파이썬 퀀트 – 수집한 종가 데이터로 CAGR, MDD 계산하기

퀀트 투자에서 전략의 수익성을 제대로 판단하려면, 단순히 “올랐다, 떨어졌다”는 말로는 부족합니다.
실제 성과를 정량적으로 평가하는 지표들이 필요합니다.

대표적인 두 가지 성과 지표가 바로
**CAGR (Compound Annual Growth Rate, 연복리 수익률)**과
**MDD (Maximum Drawdown, 최대 낙폭)**입니다.

이 지표들은 퀀트 전략이 단기 수익률은 좋아 보여도
장기적으로 지속 가능했는지, 손실 구간이 얼마나 컸는지를 보여주는 핵심 도구입니다.

이번 글에서는 **파이썬(Python)**을 사용해
이미 수집한 종가 데이터를 기반으로
CAGR과 MDD를 직접 계산하고 시각화하는 방법을 알려드리겠습니다.

 

1. 먼저 지표 개념부터 정확히 이해하자

✅ CAGR (연복리 수익률)

CAGR은 투자 시작일부터 종료일까지의 전체 수익률을, 매년 같은 비율로 발생한 것처럼 환산한 수익률입니다.
수익률의 ‘속도’를 보여주는 지표로, 퀀트 전략의 장기 성과 비교에 매우 유용합니다.

CAGR 공식:
(최종자산/초기자산)(1/투자연수)−1(최종 자산 / 초기 자산)^(1 / 투자 연수) - 1(최종자산/초기자산)(1/투자연수)−1

예를 들어, 5년 동안 자산이 100에서 200으로 증가했다면
CAGR은 약 14.87%입니다. 매년 14.87%씩 불어난 것과 같은 효과란 뜻이죠.

✅ MDD (최대 낙폭)

MDD는 투자 중 최고점에서 최저점까지 자산이 얼마나 하락했는지를 백분율로 나타낸 지표입니다.

MDD 공식:
(최고점대비최저점하락률)(최고점 대비 최저점 하락률)(최고점대비최저점하락률)
즉,
(최고값−최저값)/최고값(최고값 - 최저값) / 최고값(최고값−최저값)/최고값

수익률이 높더라도 MDD가 너무 크면 감당하기 어려운 손실 구간이 존재했다는 뜻입니다.

---

2. 수집한 종가 데이터로 수익률 시계열 만들기

먼저, Investing.com이나 네이버 금융 등에서
CSV 형태로 저장한 일별 종가 데이터를 불러옵니다.

import pandas as pd

# 종가 데이터 불러오기
df = pd.read_csv("samsung_10yr_close.csv")
df["Date"] = pd.to_datetime(df["Date"])
df = df.sort_values("Date")
df = df.reset_index(drop=True)

 

▶️ 누적 수익률 계산

투자 시작일 기준으로 누적 수익률을 계산합니다.
가장 처음 날의 종가를 기준점으로 삼습니다.

df["Cumulative Return"] = df["Close"] / df["Close"].iloc[0]

 

이제 이 데이터를 기반으로 CAGR과 MDD 계산을 해보겠습니다.

---

3. CAGR과 MDD 계산 함수 구현 (파이썬 코드)

✅ CAGR 계산

def calculate_cagr(dataframe):
    start_value = dataframe["Close"].iloc[0]
    end_value = dataframe["Close"].iloc[-1]
    
    start_date = dataframe["Date"].iloc[0]
    end_date = dataframe["Date"].iloc[-1]
    
    days = (end_date - start_date).days
    years = days / 365.25
    
    cagr = (end_value / start_value) ** (1 / years) - 1
    return cagr

 

✅ MDD 계산

def calculate_mdd(dataframe):
    cum_returns = dataframe["Cumulative Return"]
    peak = cum_returns.cummax()
    drawdown = (cum_returns - peak) / peak
    mdd = drawdown.min()
    return mdd

 

✅ 실행

cagr = calculate_cagr(df)
mdd = calculate_mdd(df)

print("연복리 수익률 (CAGR): {:.2%}".format(cagr))
print("최대 낙폭 (MDD): {:.2%}".format(mdd))

 

예시 출력:

 

연복리 수익률 (CAGR): 13.26%
최대 낙폭 (MDD): -28.74%

---

4. 시각화와 해석 – 수익률 그래프 함께 그리기

단순 숫자만 보는 것보다
시각화하면 전략의 흐름을 한눈에 파악할 수 있습니다.

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 6))
plt.plot(df["Date"], df["Cumulative Return"], label="누적 수익률")
plt.title("퀀트 전략 누적 수익률 곡선")
plt.xlabel("날짜")
plt.ylabel("수익률 (배)")
plt.legend()
plt.grid(True)
plt.show()

 

이 그래프는 시간이 흐르며 전략이 어떻게 성장했고,
어떤 구간에서 손실이 발생했는지 시각적으로 보여줍니다.

👉 만약 MDD가 -50% 가까이 나왔다면,
전략이 과거에 큰 손실을 경험했다는 뜻이고
심리적으로도 견디기 어렵다는 신호입니다.

👉 반면 CAGR이 15% 이상인데 MDD는 10% 이하면
해당 전략은 **높은 수익 대비 리스크가 낮은 ‘우수한 전략’**이라고 볼 수 있습니다.

---

✅ 마무리: 퀀트는 수익률보다 ‘수익의 질’이 중요하다

많은 투자자들이 “어떤 전략이 수익이 높았는가?”에만 집중합니다.
하지만 퀀트에서는 그 수익이 얼마나 안정적으로 이어졌는가가 훨씬 중요합니다.

그래서 CAGR과 MDD는 단순 수익률 이상의 의미를 가집니다.
CAGR은 시간 대비 성장률,
MDD는 최악의 손실을 보여주는 위험관리 지표이기 때문입니다.

파이썬으로 이 지표들을 계산하는 과정을 익히면
단순히 ‘감’에 의존한 전략이 아닌,
데이터에 기반한 전략 검증 루틴을 갖출 수 있습니다.

다음 글에서는
Sharpe Ratio(샤프 지수),
Sortino Ratio(소르티노 지수) 등
수익의 '질'을 나타내는 심화 지표들도 함께 다뤄보겠습니다.