OptiNod 아카데미
수익 팩터 — 하나의 숫자가 감추는 분포와 표본
수익 팩터를 거래 수만으로 신뢰하지 않습니다. 손익 집중도, 비용 반영, 승률과 평균 손익비, 미사용 구간을 함께 확인합니다.
수익 팩터가 높다는 사실 하나로는 전략을 신뢰할 수 없습니다. 그 숫자를 만든 거래의 분포를 같이 봐야 합니다.
수익 팩터(Profit Factor, PF)는 청산된 이익 거래의 손익 합계를 청산된 손실 거래의 손익 합계의 절댓값으로 나눈 값입니다. 가령 이익 합이 1만 달러, 손실 합의 절댓값이 5천 달러라면 PF는 2.0입니다. 같은 비용 기준에서 PF 1.0은 이익과 손실 합이 같다는 뜻이며, 미청산 손익은 포함하지 않습니다. 손실 거래가 없으면 분모가 0이라 유한한 PF를 계산할 수 없습니다. PF 2.0 같은 숫자가 모든 전략에 통하는 합격선은 아닙니다.
대중의 사용법은 이 숫자 하나를 전략의 등급표처럼 씁니다. PF 1.5와 3.0을 나란히 놓고 후자가 두 배 좋은 전략이라고 판단하거나, 최적화에서 PF가 가장 높게 나온 파라미터를 그대로 채택하기도 합니다. 높은 PF는 측정한 표본에서 손실 금액 대비 이익 금액이 컸다는 뜻입니다. 미래 수익이나 위험이 그만큼 좋아진다는 뜻은 아닙니다.
수익 팩터는 비율입니다. 비율은 분자와 분모를 만든 거래 수와 거래별 손익 분포를 한 숫자로 압축합니다. 거래 200건의 PF 1.5가 거래 12건의 PF 3.0보다 검토할 자료는 많지만, 거래 간 상관관계와 시장 구간이 다르면 건수만으로 우열을 정할 수 없습니다. 한 건의 큰 이익이 총이익 대부분을 차지하면 그 거래를 제외했을 때 PF가 1.0 아래로 떨어질 수도 있습니다. 이 글은 그 표본 수와 분포를 다시 꺼내 보는 방법을 다룹니다. 아래 금액과 전략 성과는 계산을 설명하기 위한 가상 예시이며 실제 운용 실적이 아닙니다.
최대 수익 거래를 빼고 계산하면 특정 거래 의존도가 드러납니다
최대 수익 거래 한 건을 제외하고 PF를 다시 계산하면 해당 거래가 전체 성과에 끼친 영향을 확인할 수 있습니다. 이는 손익 집중도를 보는 민감도 점검이며, 전략의 안정성이나 그 거래가 운이었는지를 단독으로 증명하는 검사는 아닙니다.
가상 추세 추종 전략이 1년 동안 20건을 거래했고, 이익 합은 7,610달러, 손실 합의 절댓값은 1,950달러라고 가정하겠습니다. PF는 7,610 ÷ 1,950 ≈ 3.90입니다. 이 중 최대 이익 거래 한 건이 6,200달러를 벌었다면, 그 거래를 제외한 이익 합은 1,410달러입니다. 손실 합은 같으므로 나머지 19건의 PF는 1,410 ÷ 1,950 ≈ 0.72가 됩니다. 실제 BTC 시세나 특정 연도의 체결 기록을 재현한 예시는 아닙니다.
이 예시에서 최대 이익 거래는 총이익의 약 81.5%를 차지합니다. 이익 거래가 9건이었다고 가정하면 승률은 9 ÷ 20 = 45%입니다. 작은 손실을 반복하다 큰 추세 몇 번으로 회수하는 모습은 추세 추종 전략에서 나타날 수 있습니다. 최대 거래를 제외한 PF 0.72는 집중도를 보여줄 뿐, 다른 1년의 PF도 0.72가 된다는 예측은 아닙니다. 큰 이익을 기다리는 동안 감당해야 할 연속 손실과 낙폭을 별도로 확인해야 합니다.
최대 거래를 제외한 뒤 PF가 1.0 아래로 내려가면 이 표본의 순이익이 그 거래에 의존했다는 뜻입니다. PF 1.2를 넘는다고 분산이나 재현성이 입증되는 것은 아닙니다. 큰 추세에서 수익을 얻는 전략이라면 다른 시기에도 같은 진입 규칙이 유사한 기회를 포착했는지, 그 기회가 없을 때의 손실이 허용 범위 안인지 함께 점검합니다.
거래 표본이 적으면 수익 팩터의 변동 폭을 함께 봐야 합니다
수익 팩터가 같은 2.5라도 거래 8건에서 나온 2.5와 300건에서 나온 2.5는 그 의미가 전혀 다릅니다. 표본이 적을수록 비율은 우연히 한쪽으로 쏠리고, 그 쏠림이 실력처럼 보입니다.
