[주식·퀀트 백서] 골든크로스 매매, 파이썬 10년 백테스팅으로 검증한 실전 승률과 휩소의 덫

주식 투자를 처음 시작할 때 기술적 분석 서적이나 유튜브 강의에서 가장 먼저 접하게 되는 불변의 공식이 있습니다.

“단기 이동평균선(20일선)이 중기 이동평균선(60일선)을 아래에서 위로 뚫고 올라가는 ‘골든크로스(Golden Cross)’가 발생하면 강력한 매수 신호입니다.”

증권사 HTS/MTS에서도 빨간색 상승 화살표로 친절하게 표시해 주는 이 유명한 매매 기법, 정말 교과서에서 말하는 대로 사면 내 계좌가 불어날까요?

그런데 여기서 아주 결정적인 질문이 하나 빠져 있습니다.

1. 이번 10년 백테스팅의 매수·매도 규칙 정의

감정을 배제하고 교과서적인 퀀트 규칙을 정밀하게 적용하기 위해, 이번 시뮬레이션은 가장 전통적인 ‘골든크로스 매수 ➔ 데드크로스 매도’ 원칙을 엄격하게 적용했습니다.

2. 백테스팅 환경 및 거래비용 반영 조건

• 검증 대상: 대한민국 대표 시장 지수 ETF인 KODEX 200 (069500) 10년 치 전 구간
• 검증 기간: 2014년 1월 1일 ~ 2024년 12월 31일 (약 10.8년)
• 거래 비용 반영: 국내 상장 ETF는 증권거래세가 비과세(0%)이나, 실전 매매에서 발생하는 증권사 위탁수수료 및 호가 슬리피지를 감안하여 1회 거래당 편도 0.10% (진입+청산 왕복 총 0.20%)를 정밀하게 차감 반영했습니다.
• 수익률 기준: 일봉 종가 간(Close-to-Close) 변동률 기준이며, 분배금(배당) 재투자는 제외한 순수 가격 전략 백테스트입니다.

3. 10년 시뮬레이션 성적표: 단순 보유 vs 골든크로스

10년간 단 한 번도 팔지 않고 그냥 쥐고 있었던 단순 보유(Buy & Hold)와 골든크로스에 사고 데드크로스에 팔았던 골든크로스 전략의 실전 성적표입니다.

비교 지표	단순 보유 (Buy & Hold)	20-60 골든크로스 전략
10년 누적 수익률	+52.41%	+19.01%
연평균 복리 수익률 (CAGR)	3.99%	1.63%
총 거래 횟수	1회	24회
승리 / 패배 거래	–	7승 17패
승률 (Win Rate)	–	29.2%
최대 낙폭 (MDD)	-38.08%	-30.27%

4. 왜 ‘골든크로스-데드크로스’가 계좌를 녹였을까? (상투 매수 & 바닥 손절의 덫)

이동평균선은 과거 주가의 평균값을 이은 ‘후행성 지표’입니다. 바로 이 후행성이 매수와 매도 양쪽에서 치명적인 독으로 작용합니다.

실제 캔들 차트를 뜯어보면 소름 돋는 악순환이 적나라하게 드러납니다:

1. 상투에서 매수: 주가가 바닥에서 이미 +15~20% 폭등한 뒤에야 뒤늦게 20일선이 따라 올라오며 골든크로스가 뜹니다. 결국 단기 최고점 꼭대기에서 비싸게 사게 됩니다.
2. 바닥에서 매도: 진입하자마자 주가가 다시 꺾여 하락합니다. 고점 대비 -15~20% 조정을 온몸으로 다 두들겨 맞고 나서야, 한참 뒤에 20일선이 꺾이며 데드크로스가 뜹니다. 결국 고점 수익을 다 반납하거나 최저점 바닥에서 피눈물 손절을 하게 됩니다.

