주식 AI모델 개발 진행상황
 

2023.11.16

- 11월 13일 안준환 이사와 신팀장과 협의 한 결과

향후의 시도할수 있는 부분은 시총 1,000억 이상의 종목에 대해서, 사계절에대한 모델을 별도로 구성해서, 모델을 최적화 시키는 것이 유용성이 있을 것에 대해 논의 하였음

이유는, 계절성에 따른 실적이 반영되는 부분 및 상대주가의 강도가 반영되는 부분 등이 다른 영향력을 가지고 작용할 수있기 때문임

- 즉, 1사분기 실적의 어닝서프라이즈에 따른 투자전략은 분기가 지속될수록 그 영향력이 줄어드는 것이 당연한 일일 것임

상대주가의 경우도, 1사분기에는 시장대비 아웃퍼폼한 종목들이 우위를 보일 가능성이 큰 데 반해,3사분기로 접어들수록 아웃퍼폼한 폭이 크면 클수록, 되돌림 현상이 나타날 가능성이 크다는것을

예상할 수 있기 때문임

- 퀀트 애널리스트들의전략도 계절별로 변화되는 경우가 있는데, 계절적으로 잘 들어맞는 전략이 있고, 그런 기준에 따른 투자가 어느 시기에는 상당히 높은 확률로 적용되는 경우가 있기 때문임

이런 부분은어떻게 보면, 동일한 데이터에 대해 전혀 다른 로직으로 output을가져오는 경향성을 드러내기 때문에, 계절에 따른 모델을 별도로 학습시킬 경우, 더욱 탁월한 성과를 거둘 수 있을 것이

라는 가정을 할 수 있음

- 현재로서는 분기별로별도의 Training과정을 거쳐서 테스트하였는데 최초의 결과는 데이터량이 줄어든데 따른 과최적화 문제가발생하였음

- 이후, 모델을 다시 조정하는 과정에서 Dropout 기법을 사용하여, 모델의 적합도를 높이는 작업을 하였으며, 분기별로 비교적 일관성있는 예측력을 나타내고 있는 것으로 판단됨

- 계절성을 반영한 4개분기별 모델은 안정적인 예측력을 보이고 있는 것으로 평가할 수 있음

- 동일 모형 중 1사분기를 반영하여 최적화시킨 모델로 2사분기를 예측했을 때도 비교적 양호한 모습이 나왔음

- 현재로서는 분기별로 예측하는 모델이 조금 더 신뢰성이있는 것으로 판단됨

- 추가로 쓸 수 있는 방법은 연간 동일 모델에서 상위에 랭크된 종목과 분기별 상위 랭크된 종목 중 공통되는 종목을 선정하는 방법은 고려해 볼만한 대안이 될 수 있음