CHAPTER 07 / SECTION 07
7.7 요약
작은 특성 집합으로 시작해 기준 모델과 비교하고 시점 정합성을 확인합니다.
입력 열마다 맡기는 일이 다르다
지난주 2% 오른 두 펀드를 다시 비교한다. 한 펀드는 꾸준히 올랐고 다른 펀드는 급락 후 회복했다. 가격 수준의 안정성이 떨어지거나 관계가 바뀌었다면 정상성·구조 변화 진단으로 먼저 확인한다. 칼만 기울기나 경로 시그니처는 상승 과정이 달랐음을 보여 준다. 적합한 조건부 변동성은 그 경로의 충격이 다음 날 위험에 얼마나 남을지 추정한다.
변동성 추정 중심이 같아도 예측 구간 폭이 다르면 확신이 다르다. 스트레스 확률은 위험이 되돌아올 수 있는 시장 환경의 일부인지 설명한다. 마지막으로 같은 시점의 순위나 벤치마크 대비 값은 위험이 해당 종목에 특이한지, 시장에 넓게 퍼졌는지 구분하는 데 쓰인다.
| 특성군 | 작은 출발점 | 함께 보관할 정보 |
|---|---|---|
| 진단 | 이동창 정상성 통계량 또는 변화 경보 | 창 길이, 사용한 검정 설정, 실제 경보 시각 |
| 신호 변환 | 칼만 기울기 또는 후행 주기 강도 | 사용 관측 시각, 적합 시각 |
| 변동성 | 조건부 변동성 및 필요하면 지속성 | 단위, 수렴과 장기 분산 유효 여부 |
| 불확실성 | 예측 구간 폭 | 구간 수준, 예측 기간, 표본 외 포함 비율 |
| 국면 | 필터링 스트레스 확률 | 상태 이름 기준, 재적합 버전 |
| 횡단면·패널 | 변동성 백분위 또는 시장 대비 차이 | 비교 집단과 누락 기준 |
먼저 작은 비교에서 추가 가치를 확인한다
직접 계산한 수익률과 실현변동성을 쓰는 기준 모델에 조건부 변동성 한두 개, 국면 확률 하나, 신호 변환 하나, 필요한 상대 비교를 제한적으로 추가한다. 예를 들어 실현변동성, 조건부 변동성, 스트레스 확률이 모두 같은 급락일에 오르면 셋이 서로 비슷한 정보를 주는지 확인한다. 후보를 한꺼번에 넣어 점수가 올라도 어느 열이 기여했는지는 알기 어렵다.
- 비교 조건 고정예측 기간, 거래 시각, 비용과 평가 구간을 맞춘다.
- 학습과 출력과거 창에서 적합하고 다음 구간은 당시 자료로만 갱신한다.
- 추가 가치 확인겹치는 열을 빼 보고, 다른 기간에서도 이점이 남는지 확인한다.
평가에서 불확실성이 높은 날, 국면 전환기, 거래 가능 종목이 크게 바뀐 날을 따로 살핀다. 좋은 점수가 특정 시기에만 나타나거나 계산 지연 때문에 주문 전에 쓸 수 없다면 추가 비용을 감수할 이유가 약하다. 이후 텍스트를 숫자로 바꿀 때도 같은 원칙을 적용한다. 문서가 도착한 시각, 시간이 지나며 정보가 약해지는 방식, 문장을 벡터로 바꾸는 Embedding Model(임베딩 모델)의 학습 시점과 버전이 특성의 사용 가능 범위를 정한다.