금융 공학에서는 이를 ‘속임수 신호(Whipsaw, 톱질)’라고 부릅니다. 대세 상승장에서는 추세를 타지만, 한국 증시의 대부분을 차지하는 박스권 횡보장에서는 톱질을 당하며 계좌가 슬리피지와 수수료로 조금씩 갈려 나간 것입니다.

5. 퀀트들이 쓴다는 ‘추세 필터(ADX)’를 붙이면 이길까? (소표본의 착시와 팩트폭격)

시중의 일부 퀀트 강의나 유튜브에서는 “골든크로스를 단독으로 쓰지 말고, 추세 강도 지표(ADX)가 25 이상일 때만 진입하면 승률 75%가 나온다!”며 마치 마법의 비법인 양 포장하곤 합니다. 과연 그럴까요?

6. 백테스팅에 사용된 파이썬(Python) 전체 소스코드

누구나 본인 컴퓨터에서 직접 데이터를 내려받아 동일한 결과를 검증해 보실 수 있도록 이번 시뮬레이션에 사용된 파이썬 코드를 100% 공개합니다.

import os
import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

os.environ['MPLCONFIGDIR'] = '/tmp/mpl'
plt.rcParams['font.family'] = 'Apple SD Gothic Neo'
plt.rcParams['axes.unicode_minus'] = False

print("1. KOSPI 200 ETF (069500.KS) 데이터 다운로드 중 (2014~2024 전 구간)...")
df = yf.download("069500.KS", start="2014-01-01", end="2024-12-31", progress=False)

if isinstance(df.columns, pd.MultiIndex):
    df = df.droplevel(1, axis=1)

# ==============================================================================
# [전략 규칙 및 체결 기준 정의]
# 1. 대상: 코스피 200 지수 ETF (069500.KS) 10년 치 전 구간 (2014~2024)
# 2. 신호: 20일 이동평균선이 60일 이동평균선을 상향 돌파(골든크로스)
# 3. 체결 기준: 당일 종가로 신호 확정 -> '다음 날 종가(Close)'에 진입 및 청산 (shift(2) 완벽 구현)
# 4. 거래 비용: 국내 상장 ETF는 증권거래세 비과세(0%)이나, 위탁수수료 및 슬리피지 감안
#              1회 거래당 0.10% (왕복 총 0.20%) 현실적 칼반영
# ==============================================================================

# 20일선, 60일선 계산
df['MA20'] = df['Close'].rolling(window=20).mean()
df['MA60'] = df['Close'].rolling(window=60).mean()
df = df.dropna().copy()

# 시그널: 20일선 > 60일선
df['Signal'] = np.where(df['MA20'] > df['MA60'], 1, 0)
# 신호 확정 익일 종가 진입이므로, 포지션 효력은 신호 발생 2일 뒤부터 발생 (shift(2))
df['Position'] = df['Signal'].shift(2).fillna(0)

# 일별 시장 수익률
df['Market_Return'] = df['Close'].pct_change().fillna(0)

# 매매 발생 시점 (0 -> 1 매수, 1 -> 0 매도)
df['Trade'] = df['Position'].diff().abs().fillna(0)

# 비용: KODEX 200 ETF 현실적 비용 편도 0.10% (왕복 0.20%)
fee = 0.0010
df['Strategy_Return'] = (df['Position'] * df['Market_Return']) - (df['Trade'] * fee)

# 누적 수익률
df['Cum_Market'] = (1 + df['Market_Return']).cumprod()
df['Cum_Strategy'] = (1 + df['Strategy_Return']).cumprod()

# 낙폭 (Drawdown)
df['Peak_Market'] = df['Cum_Market'].cummax()
df['DD_Market'] = (df['Cum_Market'] - df['Peak_Market']) / df['Peak_Market']
df['MDD_Market'] = df['DD_Market'].min()

df['Peak_Strategy'] = df['Cum_Strategy'].cummax()
df['DD_Strategy'] = (df['Cum_Strategy'] - df['Peak_Strategy']) / df['Peak_Strategy']
df['MDD_Strategy'] = df['DD_Strategy'].min()

