1.    TAIGAN모델에서 몇 가지 의미 있는 모델에 대해 성과를 측정하여 보았음

l 최초에 운용을 시작한 23년 11월 20일을 기준으로 전일 (24년3월 20일)까지의성과를 측정하여 그래프로 작성

l 모델은 분기별로 별도의 모델을 작성하였으며, 코스피 대비상대 성과에 대해 최적화한 값임

l 모델의 Training한 시기는 2010~2017년의 데이터임

l 전체 29개 item 중에서중요한 가격변수7개를 한 것은 P7, 재무제표 6개를 선택한 것이 F6, 재무지표6개와수급 2개를 반영한 것이 F8,

가격변수2개와 재무지표6개 수급지표2개를선택한 것이 P2F8이라고 명명하였음

l 전체 180개 종목 중에서 상위 랭킹 1위~10위의 종목으로 종목당 10%로포트폴리오를 구성했다고 가정하였음 

l 11월 21일부터성과 측면에서 다양한 흐름을 보이고 있는데, P7 모델의 경우 초기에 큰 폭의 아웃퍼폼을 했으며, 한달 이후로 급속도로

    언더퍼폼하기 시작했으며, 45일간의 언더퍼폼이후에 급속도로 개선을 보이고 있음

l F6와 F8모델은1위부터 10위까지의 종목이 동일하여 동일한 성과를 보이고있음. 해당 모델은 초기부터 부진한 흐름을 보였으나,

     2달이지난 1월 20일 경부터 압도적인 아웃퍼폼을 보였음. 이후 절대수익률 20%를 달성한 이후로는 모멘텀이 둔화되는 흐름임

l 가장 안정적인 ALL모델은 여러 모델 중에서 가장 안정적인성과를 보이는 것으로 볼 수 있으나, BM대비해서는 -1.8% 언더퍼폼을보이고 있음

l 3월 20일현재 기준으로 7개의 모델 종목 중 BM을 아웃퍼폼하고 있는모델은 F6모델과 PM모델에 불과함

l F6모델의 상위권에 포진된 금융업종의 대폭 강세는 Active매니져들이 언더퍼폼하는 시장 환경이었음

2.     PeakChaser 500 개발 진행 상황

l 3월 14일Peak chaser 500모델에 대한 Test를 한 결과, 승률은 55%로 비교적 낮은 승률을 보였음

l 해당 모델의 다시 최적화하는 과정을 거치면서, Train을하는 과정에서 매매수를 축소하는 방향으로 적용하였음

l 학습 시간이 길어짐에 따라 LTPD가 점진적으로 높아지는모델이 발견되었으며, 해당 종목의 Back Testing Data의승률은 70.9%까지

     점진적으로 상승하는 결과를 보였음

l 다만, 이 모델들에 대해서, 코로나 기간이 배제된 2023년~2024년의데이터로 Test했을 때, 지난주 모델에서 나왔던 55%를 상회하여,

           63%까지 승률이 높아지는 모델이 발견되었음

l LTPD의 상승과 함께 실제 Test에서의 승률이 높아지는 모양이 나오는 부분은 여전히 모델의 과최적화가 이루어지지 않고 있다는 것을

    의미한다고할 수 있겠음. 

l 하지만, 가장 최근의 구간에서는 Train기간의 승률을 상승하는데, Test구간의 승률은 소폭 하락하는현상이 발생하고 있으며, 이 부분은

    추가로 LTPD가 올라가는모델을 잡아서 좀더 테스트해 볼 필요가 있다고 보임  

3.     향후 대응방안

l       TAIGAN모델의 세분화된 모델의성과를 통해, 마켓타이밍할 수 있는 가능성에 대해 점검

l       모델의 업데이트 주기를 단축화 하여, P7모델을 활용할수 있는 방안에 대해 고려

l       사전 승률을 신뢰하기보다는 LTPD 승률(Target 65%)을 신뢰하는 방식으로 목표를 높여야 함. 단, 이경우도 training data와 test data분리를

통해 LTPD의 승률이 나오는지에 대한 검증은필요함

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

l      목표수익률을 높이고, 손절폭을 좁히는 과정을 통해 새로운영역에서 좋은 결과가 나올 수 있는지에 대해 검토