LEARNING TRACK / ML4T
Machine Learning for Trading(트레이딩을 위한 머신러닝)
프로세스가
곧 우위다.
시장은 변하고 하나의 전략은 약해집니다. 데이터를 기반으로 전략을 연구하고, 검증하고, 운용하며 변화에 맞춰 다시 살펴봅니다.
우위인지 판단하려면, 먼저 검증해야 합니다.
연구 과정 살펴보기Stefan Jansen, 『Machine Learning for Trading』의 메시지를 바탕으로 연구의 과정을 이어 갑니다.
데이터 인프라를 바탕으로 연구 틀에서 특성 공학으로 이어집니다. 특성 공학과 모델 개발, 모델 개발과 전략 설계는 각각 양방향으로 반복합니다. 전략 연구는 조정과 평가를 구분하는 증거 경계를 지나 배포와 모니터링으로 이어집니다. 운용 결과는 연구에 피드백되며 재학습, 중지, 폐기를 판단합니다.
전략 연구
검증의 증거 경계
탐색과 최종 평가를 구분
운용 결과를 연구에 반영 · 재학습 / 중지 / 폐기
ML4T 소개 영상
YouTube에서 보기THE RESEARCH CYCLE
읽는 것에서
실행하는 것까지
데이터 인프라는 연구와 운용을 뒷받침합니다. 연구 틀을 정한 뒤 특성 공학, 모델 개발과 전략 설계를 반복하고, 탐색과 최종 평가를 구분한 뒤 배포와 모니터링으로 이어 갑니다.
- 01
연구 틀
질문과 거래 조건, 평가 기준을 정합니다.
- 02
특성 공학
데이터를 거래 판단에 쓸 입력으로 만듭니다.
- 03
모델 개발
신호를 만들고 시간 순서에 맞춰 평가합니다.
- 04
전략 설계
신호를 비용과 위험을 고려한 거래로 연결합니다.
특성 공학, 모델 개발과 전략 설계는 서로 영향을 주며 반복됩니다. 배포 후 결과는 재학습·중지·폐기 판단과 다음 연구에 반영됩니다.
VALIDATION / 검증
좋은 결과보다
믿을 수 있는 검증.
과거에 잘 맞았다는 사실만으로 전략의 우위를 판단하지 않습니다. 연구 과정의 선택과 검증 조건을 기록하고, 보지 않은 데이터와 현실적인 거래 조건에서 아이디어가 견디는지 살펴봅니다.
시간 순서를 지키고
당시에 알 수 없었던 정보가 검증에 섞이지 않도록 살핍니다.
탐색과 확증을 나누고
아이디어를 조정하는 자료와 최종 평가를 위해 남겨 둔 자료를 구분합니다.
실행 조건까지 확인합니다
거래비용과 위험을 반영하고 여러 시장 상황에서 전략을 점검합니다.
FROM KNOWING TO DOING
끝까지 이어 가는
사람의 차이
1 / 10,000
저는 전체 투자자 중 이 모든 과정을 읽고 직접 진행하는 사람은 만 명 중 한 명 정도일 것이라 생각합니다. 지식을 끝까지 자신의 연구와 실행으로 연결하는 일은 그만큼 드뭅니다.
A LASTING PRACTICE
알파보다
중요한 질문
제가 Alpha(알파)를 찾았는지에 관해 이야기하지 않겠습니다. 다만 다른 연구자들이 공개한 알파의 가능성과 그 검증 결과는 함께 살펴보겠습니다.
예를 들어 Stefan Jansen의 『Machine Learning for Trading』에 소개된 US Firm Characteristics(미국 기업 특성) 사례는 기업 특성을 활용해 미국 주식의 신호를 연구합니다. 책에서 선택된 50개 종목의 동일가중 전략은 검증 구간에서 Sharpe ratio(샤프 비율) 2.75, 별도의 2016년 보유구간에서 1.77을 기록했습니다.
공개된 신호의 지속성은 별도로 검증해야 합니다. McLean과 Pontiff(2016)의 연구에서는 공개된 97개 주식 수익률 예측변수로 구성한 포트폴리오의 수익률이 논문 발표 이후 원래 연구 표본 대비 평균 58% 낮았습니다. 이 수치는 US Firms 사례 하나의 하락률이 아니며, 연구 표본 밖에서의 약화와 발표 이후의 변화가 함께 반영된 결과입니다.
시장과 경쟁 환경이 바뀌면 발견한 우위도 약해질 수 있습니다. 중요한 것은 한 번의 발견에 머무르지 않고, 새로운 가능성을 찾고 검증하며 그 결과를 꾸준히 점검하는 것입니다.