# 개별 거래 분석 (일별 복리 누적곡선과 100% 수학적 일치)
trades = []
in_trade = False
entry_price = 0
entry_date = None

for i in range(1, len(df)):
    prev_pos = df['Position'].iloc[i-1]
    curr_pos = df['Position'].iloc[i]
    
    if prev_pos == 0 and curr_pos == 1:
        in_trade = True
        entry_price = df['Close'].iloc[i-1]
        entry_date = df.index[i-1]
    elif prev_pos == 1 and curr_pos == 0 and in_trade:
        in_trade = False
        exit_price = df['Close'].iloc[i-1]
        exit_date = df.index[i-1]
        # 왕복 비용(편도 0.10% 2회) 반영
        ret = (exit_price / entry_price) * (1 - fee) * (1 - fee) - 1
        trades.append({
            'entry_date': entry_date,
            'exit_date': exit_date,
            'entry_price': entry_price,
            'exit_price': exit_price,
            'ret': ret,
            'win': ret > 0
        })

trade_df = pd.DataFrame(trades)
total_trades = len(trade_df)
win_trades = trade_df['win'].sum() if total_trades > 0 else 0
loss_trades = total_trades - win_trades
win_rate = (win_trades / total_trades) * 100 if total_trades > 0 else 0

total_years = (df.index[-1] - df.index[0]).days / 365.25
cagr_market = (df['Cum_Market'].iloc[-1] ** (1 / total_years) - 1) * 100
cagr_strategy = (df['Cum_Strategy'].iloc[-1] ** (1 / total_years) - 1) * 100

print(f"\n=== [1. 기본 20-60 골든크로스 백테스팅 결과 (2014~2024, {total_years:.1f}년 전 구간)] ===")
print(f"총 거래 횟수: {total_trades}회")
print(f"승리 거래: {win_trades}회 / 패배 거래: {loss_trades}회")
print(f"승률: {win_rate:.1f}%")
print(f"단순 보유 누적 수익률: {(df['Cum_Market'].iloc[-1] - 1)*100:.2f}% (CAGR: {cagr_market:.2f}%)")
print(f"골든크로스 전략 누적 수익률: {(df['Cum_Strategy'].iloc[-1] - 1)*100:.2f}% (CAGR: {cagr_strategy:.2f}%)")
print(f"단순 보유 최대 낙폭(MDD): {df['MDD_Market'].iloc[-1]*100:.2f}%")
print(f"전략 최대 낙폭(MDD): {df['MDD_Strategy'].iloc[-1]*100:.2f}%")

# ==============================================================================
# [보완 필터 검증: 추세 강도 지표(ADX 25) 결합 백테스팅]
# ==============================================================================
high = df['High']
low = df['Low']
close = df['Close']
prev_close = close.shift(1)

tr = pd.concat([high - low, (high - prev_close).abs(), (low - prev_close).abs()], axis=1).max(axis=1)
atr = tr.ewm(alpha=1/14, min_periods=14, adjust=False).mean()

up = high - high.shift(1)
down = low.shift(1) - low
plus_dm = np.where((up > down) & (up > 0), up, 0.0)
minus_dm = np.where((down > up) & (down > 0), down, 0.0)

plus_di = 100 * pd.Series(plus_dm, index=df.index).ewm(alpha=1/14, min_periods=14, adjust=False).mean() / atr
minus_di = 100 * pd.Series(minus_dm, index=df.index).ewm(alpha=1/14, min_periods=14, adjust=False).mean() / atr

dx = 100 * (plus_di - minus_di).abs() / (plus_di + minus_di)
df['ADX'] = dx.ewm(alpha=1/14, min_periods=14, adjust=False).mean()

