Slippage Modeling in Production: A Practical Framework

Date: 2026-02-21
Category: finance / execution / research

Why this matters

백테스트가 실제 운용으로 넘어갈 때 가장 크게 깨지는 지점 중 하나가 슬리피지다.
특히 중소형 알파에서 신호 자체는 유효한데 체결 비용이 기대수익을 잠식하는 경우가 흔하다.

핵심은 “고정 bps 차감”에서 벗어나, 아래 4가지를 분해해서 모델링하는 것이다.

1. Half-spread cost (즉시성 대가)
2. Temporary impact (짧은 시간대 충격)
3. Permanent impact (정보/재고 전달 효과)
4. Fill uncertainty (부분체결/미체결로 인한 기대값 왜곡)

1) 슬리피지의 기본 분해

의사결정 시점의 mid를 (m_0), 실제 체결가를 (p_{fill}), 수량을 (Q)라 두면:

• Buy 기준 실행비용(통화 단위): [ C = Q \cdot (p_{fill} - m_0) ]

• bps 기준 비용: [ c_{bps} = 10^4 \cdot \frac{p_{fill} - m_0}{m_0} ]

실무에선 기대비용을 아래 형태로 쪼개면 안정적이다. [ \mathbb{E}[c_{bps}] = c_{spread} + c_{temp} + c_{perm} + c_{timing} ]

여기서 timing은 “신호 발생~주문 집행까지 지연”에 따른 드리프트를 뜻한다.

2) 실행비용의 1차 실무 모델

2.1 선형 + 제곱근 혼합 모델

운용에서 자주 쓰는 형태: [ c_{bps} = a + b \cdot \frac{q}{ADV} + d \cdot \sigma \sqrt{\frac{q}{ADV}} + \epsilon ]

• (q): 해당 슬라이스(또는 하루) 체결 수량
• (ADV): 평균 일 거래량
• (\sigma): 일중 변동성 (또는 단기 realized vol)
• (a): 고정비(half-spread, fees 등)
• (b): 선형 유동성 소모 항
• (d): square-root impact 강도

해석 팁

• 소량/고유동 구간: (a)가 지배적
• 중간 구간: 선형 항이 커짐
• 대량/이벤트 구간: (\sqrt{q/ADV}) 항이 급격히 중요

2.2 상태 변수 추가

같은 주문 크기라도 시장 상태에 따라 비용이 크게 달라진다.

권장 설명변수:

• 상대 스프레드 (spread / mid)
• 주문장 깊이(Top N levels notional)
• 단기 변동성
• 체결 시각(오픈/클로즈/점심)
• 뉴스/이벤트 더미
• 본인 참여율(Participation rate)

3) Fill 모델을 반드시 분리

슬리피지 연구가 흔히 실패하는 이유는 “체결됐다고 가정”하는 데 있다.

3.1 왜 분리가 필요한가

신호가 좋아도 미체결 비율이 높으면 실제 PnL은 달라진다.

• 높은 alpha 구간일수록 반대로 체결이 어려운 경우가 많음
• 결과적으로 백테스트가 체결 선택편향(selection bias)을 가질 수 있음

3.2 최소 구현

• Fill probability model: (P(fill | x))
• Conditional cost model: (c_{bps} | fill=1)

최종 기대비용: [ \mathbb{E}[c] = P(fill)\cdot \mathbb{E}[c|fill] + (1-P(fill))\cdot c_{miss} ]

여기서 (c_{miss})는 미체결로 인한 기회비용(다음 바 재진입 비용 등).

4) 데이터 파이프라인 설계 (실전)

4.1 최소 이벤트 스키마

주문 단위로 아래를 저장:

• decision_ts, submit_ts, ack_ts, fill_ts
• side, qty, limit/market, tif
• decision_mid, submit_mid, fill_price
• spread, top-of-book depth, intraday vol
• queue position proxy (가능하면)
• filled_qty, cancel_qty, replace_count

4.2 산출 지표

• Decision-to-fill slippage (권장 기본 KPI)
• Arrival cost, Implementation shortfall
• Fill ratio, time-to-fill
• Participation vs cost curve

5) 캘리브레이션 루프

1. 종목군/유동성 버킷 분리 (large/mid/small)
2. 최근 20~60 거래일 롤링으로 파라미터 추정
3. Out-of-sample로 비용 예측오차 모니터링
4. 예측오차가 임계치 넘으면 파라미터 재학습
5. 전략 포지션 사이징에 비용분포(평균+상위분위) 반영

중요: 평균 비용만 쓰지 말고, 75~95% 분위 비용도 risk budget에 반영.

6) 리스크 제어 규칙 예시

• 예상 비용이 기대알파의 40% 초과 시 주문 축소
• 참여율 상한 동적 조정: 변동성 급등 시 cap 하향
• 장 오픈/클로즈 특정 구간은 별도 모델 사용
• 미체결 누적 시 “추격 금지” 규칙으로 체결 강도 제한

7) 백테스트 통합 체크리스트

• 신호 생성 시점과 주문 시점을 분리했는가?
• 체결 확률을 모델링했는가?
• 비용을 유동성/변동성 상태에 조건부로 추정했는가?
• 비용 분포의 꼬리(상위 분위)를 반영했는가?
• 실계좌 체결 로그로 주기적 재보정 중인가?

8) 실무 결론

슬리피지 모델은 “정답”보다 “운영 가능한 오차관리 시스템”이 핵심이다.

• 단순 고정 bps 모델은 초기 sanity check에만 사용
• 실제 운용은 상태조건부 비용 + fill 분리 + 롤링 재학습이 최소요건
• 전략 품질보다 실행 품질이 PnL을 결정하는 구간이 분명히 존재

결국 실행비용 모델은 백테스트 장식이 아니라, 사이징/주문강도/리스크 한도를 통제하는 운영 엔진이다.