별도의 가상 표본 8건에서 이익 합이 1,450달러, 손실 합이 500달러라면 PF는 2.90입니다. 여기서 600달러 손실 거래가 한 건 추가되면 PF는 1,450 ÷ 1,100 ≈ 1.32로 떨어집니다. 추가 거래가 기존 손실 합보다 크기 때문에 분모가 두 배 넘게 늘어난 것입니다. 거래 수뿐 아니라 각 손익의 크기가 비율의 민감도를 결정합니다.
100건이나 200건을 채웠다는 이유만으로 PF의 신뢰 구간이 안정되는 보편적인 기준은 없습니다. 300건이 있어도 큰 손실 한 건이 비율을 크게 바꿀 수 있고, 같은 신호에 몰린 거래는 독립적인 관측 300개와 다릅니다. 거래 수와 손실 거래 수, 극단 손익, 거래 간 의존성을 같이 확인하고 연도별·시장 구간별 결과를 비교합니다. 표본이 적으면 불확실성을 크게 남겨 두어야 합니다.
하루에도 여러 번 진입하는 단기 전략은 표본을 빨리 모을 수 있지만, 일봉·주봉 스윙 전략은 같은 기간에 거래가 적을 수 있습니다. 기간을 늘려 더 많은 사례를 보는 것은 유용하지만, 오래된 시장과 최근 시장의 거래를 한데 섞으면 변화가 가려질 수 있습니다. 전체 PF와 구간별 PF를 함께 보고, 빈도가 낮다는 이유로 특정 거래 수를 채우기 위해 진입 규칙을 바꾸지는 않습니다.
표본이 적을 때 PF가 흔들리는 한 원인은 분모입니다. 손실 거래가 네 건뿐이라면 다음 손실 한 건이 손실 합을 크게 바꿀 수 있습니다. 분자도 마찬가지입니다. 드문 대형 이익 하나가 PF를 끌어올릴 수 있습니다. 표본이 커지면 같은 금액의 한 거래가 차지하는 비중은 대체로 줄지만, 손익 규모가 변하거나 극단 손익이 나오면 큰 표본도 흔들립니다. 거래 수를 신뢰도의 단독 기준으로 삼지 않습니다.
거래 비용을 반영하기 전의 수익 팩터는 다른 숫자입니다
수수료나 슬리피지를 설정하지 않은 백테스트는 실제 체결 비용을 빠뜨릴 수 있습니다. TradingView의 전략 보고서는 설정된 수수료를 이익·손실 거래 금액에 이미 반영합니다. 보고서에 비용이 반영됐는지 먼저 확인해 누락과 이중 차감을 모두 피합니다.
가상 예시로 200건 중 104건이 각각 120달러 이익, 96건이 각각 90달러 손실이라고 가정하겠습니다. 승률은 52%, 비용 전 PF는 12,480 ÷ 8,640 ≈ 1.44입니다. 모든 거래에 왕복 비용 35달러를 한 번씩 적용하면 각 이익은 85달러, 각 손실의 절댓값은 125달러가 됩니다. 비용 후 PF는 (104 × 85) ÷ (96 × 125) = 8,840 ÷ 12,000 ≈ 0.74입니다. 실제 거래의 평균값만 주어졌다면 작은 이익이 비용 때문에 손실로 바뀔 수 있으므로, 거래별 비용 후 손익을 다시 분류한 뒤 합산해야 합니다.
이 예시에서 왕복 비용 35달러는 이익 거래의 120달러 대비 약 29.2%입니다. 비용 부담은 빈도만으로 결정되지 않고 거래당 명목금액과 이익 폭, 주문 방식에도 달려 있습니다. 같은 거래 목록과 포지션 크기를 고정하고 비음수 비용을 더하면 비용 전 PF는 낙관적인 비교 기준이 됩니다. 그렇다고 실제 미래 성과의 상한을 보장하지는 않습니다. 실제 요율과 체결 기록에 맞는 비용을 넣고 거래별 순손익으로 다시 계산합니다.
수익 팩터를 승패 건수와 평균 손익으로 분해합니다
수익 팩터 1.5라는 숫자만으로는 그 전략이 어떤 성격인지 알 수 없습니다. 같은 수익 팩터가 정반대의 두 전략에서 나올 수 있기 때문입니다.
정확한 관계는 PF = (이익 거래 수 ÷ 손실 거래 수) × (평균 이익 금액 ÷ 평균 손실 금액의 절댓값)입니다. 손익 0인 거래를 제외한 승률을 W라고 정의하면 첫 항은 W ÷ (1−W)가 됩니다. 여기서 손익비는 실제 청산 손익의 평균 비율이며, 진입 전 설정한 목표 익절·손절 비율과는 다릅니다. 가상 예시로 W=35%, 평균 손익비 3.0이면 PF≈1.62이고, W=70%, 평균 손익비 0.6이면 PF=1.40입니다.
첫 예시는 이익 거래가 적고 평균 이익이 평균 손실보다 큰 구조입니다. 둘째는 이익 거래가 많지만 한 번의 평균 손실이 평균 이익보다 큰 구조입니다. 어느 쪽도 PF만으로 연속 손실의 길이나 최대 손실을 알 수 없습니다. 실제 거래 순서와 손익 분포를 확인하고, 손절 규칙 이탈이 평균 손실을 얼마나 키우는지 점검합니다.