# ADX 25 필터: 골든크로스 신호 발생일 ADX >= 25 일 때만 진입
sig_adx = []
holding_adx = False
for i in range(len(df)):
    c = df['Signal'].iloc[i]
    prev_c = df['Signal'].iloc[i-1] if i > 0 else 0
    adx_val = df['ADX'].iloc[i]
    
    if prev_c == 0 and c == 1:
        holding_adx = (adx_val >= 25)
    elif prev_c == 1 and c == 0:
        holding_adx = False
    sig_adx.append(1 if holding_adx else 0)

df['Pos_ADX'] = pd.Series(sig_adx, index=df.index).shift(2).fillna(0)
trade_adx = df['Pos_ADX'].diff().abs().fillna(0)
df['Strat_Ret_ADX'] = (df['Pos_ADX'] * df['Market_Return']) - (trade_adx * fee)
df['Cum_ADX'] = (1 + df['Strat_Ret_ADX']).cumprod()

trades_adx = []
in_adx = False
for i in range(1, len(df)):
    p0 = df['Pos_ADX'].iloc[i-1]
    p1 = df['Pos_ADX'].iloc[i]
    if p0 == 0 and p1 == 1:
        in_adx = True
        ep_adx = df['Close'].iloc[i-1]
        ed_adx = df.index[i-1]
    elif p0 == 1 and p1 == 0 and in_adx:
        in_adx = False
        xp_adx = df['Close'].iloc[i-1]
        xd_adx = df.index[i-1]
        r_adx = (xp_adx / ep_adx) * (1 - fee) * (1 - fee) - 1
        trades_adx.append({'ed': ed_adx, 'xd': xd_adx, 'ret': r_adx, 'win': r_adx > 0})

tdf_adx = pd.DataFrame(trades_adx)
n_adx = len(tdf_adx)
w_adx = tdf_adx['win'].sum() if n_adx > 0 else 0
wr_adx = (w_adx / n_adx) * 100 if n_adx > 0 else 0
ret_adx = (df['Cum_ADX'].iloc[-1] - 1) * 100
ret_market = (df['Cum_Market'].iloc[-1] - 1) * 100
ret_strat = (df['Cum_Strategy'].iloc[-1] - 1) * 100

print(f"\n=== [2. 추세 강도(ADX 25) 결합 필터 백테스팅 결과 (팩트 검증)] ===")
print(f"총 거래 횟수: {n_adx}회 (10년간 단 4회 매매 발생)")
print(f"승리 거래: {w_adx}회 / 패배 거래: {n_adx - w_adx}회 (표본수 n={n_adx}의 소표본 승률: {wr_adx:.1f}%)")
print(f"ADX 필터 누적 수익률: +{ret_adx:.2f}% (단순 보유 +{ret_market:.2f}% 대비 {ret_adx - ret_market:+.2f}%p 참패)")
print(f"결론: 휩소를 피하려 필터를 엄격히 걸수록 거래 기회가 극단 축소되고, 대세 상승 구간을 놓쳐 결국 장기 보유를 이길 수 없음.")

