "last",
                "volume": "sum",
            }
            data = (
                data.groupby("ticker").resample(freq).apply(rule).reset_index(level=0)
            )
        data.__setattr__("frequency", freq)
        return data

# 2. 주어진 기간동안의 기대수익을 리턴하는 함수
def calculate_return(ohlcv_data: pd.DataFrame):
    close_data = (
        ohlcv_data[["close", "ticker"]].reset_index().set_index(["ticker", "date"])
    )

    close_data = close_data.unstack(level=0)
    close_data = close_data["close"]
    print("close_data: ", close_data)
    # 한 객체 내에서 행과 행의 차이를 현재값과의 백분율로 출력하는 메서드
    # pct_change(1) = 비교할 간격 = 1
    return_data = close_data.pct_change(1) * 100
    return return_data.fillna(value=0)


# 3. 포트폴리오 편입 비중을 구하는 함수
#
# @params
# return_data: 수익률 데이터
# risk_aversion: 위험 회피 계수
def get_mean_variance_weights(
    return_data: pd.DataFrame, risk_aversion: int
) -> Optional[Dict]:
    # 평균 수익률 계산
    expected_return = return_data.mean(skipna=False).to_list()
    print("expected_return : ", expected_return)
    # 공분산 (확률변수가 2가지일 때 얼마나 퍼져 있는가) 행렬 계산
    cov = return_data.cov(min_periods=len(return_data))
    print("cov : ", cov)

    if cov.isnull().values.any() or cov.empty:
        return None

    # EfficientFrontier는 다양한 목적 함수를 최적화한다.
    # 과거 평균 수익률을 기대수익률로 지정한다
    ef = EfficientFrontier(
        expected_returns=expected_return, cov_matrix=cov, solver="OSQP"
    )

    ef.max_quadratic_utility(risk_aversion=risk_aversion)
    # 0에 가까운 편입 비중 처리 (clean_weights는 기본적으로 0.0001)
    weights = dict(ef.clean_weights(rounding=None))
    return weights


fromdate = "2024-01-01"
todate = "2024-12-31"

# 삼성전자, SK이노, 카카오, 현대차
ticker_list = ["005930", "096770", "035720", "005380"]
data_loader = PykrxDataLoader(fromdate=fromdate, todate=todate, market="KOSPI")
ohlcv_data = data_loader.load_stock_data(ticker_list=ticker_list, freq="ME", delay=1)
return_data = calculate_return(ohlcv_data)

print(get_mean_variance_weights(return_data=return_data, risk_aversion=3.07))

지난 1년간의 주가 정보를 기반으로 기대수익을 구하고, EfficientFrontier 인스턴스가 마법처럼 포트폴리오를 배분해준 결과다.

# 기대수익이 가장 높은 포트폴리오를 구성하기 위해 계산된 비중
{
  '005380': 0.0586880140708824, # 현대차
  '005930': 0.1817195017162967, # 삼성전자
  '035720': 0.5192497900232249, # 카카오
  '096770': 0.2403426941895962  # SK이노
}

으잉? 그런데 카카오의 비중이 가장 높게 나왔다.

만약 연초에 카카오에 들어갔다면 퍼포먼스가 좋지 않았을 텐데, 모델이 잘못된 것일까?

궁금해 TIGER 미국S&P500 과 나스닥100을 계산에 넣어 봤더니, 또 특이한 결과를 얻을 수 있었다.

먼저 기존 국장 포트폴리오에 S&P 500만을 추가했을 때는 납득할 만한 결과가 도출된다. 

# 계산된 포트폴리오 비중
{
  '005380': 0.040189957090838, # 현대차
  '005930': 0.0, # 삼성전자
  '035720': 0.0, # 카카오
  '096770': 0.054764475901768, # SK이노
  '360750': 0.9050455670073938 # S&P 500
}

# = 국내 개별주는 최소한으로 담고, 포트폴리오 대부분을 S&P로 채우면 기대수익이 가장 높다

그런데 작년 나스닥 100은 S&P 500보다 더 나은 성과를 보였음에도 불구하고, 위 코드의 실행 결과는 나스닥 100을 포트폴리오에 추천하지 않고 있다.

# 계산된 포트폴리오 비중
{
  '005380': 0.040189957090838, # 현대차
  '005930': 0.0,
  '035720': 0.0,
  '096770': 0.054764475901768, # SK이노
  '133690': 0.0,               # 나스닥 100
  '360750': 0.9050455670073942 # S&P 500
}

이제 그 이유는 책을 계속 읽어가며 찾아볼 예정인데, 파이썬이 험난한 주식시장을 헤쳐나갈 정글도가 되어줄 것 같아 기대된다.

부디 내년엔 아래 짤을 쓸 일이 없길 바라며... 재밌는 것들을 배우면 종종 적어보려 한다.

두번은 당하지 않는다..!