실전매매 에서 투자전략을 제대로 사용하는 노하우

전략을 개발하고 연구하다 보면 부족한 부분을 경험으로 채워야 하는 경우가 있습니다.
이런 상황에서 수익을 내는 투자자를 보면, 우리는 "실력이 좋다", "실전 감각이 있다."라고 이야기 합니다.

하지만 전문가의 전략을 연구할 수록 오히려 독이 되는 경우가 있습니다.
많은 분들이 이러한 상황에 좌절감을 느끼고 연구하는 마음가짐을 잃어버리게 됩니다.

오늘은 이러한 상황이 왜 일어 나는지, 또 어떻게 그것을 감지하는지,
그리고 가장 중요한, 어떻게 방지하는지도 알아보겠습니다.


자 이제, 실전매매 에서 투자전략을 제대로 사용하는 노하우를 알아봅시다.




쓸만한 전략이 무력화 되는 이유
​
다양한 채널을 통해 전문가들의 다양한 전략이 공유되고 있습니다.
하지만 같은 전략으로 누구는 큰 수익을, 누구는 손해를 보는 상황은 더 많이 찾아볼 수 있습니다.
덕분에 정말 쓸만한 전략 조차도 저 평가 되고 있습니다.

그 이유는 이들 전략을 도입하는 과정에서 무력화 될 가능성이 크기 때문입니다.
우선, 이러한 상황이 왜 일어 나는지 알아봅시다.


무력화될 가능성이 크다는 것은 일종의 과적합, 즉 오버피팅(over-fitting)의 상황에 처하게 되는 것입니다.
​
여기서 오버피팅이라는 개념은 머신러닝에서의 과적합이라는 상태입니다.
다양한 원인이 있지만 크게 다음 세 가지로 요약해 볼 수 있습니다.​

• 너무 작은 시장 데이터 만으로 판단하는 경우
  
• 스팟성 이벤트로 왜곡된 데이터를 참조하게 되는 경우
  
• 너무 많은 조건을 100% 만족하게 하려는 경우
  

과적합(over-fitting)에 대해서 조금 더 알아보겠습니다.

과적합(Over-fitting))은 학습 데이터에 대해 과하게 학습하여 실제 데이터에 대한 오차가 증가하는 현상입니다.
쉽게 말해 과하게 맞춰져 융통성이 떨어진다고 볼 수 있는 상태입니다.

반대로 언더피팅(Under-fitting)은 너무 대충 맞춰서 error가 많이 발생하는 현상을 말합니다.
이 경우는 스터디가 덜 된 상태인데 대응하기 위한 노력이 좀 더 필요한 것을 한눈에 알 수 있습니다.


overfitting 상황에서는 특정 조건에서 완벽하지만 실제 데이터에서는 매우 많은 에러를 발생합니다.
그럼 어떻게 Just Right 하게 전략을 활용할 수 있는지 알아봅시다.




과적합(over-fitting) 상태 감지하기
​
과적합 상태는 어떻게 감지할 수 있을까요?
트레이딩뷰의 백테스트 기능과 같은 전략적 도구를 활용하면 전략을 더 신속하게 확인하고 점검할 수 있습니다.

​


아래와 같이 전략테스터에서 백테스트 오버뷰를 확인하면 과적합 상태를 검토할 수 있게 되는데,
평소에 수익률 위주로 전략을 고르던 방법과는 조금 다른 측면에서 확인해 보아야 합니다.


수익률이나 수익팩터가 기대수준을 충족한다면, 청산 된 트레이스 수와 평균 봉 수를 더 주의 깊게 보는 것입니다.
보통 다음과 같은 특징이 나타나는지 검토해서 과적화 상태를 감지해볼 수 있습니다.

• 청산된 트레이드 수가 매우 적거나
  
• 거래시 평균 봉 수가 너무 크거나
  
• 최대손실%와 평균거래%가 큰 경우
  

과적합(over-fitting) 상태 방지하기
그렇다면 이러한 전략의 과적합(over-fitting) 상태는 어떻게 방지할까요?
​​

첫 번째로, 테스트하는 기간을 늘려서, 더 많은 데이터를 확보해야 합니다.
​
더 많은 데이터를 참조할 수록 과적합 가능성이 적습니다.
많은 데이터를 대상으로 테스트 하게 되면 자연적으로 특정 상황에만 최적화되는 상황을 최소화할 수 있기 때문입니다.

The more data you get, the less likely the model is to overfit.