# Save summary to file
with open("backtest_summary.txt", "w", encoding="utf-8") as f:
    f.write(f"기간: 2014-01-01 ~ 2024-12-31 ({total_years:.1f}년 전 구간)\n")
    f.write(f"종목: 코스피 200 ETF (069500.KS)\n")
    f.write(f"체결 기준: 신호 확정 익일 종가(Close) 매수 / 데드크로스 확정 익일 종가(Close) 매도 (shift(2))\n")
    f.write(f"거래 비용: 1회 거래당 편도 0.10% (왕복 0.20% 반영, ETF 증권거래세 비과세 0%)\n")
    f.write(f"총 거래 횟수: {total_trades}회\n")
    f.write(f"승리: {win_trades}회, 패배: {loss_trades}회\n")
    f.write(f"승률: {win_rate:.1f}%\n")
    f.write(f"단순보유 누적 수익률: {ret_market:.2f}%\n")
    f.write(f"기본 골든크로스 전략 누적 수익률: {ret_strat:.2f}%\n")
    f.write(f"단순보유 MDD: {df['MDD_Market'].iloc[-1]*100:.2f}%\n")
    f.write(f"전략 MDD: {df['MDD_Strategy'].iloc[-1]*100:.2f}%\n")
    f.write(f"\n[추세 필터(ADX 25) 결합 결과]\n")
    f.write(f"거래 횟수: {n_adx}회 (10년간 4회로 극단 축소)\n")
    f.write(f"승리/패배: {w_adx}승 {n_adx - w_adx}패 (소표본 승률 {wr_adx:.1f}%)\n")
    f.write(f"누적 수익률: +{ret_adx:.2f}% (단순 보유 대비 {ret_adx - ret_market:+.2f}%p 뒤처짐)\n")
    f.write(f"핵심 시사점: 지수 타이밍 매매는 필터를 더해도 거대한 상승 추세를 놓쳐 적립식/단순보유를 결코 이기지 못함\n")

# --- CHART 1: 누적 수익률 비교 차트 (3단 비교) ---
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), gridspec_kw={'height_ratios': [3, 1]}, dpi=150)
fig.patch.set_facecolor('#ffffff')

# Subplot 1: Cumulative Return
ax1.plot(df.index, (df['Cum_Market'] - 1) * 100, label=f'단순 보유 (Buy & Hold): +{ret_market:.1f}%', color='#64748b', linewidth=2.0, alpha=0.85)
ax1.plot(df.index, (df['Cum_Strategy'] - 1) * 100, label=f'기본 20-60 골든크로스: +{ret_strat:.1f}% (24회 거래, 승률 {win_rate:.1f}%)', color='#2563eb', linewidth=2.2)
ax1.plot(df.index, (df['Cum_ADX'] - 1) * 100, label=f'골든크로스 + ADX 25 필터: +{ret_adx:.1f}% (단 4회 거래, 대세 상승 놓침)', color='#16a34a', linewidth=2.0, linestyle='--')
ax1.set_title("코스피 200 ETF (10년 전 구간) : 단순 보유 vs 기본 골든크로스 vs ADX 필터 누적 수익률", fontsize=14, fontweight='bold', pad=15, color='#0f172a')
ax1.set_ylabel("누적 수익률 (%)", fontsize=12, fontweight='bold', color='#1e293b')
ax1.grid(True, linestyle='--', alpha=0.5)
ax1.legend(loc='upper left', frameon=True, facecolor='#ffffff', edgecolor='#cbd5e1', fontsize=10)
ax1.axhline(0, color='#94a3b8', linestyle='-', linewidth=0.8)

# Subplot 2: Drawdown
ax2.plot(df.index, df['DD_Market'] * 100, label=f'단순보유 MDD: {df["MDD_Market"].iloc[-1]*100:.1f}%', color='#94a3b8', linewidth=1.2, alpha=0.8)
ax2.plot(df.index, df['DD_Strategy'] * 100, label=f'전략 MDD: {df["MDD_Strategy"].iloc[-1]*100:.1f}%', color='#dc2626', linewidth=1.5)
ax2.set_ylabel("낙폭 (MDD %)", fontsize=11, fontweight='bold', color='#1e293b')
ax2.set_xlabel("연도", fontsize=12, fontweight='bold', color='#1e293b')
ax2.grid(True, linestyle='--', alpha=0.5)
ax2.legend(loc='lower left', frameon=True, facecolor='#ffffff', edgecolor='#cbd5e1', fontsize=10)

plt.tight_layout()
plt.savefig("chart1_cumulative_return.png", dpi=150, bbox_inches='tight')
plt.close()
print("차트 1 저장 완료: chart1_cumulative_return.png")