같은 보고서의 승률과 평균 손익비를 함께 확인하면 PF가 어떤 구조에서 나온 것인지 보입니다. 승률이 낮다고 단 한 건의 이익에 반드시 의존하는 것은 아니며, 평균 손익비가 낮다고 최대 손실의 크기를 알 수 있는 것도 아닙니다. 최대 이익·손실, 손익 집중도, 연속 손실을 함께 확인해야 약점을 구분할 수 있습니다.
최적화한 수익 팩터는 사용하지 않은 구간에서 다시 확인합니다
최적화 도구는 주어진 데이터와 목적함수에서 가장 높은 PF를 찾을 수 있습니다. 많은 조합을 탐색할수록 우연히 잘 맞은 조합을 고를 위험도 커집니다. 학습 구간의 최고 PF를 미래 기대 성과로 그대로 읽지 않습니다.
가상 이동평균 교차 전략에서 두 기간을 각각 5부터 200까지 탐색하면, 순서 제약을 두기 전 조합은 196 × 196 = 38,416개입니다. 이 중 최고 PF가 4.0이라고 해도 그 숫자만으로 일반화 여부를 알 수 없습니다. 탐색한 조합 수와 평가 기간, 선택 규칙을 기록하고, 인접한 파라미터에서도 결과가 유지되는지 확인합니다. 한 조합만 뾰족하게 높은 결과는 추가 검증 신호입니다.
예를 들어 시간순 앞 70% 구간에서 파라미터를 정하고 뒤 30%를 미사용 검증 구간으로 남길 수 있습니다. 이 비율은 예시이며 전략 주기와 표본 수에 맞게 미리 정합니다. 학습 PF 3.5가 검증에서 1.1로 떨어졌다면 재현성 경고이지만 과최적화가 확정되는 것은 아닙니다. 표본 오차, 시장 변화, 거래비용 차이도 살펴야 합니다. 검증 결과를 보고 파라미터를 다시 맞췄다면 그 구간은 더 이상 미사용 구간이 아니므로 별도 자료가 필요합니다. 두 구간 PF가 비슷해도 작은 표본이나 공통 오류가 있을 수 있습니다.
수익 팩터를 신뢰하기 전 거치는 점검
수익 팩터 하나만 보고 전략을 채택하면 위에서 본 함정에 그대로 노출됩니다. 보고서의 수익 팩터를 신뢰하기 전 다음 항목을 순서대로 점검합니다.
- 표본과 분포: 총 거래 수·손실 거래 수·극단 손익·거래 간 의존성·평가 기간을 함께 기록합니다. 보편적인 최소 거래 수로 합격 처리하지 않습니다.
- 최대 수익 거래 제거: 해당 거래 전후 PF와 총이익 기여도를 비교해 집중도를 확인합니다. 특정 PF 기준만으로 운이나 실력을 단정하지 않습니다.
- 비용 반영: 실제 요율과 체결 기준에 맞는 비용을 거래별로 반영합니다. 이미 차감된 수수료를 다시 빼지 않습니다.
- 승률·평균 손익비: 실현 손익 기준으로 분해하며, 본전 거래를 승률 분모에 포함했는지 확인합니다.
다른 전략과 비교할 때는 위 항목뿐 아니라 평가 기간과 자금·포지션 크기, 비용 기준을 맞춥니다. 네 항목을 확인했다는 사실 자체가 실전 수익을 보장하지는 않습니다.
수익 팩터의 신뢰도를 검증하는 두 가지 보조 점검
앞의 항목을 확인한 뒤에는 성과가 시간에 얼마나 집중됐는지와 운용 중 겪은 낙폭을 같이 봅니다.
첫째는 연도별 또는 분기별 PF입니다. 가령 가상 5년 표본에서 전체 PF가 2.0이지만 한 해는 4.0이고 다른 해들은 1.0 부근일 수 있습니다. 전체 PF는 연도별 PF의 단순 평균이 아니라 전체 이익 합을 전체 손실 합으로 나눠 구합니다. 특정 연도를 뺐을 때 PF가 1.0 아래로 내려가면 그 해에 성과가 집중됐다는 뜻입니다. 그 자체로 과최적화를 확정하지 말고 해당 시장 조건이 전략 논리와 맞는지, 다른 구간의 손실을 견딜 수 있는지 확인합니다.
둘째는 최대 낙폭(Maximum Drawdown)입니다. PF는 손익 합계의 비율이므로 거래 순서와 계좌가 중간에 얼마나 깊이 하락했는지를 보여주지 못합니다. 가상으로 PF 2.5·최대 낙폭 15%와 PF 3.0·최대 낙폭 45%를 비교할 때도 기간과 자금 배분이 같아야 해석할 수 있습니다. 허용 낙폭과 연속 손실 한도를 먼저 정하고, PF가 높더라도 그 한도를 넘는 전략은 규모와 운용 규칙을 다시 검토합니다.