​데이터를 충분히 확보하는 것은 전략의 정확도를 높이는 동시에 과적합 가능성을 줄일 수 있는 유용한 방법이기 때문에
가능한 더 많은 기간의 데이터(샘플)를 참조하는 것이 첫 번째 단계가 되어야 합니다.

참고 : 트레이딩 뷰에서 손쉽게 데이터 확보가 가능하고, TV 회원 등급에 따라 참조할 수 있는 범위에 차이가 있습니다.😉




두 번째로, 전략의 특성과 시장 상황을 고려해서 조건을 단순화 합니다.

이미 충분한 데이터를 확보했고 전략의 특성이 잘 나타나는 수치도 찾아냈다면,
종목이나 시장의 상황을 고려하여 전략의 조건 값을 탄력적으로 조정하여 전략을 단순화해줍니다.

On the left, the model is too simple. On the right it overfits.

​
여러분이 타겟으로 하는(혹은 선호하는) 종목이나 시장에 따라 조율하여 적정 값을 찾는 과정에서
반복적으로 가치 판단(Trade-Off)하여 최적 값을 찾는 과정을 거쳤다면 전략의 반응성, 탄력성을 높일 수 있게 됩니다.

여기까지만 따라오셔도 전문가가 직관에 따라 빠르게 판단할 수 있는 것처럼
여러분의 전략은 시장의 변동성에 더 신속히 대응할 수 있도록 준비되어있을겁니다.




세번째로, 가중치를 이용한 정형화를 적용해서 더 실용적으로 만들어 볼 수 있습니다.

물론, 전략을 너무 느슨하게 만들면 안되겠지만,
목표로 하는 시장의 변동성을 포용 할 만큼은 풀어줘야 합니다.

​
그림을 보면서 둘 중 어떤 것이 더 일반적이고 좋은 모델이 될지 생각해보면서 전략을 단순화해 보세요.
이렇게 단순화를 하는 이유는 복잡한 모델이 간단한 모델보다 과적화될 가능성이 높기 때문입니다.

​
이렇게 전략의 핵심요건을 유지하면서 일반적인 상황에서도 활용할 수 있는 전략의 값을 찾아냈다면
전략의 신호를 기반으로 웹훅을 이용한 자동주문으로 체계적인 매매를 하는 것도 고려해볼 수 있겠습니다.




더 깊게 파고들고 싶다면...

전략의 핵심 지표의 수치를 정의하고 사용하는 지점에 가중치를 부여하는 정형화를 시도해볼 수 습니다.
이외에도 벌점(penalty)을 부과하는 것처럼 W에 대한 값이 클 경우에 penalty를 부여하는 방식이 있는데 예를 들면 다음과 같습니다.​


L1 패널티는 가중치의 절대값을 최소화하는 것을 목표로 하고,
L2 패널티는 가중치의 제곱을 최소화하는 것을 목표로 합니다.

​
이러한 접근은 전문분야의 한 영역을 깊이있게 이해해해야하기 때문에 본문에서 이를 온전히 전달하기는 어려울 것입니다.
하지만 소수의 투자자들은 경험적으로 상황에 따라 어떠한 값에 더 비중을 두어야 하고, 어떤 것은 잠시 배제해야 한다는 것을 알고 있습니다.


앞서 표현된 내용들이 적확한 표현은 아닐 수 있으나 쉬운 설명을 위해 비유한 것을 감안하여 양해 바라며, 😉
조금 다르지만 유용한 분야의 지식을 덧대어 보는 것으로 새로운 시각을 전략에 적용해 보는 것을 고려해보시면 좋겠습니다.



마무리

지금까지 충분한 데이터를 수집하고 일반화하여 전체적인 경향을 파악할 수 있는 상태에 이르는 방법을 확인하고 되짚어봤습니다.
그리고 핵심 지표에 가중치를 주는 기준을 정규화하여 매매에 관련된 결정을 더 신속히 내릴 수 있게 되었습니다.


이제부터는 우리가 알아본 것을 더 체계적으로, 의식적으로 실행하여 앞으로의 매매 결정에 통찰력을 더해봅시다.
이 과정이 매우 어려울 수 있다는 것은 인정할 수 밖에 없을 것이지만, 그럼에도 연구를 포기하면 안됩니다.

​
끊임없이 연구를 지속하셔서 꾸준한 수익화를 이루어내시길 응원하겠습니다.
읽어주셔서 고맙습니다!


흔한개발자 🤗😊😎