# --- CHART 2: 2018~2019 박스권 휩소(Whipsaw) 구간 줌인 차트 ---
sub_df = df.loc['2018-05-01':'2019-12-31'].copy()

fig, ax = plt.subplots(figsize=(12, 6), dpi=150)
fig.patch.set_facecolor('#ffffff')

ax.plot(sub_df.index, sub_df['Close'], label='KOSPI 200 ETF 주가 (종가)', color='#0f172a', linewidth=2.0)
ax.plot(sub_df.index, sub_df['MA20'], label='20일 이평선 (단기)', color='#e11d48', linewidth=1.8, linestyle='--')
ax.plot(sub_df.index, sub_df['MA60'], label='60일 이평선 (중기)', color='#2563eb', linewidth=1.8)

# Cross points
cross_buy = sub_df[(sub_df['Signal'] == 1) & (sub_df['Signal'].shift(1) == 0)]
cross_sell = sub_df[(sub_df['Signal'] == 0) & (sub_df['Signal'].shift(1) == 1)]

ax.scatter(cross_buy.index, cross_buy['Close'], marker='^', color='#16a34a', s=130, zorder=5, label='골든크로스 매수 (상투 진입)')
ax.scatter(cross_sell.index, cross_sell['Close'], marker='v', color='#dc2626', s=130, zorder=5, label='데드크로스 청산 (바닥 손절)')

ax.set_title("박스권 횡보장의 덫 : 골든크로스에 상투 잡고, 데드크로스에 바닥 손절 (2018~2019 KOSPI 200)", fontsize=13, fontweight='bold', pad=15, color='#0f172a')
ax.set_ylabel("주가 (원)", fontsize=12, fontweight='bold', color='#1e293b')
ax.set_xlabel("날짜", fontsize=12, fontweight='bold', color='#1e293b')
ax.grid(True, linestyle='--', alpha=0.5)
ax.legend(loc='upper right', frameon=True, facecolor='#ffffff', edgecolor='#cbd5e1', fontsize=10)

plt.tight_layout()
plt.savefig("chart2_whipsaw_example.png", dpi=150, bbox_inches='tight')
plt.close()
print("차트 2 저장 완료: chart2_whipsaw_example.png")
print("\n모든 백테스팅 및 차트 재생성 완료!")

7. 마치며: 데이터가 주는 진짜 교훈

“책에서 골든크로스에 사라던데요?”, “어떤 전문가가 지금 20일선 돌파했다고 사래요.”

이러한 감성적 확신과 마케팅에 소중한 자산을 맡기기 전에, 언제 사고 언제 팔아야 하는지 명확한 원칙을 세우고 단 10줄의 파이썬 코드라도 과거 데이터에 직접 던져보는 검증의 습관이 왜 필수적인지 이 백테스팅 데이터가 명백히 보여줍니다.

시장의 뇌피셜과 가짜 마케팅에 속지 않는 진짜 팩트 기반 데이터 분석, 다음 편에서도 여러분이 평소에 궁금해하셨던 주식 시장의 속설들을 코드로 낱낱이 파헤쳐 드리겠습니다.

---

* 본 콘텐츠는 코스피 200 지수 ETF(069500)의 과거 10개년(2014~2024) 일봉 데이터를 기반으로 한 정량 백테스팅 시뮬레이션 결과이며, 특정 종목에 대한 매수·매도 추천이 아닌 학술 및 정보 제공 목적의 분석 글입니다. 과거의 수익률이 미래의 결과를 보장하지 않습니다.
* 단순 보유(Buy & Hold) 수익률(+52.41%)은 분배금(배당) 재투자를 제외한 순수 가격 변동 기준이며, 배당 재투자 시 실질 수익률은 연 5% 내외로 더 높습니다.
* 20일선-60일선은 기술적 분석의 가장 기본 교과서 조합이며, 5-20 단기선 및 20-120 중장기선 등 다양한 이평선 조합의 백테스트 결과는 다음 편에서 심층 비교 검증합니다.