16.10 요약

같은 검증 기록을 네 단계로 나눠 읽기

검증 샤프가 2를 넘은 미국 주식 전략도 시험에서 음수가 됐다. 반대로 시험에서 양수였던 옵션 전략은 같은 방식의 단순 기준선에 뒤졌다. 두 결과를 구분하려면 예측 순위, 계좌 구성, 비용과 위험, 뒤 기간의 기준선 비교를 각각 남긴다.

1. 일간 IC와 구간별 부호로 신호 확인
2. ↓같은 신호에서 종목 수와 비중 비교
3. ↓상품별 체결 비용과 주문 규모 반영
4. ↓미사용 기간에서 기준선과 오차 범위 비교

시험에서 처음 약해진 단계를 찾아 다음 연구의 변경 대상을 정한다.

최고 모델군의 일간 IC는 이 실험에서 약 +0.08 수준이었다. 근소한 상위권 차이는 일별 수익률을 짝지어 다시 뽑으면 흔히 표본 오차 안에 들었다. 예측을 평균하면 구간별 변동을 줄일 수 있지만 하나의 시장 요인에 공통으로 의존하는 경우 이점이 작다. 신호가 유지돼도 주문이 잦거나 대량 체결이 어렵다면 같은 이익을 남기기 어렵다.

최종 시험의 양수 결과에 붙은 조건

미국 기업 특성, CME와 ETF는 검증과 가까운 양의 시험 점 추정치를 냈다. 미국 기업은 소형주 수용력이 제한됐고, CME는 시험 오차가 넓었으며, ETF는 비교 기준에 뒤졌다. 나스닥100 +0.53은 비용을 감당할 종목을 골랐을 때의 값이다. 옵션 +0.97은 좁은 스프레드 계약과 만기 보유 조건에서 나왔다. 미국 주식, 주식·옵션 결합, 암호화폐는 음수로 바뀌었고 FX는 +0.19여도 0과 구분하기 어려웠다.

아홉 결과는 제한된 입력과 고정 모델로 한 차례 평가한 기록이다. 변경하고 싶은 규칙을 찾았다면 주문과 자료가 실제로 가능했던 시각을 기록하고 새 시험을 설계한다. 자금을 투입할 판단에는 그 새 시험과 거래 가능 규모의 검증이 추가로 필요하다.

한 번의 예측에서 연속된 결정으로

여기서는 모델이 수익률을 예측하고 별도의 규칙이 비중을 정했다. Reinforcement Learning(강화학습)은 주문을 나눠 낸 뒤 남은 수량과 체결을 관측하고 다음 주문을 조정하는 문제처럼, 행동에 따라 다음 상태가 달라지는 결정을 다룬다. 재고 위험에 맞춘 헤지나 포지션 규모도 연속된 행동으로 표현할 수 있다.

후속 연구에서는 검색으로 근거를 가져오는 도구, 기업과 상품의 관계를 연결한 지식 그래프, 여러 단계를 실행하는 에이전트와 실거래 시스템을 사용할 수 있다. 도구가 달라져도 거래 당시 쓸 수 있었던 정보, 주문 체결 제약과 남겨 둔 기간의 비교 기록은 같은 방식으로 확인한다.