암호화폐 시장에서의 모멘텀 신호 추출 기법 비교 연구 : 위험관리, 시계열 분해, 분수차분을 중심으로
A Comparative Study of Momentum Signal Extraction Methods in the Cryptocurrency Market : Risk Management, Time-Series Decomposition, and Fractional Differencing
- 주제(키워드) cryptocurrency , momentum , risk management , fractional differencing , mean reversion , time scale , 암호화폐 , 모멘텀 , 위험관리 , fractional differencing , 평균회귀 , 시간 척도
- 발행기관 서강대학교 AI.SW대학원
- 지도교수 김세준
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 AI.SW대학원 데이터사이언스 · 인공지능
- 세부분야 해당없음
- 실제URI http://www.dcollection.net/handler/sogang/000000083230
- UCI I804:11029-000000083230
- 본문언어 한국어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
본 연구는 주식시장에서 정립된 세 가지 모멘텀 신호 추출 기법 Yang 의 risk- managed momentum, Büsing 의 momentum decomposition, Chitsiripanich 의 fractional differencing 이 암호화폐 시장으로 얼마나 옮겨지는지를 비교한다. 약 8,800 개 코인 2016–2025 년 일별 자료를 단일 전처리·백테스트 파이프라인으로 통일해, 방법 간 성과 차이가 오롯이 신호 정의의 차이에서 비롯되도록 설계하였다. 분석 결과는 세 가지다. 첫째, 모멘텀의 작동은 시간 척도에 크게 좌우되었다. 단기 risk-managed momentum 은 안정적인 양의 위험조정성과를 보인 반면（WML* 연율 Sharpe 약 1.2–1.35）, 중기 momentum decomposition은 세 성분이 모두 0 안팎이거나 음수였고, fractional differencing 의 성과는 룩백과 차분 차수에 따라 −0.89 에서 1.08까지 넓게 변동하였다. 둘째, 미국 주식에서 보고된 결과는 그대로 일반화되지 않았다. 분해 성분의 우열이 뒤집혔고, fractional differencing의 미국 최적 차수（d ≈ 0.9）는 음의 성과로 이어졌다. 셋째, 노출의 크기만 조절하는 위험관리 접근은 신호를 건드리지 않아 비교적 온전히 전이된 반면, 신호 자체를 재구성·변환하는 접근은 시장의 가격 동학에 민감하여 모수를 다시 맞춰야 했다. 이러한 차이의 근저에는 두 시장의 가격 동학이 다르다는 사실이 자리한다. 암호화폐의 횡단면 수익은 중장기에서 추세 지속보다 평균회귀로 기울었으며（1 년 룩백 순수 모멘텀 Sharpe −1.07 대 순수 리버설 0.81）, fractional differencing 의 최적 차수가 미국의 약 0.9 에서 0.2 로 낮아진 것은 암호화폐 가격이 더 두드러진 장기 기억 구조를 지님을 시사한다. 대규모 장기 표본 위에서 세 방법론을 동일한 조건으로 비교한, 본 연구는 주식을 전제로 맞춰진 모수가 암호화폐에 그대로 통하기 어려우며, 방법론이 얼마나 전이될 수 있는지는 결국 해당 시장의 가격 동학과 얼마나 맞아떨어지는가에 달려 있음을 보인다.
more초록(요약문)
This study examines how well three momentum signal-extraction methods established in equity markets transfer to the cryptocurrency market: Yang's risk-managed momentum, Büsing's momentum decomposition, and Chitsiripanich's fractional differencing. Daily data on roughly 8,800 coins from 2016 to 2025 were processed through a single, unified preprocessing and backtesting pipeline, so that any difference in performance across methods could be attributed solely to differences in signal definition. Three findings emerge. First, the efficacy of momentum depended heavily on the time scale. Short-horizon risk-managed momentum delivered consistently positive risk-adjusted returns （annualized Sharpe of the WML* factor around 1.2–1.35）, whereas in medium-horizon momentum decomposition all three components hovered near zero or turned negative, and the performance of fractional differencing varied widely—from −0.89 to 1.08—depending on the lookback window and the order of differencing. Second, results reported for U.S. equities did not generalize directly. The relative ranking of the decomposition components reversed, and the differencing order found optimal in the U.S. market （d ≈ 0.9） produced negative performance here. Third, the risk-management approach, which scales only the size of exposure while leaving the signal untouched, transferred largely intact, whereas approaches that reconstruct or transform the signal itself proved sensitive to market price dynamics and required their parameters to be re-fitted. Underlying these contrasts is a fundamental difference in the price dynamics of the two markets. Over medium-to-long horizons, the cross- section of cryptocurrency returns leaned toward mean reversion rather than trend continuation （at a one-year lookback, pure-momentum Sharpe of −1.07 versus pure-reversal Sharpe of 0.81）, and the drop in the optimal differencing order from about 0.9 in the U.S. to 0.2 suggests that cryptocurrency prices carry a more pronounced long-memory structure. By comparing the three methods under identical conditions on a large, long- horizon sample, this study shows that parameters calibrated on the assumption of equity markets do not carry over cleanly to cryptocurrencies, and that the transferability of a method ultimately hinges on how well it aligns with the price dynamics of the target market.
more목차
제 1 장 서론 1
1.1 연구 배경 1
1.2 연구 목적과 방법 1
1.3 연구 기여 2
1.4 논문 구성 2
제 2 장 이론적 배경 4
2.1 모멘텀 현상과 횡단면 전략 4
2.2 모멘텀 폭락과 위험관리 5
2.3 모멘텀의 분해 6
2.4 Fractional Differencing 6
2.5 암호화폐 모멘텀 연구와 본 연구의 위치 7
제 3 장 데이터 및 공통 방법론 9
3.1 자료 9
3.2 자료 전처리 10
3.3 공통 백테스트 체계 13
3.4 신호 추출 15
3.4.1 Yang: Risk-Managed Momentum 16
3.4.2 Bsing: Momentum Decomposition 16
3.4.3 Chitsiripanich: Fractional Differencing 17
3.4.4 베이스라인（d = 1.0）과 표본 효과 분해 19
3.5 평가 지표와 구현 검증 20
제 4 장 암호화폐 모멘텀 전략의 복제 연구 23
4.1 Yang: Risk-Managed Momentum 23
4.2 Bsing: Momentum Decomposition 28
4.3 Chitsiripanich: Fractional Differencing 33
4.4 종합 비교 38
제 5 장 논의 및 결론 42
5.1 주요 발견 42
5.2 가격 동학의 차이와 방법론의 전이 42
5.3 한계와 향후 연구 46
5.4 결론 47
참고문헌 49
