주식 AI모델 개발진행상황 리포트 - 240314

Peak Chaser 500 모델의 2019~2023 데이타 검증 결과
AI development

안지환

0 • 0 • 2024-03-14 15:08:09.0

1.    Peak Chaser 500의 모델의 Train결과:추가적인 개발을 통해 조금 더 개선된 모델이 도출되었음
 


l 1주일 동안 학습을 통해 새로운 모델을 선정하였음


l 9년간 1032번의매매가 발생하였으며, 1년 평균으로 나누면, 114.6회의매매가 발생하였으며, 승률은 1% 개선됨


1년 평균 매매수

승률

기대수익

기여수익률

114.6

64%

10%

731%

114.6

36%

-10%

-415%

 

 

 

316%

 

l 이전의 모델보다 매매수가 증가한 관계로 일자별 매매가 발생한 수치를 분석하였음




l 동일날짜에 가장 많은 매매가 발생한 횟수는 6회였으며, 해당날의 수는 2일이었음.


 

2.     해당 모델의 매매에 대해서분석차원에서 연간단위로 나누어서, 성과를 측정하였음



l 조건1: 모든 종목은 1/10의비중으로 포트폴리오를 구성한다고 가정함


l 조건2: 10종목이 넘어갈 경우, 자본자입을 통해 포트폴리오를 200%까지 보유한다고 가정


l 조건3: 자본차입에 따른 이자는 없는 것으로 가정함


l 조건4: 성공한 매매는 +10%,실패한 매매는 -10%로 결과가 일괄적으로 발생한 것으로 가정함




3.     해당 모델의 매매를 분석하여발견한 내용


l 발견점 1: Peak Chaser는 시장상황에 따라 영향을받는다


l 발견점 2: 지수가 급등한 시기라고 해서 다른 시기보다더 나은 결과가 나온다는 의미는 아님(급등락 <<완만한상승)


l 발견점 3: 포지션의 유지기간은 이익 매매의 경우가 손실매매의경우보다 평균적으로 짧았음


l 발견점 4: 해당 방식으로 포트폴리오를 운용할 경우, BM인덱스 대비 아웃퍼폼 가능


-      해당년도 별로, 종합주가지수의 종가 수익률과 포트폴리오의 수익률을 비교하여 보았을 때, 상대성과는최소 5.1%에서


     최대 44.7%의 초과수익이 발생한 것으로나왔음



l  발견점 5: 해당 방식으로 선정된 포트폴리오로 현재의 TAIGAN을 보완할수 있는 가능성도 있음


l  기존의 결론으로 도출된모델로 2019년부터 최근자료까지 Test해서 결과를 분석할것


l Test기간 동안 기존의 데이터와통계적으로 벗어나지 않는 결과가 나오는지에 대한 분석할 것


 

4.     최근자료까지의 Test 결과

 




l  해당기간이 코로나가 발발한시점으로 TAIGAN모델의 경우도 잘 맞지 않는 구간이 발생한 시점임을 고려할 필요는 있음


l  그럼에도 불구하고, 시장 대비 부진한 성과를 보였으며, 2020년을 제외하고는 연간단위로도 뚜렷한 성과를 보인 해가


    없었음을 알 수 있음


l  교과서적으로는 Training 데이터와 Test데이터를 분리해서, 검증을 해야 하는데, 그동안 검증해 본 결과 그 내용이 다르지


    않았다는점에 대해서 다른 해석이 필요한지에 대해 고민해봐야 할 것 같음


l  왜냐하면, 그동안 Peak Chaser를 개발하는 과정에서 오랜 기간의 Training기간이 소요되었는데, 이는 다른 말로 바꾸어


    표현하면, 데이터 전반적으로 높은 승률을 올리는 쪽으로 과최적화가 일어났을 수 있다는 의미임


l  , 기존 Training할 때 사용된Data Test에 들어가서 높은 상관계수를 나타냈던 TAIGAN모델의케이스와 동일한 문제가 발생할


    가능성이 있음


l  우리가 도출한 모델이 64%의 승률을 나타낸다고 하지만, 앞으로 우리가 실제 적용되는 시장에서는그 승률이 유지된다고 보기는


    무리가 있지 않는가 하는 결론에 다다르게 됨 [지난번에 활용한 LTPD의 방식을 사용하게 되면, Peak chaser 200모델(사전승률 75%)


    55%, Peakchaser500모델도 (승률64%) 55%로떨어진다고 함]



l  개발자인 신팀장도 최초에나온 거래 Data는 신뢰할 수 없으므로, 무시할 필요가있으며, LTPD수치에 집중해야 한다는 의견


l  결과적으로는 현상황의LTPD 확률(60% 이하)로는독자적으로 활용함에 있어, 효용성이 떨어지는 문제가 발생


 

5. 향후 대응방안


       과최적화를 방지하기 위한 여러가지 제약을 모델을 Training하는데 도입하는 방법


      사전 승률을 신뢰하기보다는 LTPD 승률(Target 65%)을 신뢰하는 방식으로 목표를 높여야 함. , 이경우도 training data


     test data분리를 통해 LTPD의 승률이 나오는지에 대한 검증은필요함


      매매수를 더욱 축소하는 방식으로 제약을 두어서 기존의 확률을 더욱 높이는 매매만 추려내는 방법

Settings

Set your own customized style

Color Scheme

Choose the perfect color mode for your app.


RTL Mode

Switch your language direction

RTL Documentation

Fluid Layout

Toggle container layout system

Fluid Documentation

Navigation Position

Select a suitable navigation system for your web application


Vertical Navbar Style

Switch between styles for your vertical navbar

See Documentation

Like What You See?

Get Falcon now and create beautiful dashboards with hundreds of widgets.

Purchase
customize