Slippage and Latency Modeling: Realistic Backtesting in Python
0 조회
2024년 6월, 제가 만든 평균회귀 전략의 백테스트 샤프비율이 1.52였어요. 같은 전략을 바이낸스 선물에서 한 달 돌렸더니 0.48로 떨어졌습니다. 수수료는 정확하게 반영했는데 왜 이런 일이 생길까요? 문제는 슬리피지를 "고정 0.05%"로 퉁쳤다는 거였죠. 이 글을 읽으면 총 지연을 결정→큐→네트워크→체결 4단계로 분해하고, square-root market impact 모델을 Python으로 적용해서 백테스트를 현실에 가깝게 만들 수 있습니다.
준비물
- Python 3.8 이상과 pandas, numpy 라이브러리
- 1분봉 이상의 OHLCV 데이터셋 (최소 6개월 권장)
- 거래소 API 문서 (REST 응답 시간, WebSocket 지연 스펙 확인용)
- 주문장 스냅샷 데이터 (bid-ask spread 계산용, 없으면 close 기준 0.1% 가정)
백테스트 프레임워크는 backtrader, zipline, 또는 직접 작성한 코드 모두 괜찮아요. 핵심은 주문 발생 시점에 슬리피지 함수를 호출할 수 있는 구조면 됩니다.
결정 지연은 어떻게 측정하나요?
결정 지연은 신호가 발생한 시점부터 주문 로직이 실행되기 직전까지의 시간이에요. 제 경우 5분봉 전략에서 봉 종가 확정 후 지표를 계산하는 데 평균 80ms가 걸렸습니다.
측정 방법은 간단해요. 신호 계산 함수 앞뒤로 time.perf_counter()를 찍으면 됩니다.
import time
def calculate_signal(df):
start = time.perf_counter()
rsi = compute_rsi(df['close'], period=14)
signal = 1 if rsi < 30 else -1
elapsed = (time.perf_counter() - start) * 1000 # ms
return signal, elapsed입력: 5분봉 데이터프레임 1,000개 행 출력: signal=1, elapsed=78.3ms
이 지연은 백테스트에서 "신호 발생 시점 + 80ms" 이후 가격으로 주문을 내야 한다는 뜻이에요. 5분봉이면 80ms는 무시할 만하지만, 1분봉이나 틱 단위에서는 가격이 바뀔 수 있죠. 저는 백테스트 코드에 decision_delay_ms = 80을 상수로 박아뒀습니다.
큐·네트워크·체결 지연을 어떻게 분리하나요?
결정 이후에는 세 단계가 더 있어요.
큐 지연: 주문이 API 호출 큐에서 대기하는 시간. 동시 주문이 많으면 길어져요. 제가 쓴 ccxt 라이브러리는 단일 스레드라 큐 지연이 거의 없었지만, 멀티 전략을 돌릴 때는 평균 15ms 추가됐습니다.
네트워크 지연: API 요청이 거래소 서버까지 왕복하는 시간. AWS 서울 리전에서 바이낸스로 ping을 쏘면 평균 42ms였어요. REST API는 왕복이니까 실제론 84ms 정도 잡아야 합니다.
체결 지연: 주문이 거래소에 도착한 후 실제 체결되기까지의 시간. 시장가 주문은 즉시 체결되지만, 지정가는 호가창에서 대기하죠. 시장가로만 전략을 돌리면 체결 지연은 5~10ms 수준이에요.
이 세 개를 합치면 총 지연이 나옵니다. 결정 80ms + 큐 15ms + 네트워크 84ms + 체결 10ms = 189ms. 이걸 백테스트에 반영하려면 신호 발생 시점 기준으로 다음 틱의 가격을 써야 해요.
입력: 신호 시간 2024-06-15 10:30:00.000 출력: 실제 주문 체결 시간 2024-06-15 10:30:00.189, 그 시점 가격 $67,542.30
틱 데이터가 없다면 1분봉 open 가격을 다음 봉으로 밀어서 근사할 수 있습니다.
square-root market impact는 어떻게 모델링하나요?
여기서부터가 핵심이에요. 고정 슬리피지 0.05%는 거래량이 1 BTC든 100 BTC든 똑같이 적용되잖아요. 현실에선 주문 크기가 클수록 슬리피지가 커집니다.
square-root market impact 모델은 이렇게 생겨요.
슬리피지(%) = k × sqrt(주문량 / 일평균거래량)여기서 k는 시장 충격 계수인데, 논문에서는 비트코인 선물 기준으로 0.3~0.5 정도를 제시해요(출처: The impact of transactions costs and slippage on algorithmic trading performance). 저는 0.4를 썼습니다.
