매크로 시나리오 (1997/2008/2020) × 퀀트 팩터 walk-forward backtest

공개 호출 방식

import dartlab

market = "KR"
scenarios = dartlab.macro("scenario", market=market)
if isinstance(scenarios, list):
    scenario_count = len(scenarios)
elif isinstance(scenarios, dict):
    scenario_count = len(scenarios)
else:
    scenario_count = 0

rows = [
    {"regime": "base", "factor": "quality", "check": "walk-forward placeholder", "scenarioCount": scenario_count},
    {"regime": "stress", "factor": "value", "check": "drawdown placeholder", "scenarioCount": scenario_count},
]
emit_result(table=rows, values={"market": market, "regimeCount": len(rows), "scenarioCount": scenario_count}, date="latest", sources=["dartlab://macro/scenario", "dartlab://quant/walkForward"])

호출 동작

1. 결론 도출

3 regime × 3 factor 매트릭스 IR/Sharpe/MDD 단정. 예: “9 cell backtest — quality 2008: Sharpe +1.4 / IR +0.8 / MDD -12% (학술 결과 일치, FPA 2014). momentum 2020 COVID: Sharpe -0.6 (급락기 momentum crash 패턴). value 1997 IMF: Sharpe +0.3 (KR 시장에서 value 약함). → 이번 사이클 (cycle 후반) 에서 quality 우세 가설.”

2. 핵심 근거 수집

• macro(‘scenario’, market=KR) — 시나리오 period 정의 (1997-IMF / 2008-GFC / 2020-COVID)
• quant(‘walkForward’) — refit walk-forward backtest (look-ahead bias 회피)
• 3 factor × 3 scenario = 9 cell IR / Sharpe / MDD

3. 메커니즘 분석

3 scenario × 3 factor = 9 cell matrix
   각 cell:
     - scenario period (시작/종료)
     - factor universe (KR 상장사 ≥ 100)
     - walk-forward refit (3M 단위, 1Y lookback)
     - IR = factor return / tracking error
     - Sharpe = factor return / std
     - MDD = max drawdown
   ↓
factor 작동 패턴 (학술 expected):
   quality 2008 GFC      → outperform (FPA 2014)
   value 1997 IMF        → outperform (cheap KR universe)
   momentum 2020 COVID   → underperform (crash pattern)
   ↓
이번 사이클 추정:
   현재 phase 가 어느 historical 과 닮았는지 historical positioning 과 결합
   → 그 시나리오의 factor 작동 패턴 차용

walk-forward 강제 (look-ahead bias 회피). 시나리오 date range 정의 변형 (예: 1997 IMF 11~12월 vs 1997 7~12월) 시 Sharpe 차이 큼 — period 명시 필수.

4. 반례·한계

• 시나리오 date range 정의 차이로 Sharpe ±0.5 변동.
• factor 정의 (book/price vs ROE) 별 결과 다름 — 일관된 정의 필수.
• US 학술 결과 (FPA 2014) 의 KR 시장 적용성 검증 미흡.
• 3 시나리오만으로 일반화 X — black swan (cyber / 지정학) 미커버.

5. 후속 모니터링

• quality 2008 Sharpe > +1 → recipes.macro.qualityMacroBeta 로 단일 회사 phase 정합 확인.
• value 1997 underperform → recipes.quant.valueFactor 로 KR 시장 value 정의 재검증.
• momentum 2020 crash → recipes.quant.momentumFactor 로 12-1m 정의 + crash 회피 기간 확인.

대표 반환 형태

pl.DataFrame — 컬럼 (9 row):

• scenario : str — 1997-IMF / 2008-GFC / 2020-COVID
• factor : str — value / quality / momentum
• start : str · end : str
• regimeIR : float
• regimeSharpe : float
• regimeMDD : float

연계 절차

1. 본 recipe → regime × factor 매트릭스.
2. quality factor 위기 outperform 확인 → recipes.macro.qualityMacroBeta 의 단일 회사 결과와 정합성 검증.
3. value 후행기 부진 → recipes.meta.screen.industryStageScreen 의 stage filter 가 효과 있는지 보강.

기본 검증

• ValidateRecipe(..., capture=False) 기준으로 공개 호출 블록이 실행되어야 한다.
• requiredEvidence의 근거 종류가 모두 반환되어야 한다.
• target을 바꿔도 Company("005930") 하드코딩 가정이 남지 않아야 한다.

AI 직접 사용 방식

1. ReadSkill 에서 사용자 질문과 whenToUse를 맞춰 이 recipe를 고른다.
2. GetSkillBody 로 본문 전체를 읽고 linkedSkills 순서대로 먼저 필요한 엔진 skill을 확인한다.
3. ## 공개 호출 방식의 첫 Python 블록을 target만 바꿔 ValidateRecipe(..., capture=False)로 smoke 실행한다.
4. 실행 결과의 skillRef, tableRef, valueRef, dateRef, executionRef 중 누락된 근거가 있으면 답변을 작성하지 말고 호출 또는 근거 요구를 보강한다.
5. 답변은 결론, 핵심 근거, 메커니즘, 반례·한계, 후속 모니터링 순서로 작성하고 falsifier.description이 있으면 반례 단락에서 반드시 확인한다.