Python으로 구현하면 이렇게 돼요.
import numpy as np
def calculate_slippage(order_size, avg_daily_volume, k=0.4):
"""
order_size: 주문 수량 (BTC)
avg_daily_volume: 최근 30일 일평균 거래량 (BTC)
k: 시장 충격 계수
"""
ratio = order_size / avg_daily_volume
slippage_pct = k * np.sqrt(ratio)
return slippage_pct입력: order_size=2 BTC, avg_daily_volume=15000 BTC, k=0.4 출력: slippage_pct = 0.4 × sqrt(2/15000) = 0.4 × 0.01155 = 0.00462 = 0.462%
주문량이 2 BTC일 때 슬리피지가 0.46%라는 뜻이에요. 이제 백테스트 주문 함수에서 이 값을 체결가에 더하면 됩니다.
def execute_order(signal, price, order_size, avg_volume):
slippage = calculate_slippage(order_size, avg_volume)
if signal > 0: # 매수
fill_price = price * (1 + slippage)
else: # 매도
fill_price = price * (1 - slippage)
return fill_price이 모델을 적용하니 백테스트 샤프비율이 1.52에서 1.21로 떨어졌어요. 현실적인 비용을 반영한 이 기준으로 파라미터를 다시 조정해서 2026년 6월부터 4주간 바이낸스 선물에서 새로 돌린 실전 런은 샤프 1.15가 나왔습니다(수수료 0.04%, 실측 슬리피지 반영). 이전 실전 런(0.48)과 달리 백테스트-실전 격차가 크게 줄었어요.
흔한 실수와 해결법
실수 1: 고정 슬리피지만 쓰기. 제가 처음에 0.05%로 고정했을 때는 작은 주문(0.1 BTC)도 큰 주문(10 BTC)도 똑같은 비용이 나왔어요. 현실에선 10 BTC 주문은 호가창을 뚫고 들어가서 1% 이상 슬리피지가 날 수 있습니다. square-root 모델을 쓰면 이게 반영돼요.
실수 2: bid-ask spread를 무시하기. 스프레드가 0.1%인 시장에서 시장가 매수를 하면 ask 가격에 체결되잖아요. 이것만으로도 최소 0.1% 슬리피지가 발생해요. 저는 스프레드를 측정해서 슬리피지에 추가했습니다.
spread_pct = (ask - bid) / mid_price
total_slippage = market_impact + spread_pct / 2실수 3: 네트워크 지연을 과소평가하기. 로컬 백테스트에서는 지연이 0ms지만, 실제로는 84ms예요. 1분봉 전략에서 84ms는 가격이 $100 움직일 수 있는 시간입니다. 저는 백테스트에 network_delay=84ms를 박아두고, 그 시간만큼 뒤의 가격을 참조하게 바꿨어요.
k 값을 내 거래소에 맞게 캘리브레이션하기
논문 k=0.4를 그대로 쓰면 편하지만, 거래소마다 유동성이 달라요. 제가 실전 로그 247건을 분석해서 우리 거래소의 실제 k를 구한 방법을 알려드릴게요.
거래소 API 응답에서 요청 주문량과 실제 체결가 차이를 기록하세요. 저는 한 달치 로그를 CSV로 모았습니다.
import pandas as pd
from scipy.optimize import curve_fit
# 실전 거래 로그 (주문량, 일평균 거래량, 실측 슬리피지)
df = pd.read_csv('slippage_log.csv')
# 컬럼: order_size, daily_volume, actual_slippage_pct
def model_func(x, k):
return k * np.sqrt(x)
# x = 주문량 / 일평균거래량
x_data = df['order_size'] / df['daily_volume']
y_data = df['actual_slippage_pct']
params, _ = curve_fit(model_func, x_data, y_data)
fitted_k = params[0]
print(f"우리 거래소 k = {fitted_k:.3f}")입력: 로그 247건 (주문량 0.5~5 BTC, 실측 슬리피지 0.2~1.8%) 출력: 우리 거래소 k = 0.523
제 경우 바이낸스 알트코인 선물은 k=0.52가 나왔어요. 논문값 0.4보다 30% 높죠. 이걸 모델에 반영하니 예측 오차가 절반으로 줄었습니다. 거래소별로 한 번씩 캘리브레이션해 두면 전략 성능 예측이 정확해져요.
자주 묻는 질문
Q. square-root 모델의 k 값은 어떻게 정하나요? A. 거래소와 자산마다 다릅니다. 비트코인 선물은 0.3~0.5, 알트코인은 0.5~1.0 정도예요. 실전 거래 로그에서 주문량과 실제 슬리피지를 회귀분석하면 정확한 k를 구할 수 있습니다.
Q. 틱 데이터가 없으면 지연을 어떻게 반영하나요? A. 1분봉을 쓴다면 신호 발생 다음 봉의 open 가격을 체결가로 쓰세요. 5분봉이면 지연 189ms는 무시할 만하지만, 1분봉에서는 다음 봉으로 미는 게 안전합니다.
Q. 지정가 주문은 슬리피지가 없나요? A. 체결 보장이 안 되는 대신 슬리피지는 거의 없어요. 하지만 미체결 리스크를 백테스트에 반영해야 합니다. 호가창에서 내 주문보다 앞선 물량이 얼마나 있는지 계산해서 체결 확률을 모델링하세요.
Q. 백테스트 샤프비율이 너무 떨어지면요? A. 그게 정상입니다. 슬리피지를 현실적으로 반영하면 대부분 전략의 샤프는 30~50% 떨어져요. 그래도 1.0 이상이면 실전 가치가 있고, 0.5 이하면 전략 자체를 재검토해야 합니다.
Q. 거래량이 적은 시간대는 슬리피지가 더 크지 않나요? A. 맞습니다. 일평균 거래량 대신 시간대별 평균 거래량을 쓰면 더 정확해요. 새벽 3시 거래량이 낮 12시의 1/5이면, 같은 주문량이라도 슬리피지가 √5배 커집니다.