📘 퀀트 투자 공부 12단계

📘 퀀트 투자 공부 12단계

— “워크포워드(Walk-Forward) 검증: 전략이 ‘진짜’인지 확인하는 실전 방법”

11단계에서 우리는 과최적화(Overfitting)를 배웠죠.
“백테스트가 예쁜 전략이 실전에서 깨지는 이유”도요.

그럼 이제 남는 질문은 딱 하나입니다.

“이 전략, 과거 말고 미래에서도 버틸까?”

그걸 확인하는 가장 현실적인 방법이
바로 워크포워드(Walk-Forward) 검증입니다.

---

1️⃣ 워크포워드 검증은 왜 필요한가?

보통 초보자는 이렇게 검증합니다.

• 2010~2024 전체 기간 백테스트
• 수익률 괜찮네 → 끝

하지만 시장은
2010년과 2024년이 완전히 다릅니다.

• 금리
• 유동성
• 산업 구조
• 테마 순환
• 투자자 성향

다 바뀌어요.

그래서 퀀트는 이렇게 생각합니다.

“전략은
한 번 잘 되는 게 아니라
시간이 흘러도 계속 살아남아야 한다.”

---

2️⃣ 워크포워드의 핵심 아이디어

워크포워드는 간단히 말하면 이겁니다.

“과거 데이터로 전략을 만들고 →
그 다음 구간에서 검증하고 →
다시 앞으로 이동하며 반복한다.”

즉, 시간을 앞으로 걸어가면서 테스트하는 방식입니다.

---

3️⃣ 워크포워드 구조 예시 (가장 많이 쓰는 형태)

예를 들어 10년 데이터를 가지고 있다면:

• 학습(Train): 3년
• 검증(Test): 1년
• 그리고 1년씩 앞으로 이동

이렇게 됩니다.

반복학습 구간검증 구간

1	2014~2016	2017
2	2015~2017	2018
3	2016~2018	2019
…	…	…

이 과정을 거치면
전략이 “특정 구간에서만” 잘 되는지,
아니면 여러 시기에도 살아남는지가 드러납니다.

---

4️⃣ 워크포워드가 알려주는 진짜 것들

워크포워드는 수익률을 보여주는 게 아닙니다.

워크포워드가 진짜로 알려주는 건 이겁니다.

• 전략이 잘 되는 시기 vs 깨지는 시기
• MDD가 크게 터지는 구간
• 리밸런싱 주기 변경이 필요한 시점
• 전략의 약점이 “시장 국면”인지, “구조적 문제”인지

즉, 전략의 성격과 생존성을 보여줍니다.

---

5️⃣ 워크포워드에서 전략이 ‘좋다’는 기준

반응형

여기서도 “수익률 높으면 좋다”가 아닙니다.

좋은 워크포워드 결과는 이런 특징이 있습니다.

✅ 여러 구간에서 일관되게 플러스
✅ 한두 구간에서만 폭발하지 않음
✅ MDD가 특정 구간에서만 과도하게 커지지 않음
✅ 샤프/소르티노가 구간별로 크게 흔들리지 않음

한마디로:

“운이 아니라, 구조로 돈을 번 느낌”

이게 나옵니다.

---

6️⃣ (실행 가능한 코드) 워크포워드 백테스트 뼈대

아래 코드는 실제로 실행되는 형태로 워크포워드 구조를 보여줍니다.
(여기서는 샘플 가격 데이터 + 모멘텀 상위 N 전략을 그대로 쓰겠습니다.)

import numpy as np
import pandas as pd

def make_sample_prices(n_assets=8, n_days=1500, seed=42):
    rng = np.random.default_rng(seed)
    rets = rng.normal(loc=0.00025, scale=0.012, size=(n_days, n_assets))
    prices = 100 * np.exp(np.cumsum(rets, axis=0))
    dates = pd.date_range("2018-01-01", periods=n_days, freq="B")
    cols = [f"A{i+1}" for i in range(n_assets)]
    return pd.DataFrame(prices, index=dates, columns=cols)

def backtest_mom_topn(prices, lookback=60, top_n=3, fee_bps=5):
    returns = prices.pct_change().fillna(0.0)
    month_ends = prices.resample("M").last().index
    month_ends = [d for d in month_ends if d in prices.index]

    weights = pd.Series(0.0, index=prices.columns)
    equity = 1.0
    curve = []

    for dt in prices.index:
        if dt in month_ends and prices.index.get_loc(dt) >= lookback:
            mom = (prices.loc[dt] / prices.shift(lookback).loc[dt] - 1.0).sort_values(ascending=False)
            pick = mom.index[:top_n]
            target = pd.Series(0.0, index=prices.columns)
            target.loc[pick] = 1.0 / top_n
            turnover = (target - weights).abs().sum()
            equity *= (1 - turnover * (fee_bps / 10_000))
            weights = target

        equity *= (1 + float((weights * returns.loc[dt]).sum()))
        curve.append(equity)

    return pd.Series(curve, index=prices.index, name="equity")

def stats(equity):
    rets = equity.pct_change().dropna()
    cagr = (equity.iloc[-1] / equity.iloc[0]) ** (252 / len(equity)) - 1
    dd = equity / equity.cummax() - 1
    mdd = dd.min()
    sharpe = (rets.mean() * 252) / (rets.std() * np.sqrt(252)) if rets.std() > 0 else np.nan
    return {"CAGR": float(cagr), "MDD": float(mdd), "Sharpe": float(sharpe)}

def walk_forward(prices, train_years=2, test_years=1, step_years=1, **bt_kwargs):
    results = []
    start = prices.index.min()
    end = prices.index.max()

    # 연 단위 윈도우 생성(대략 252영업일 * years로 단순화)
    train_len = int(252 * train_years)
    test_len = int(252 * test_years)
    step_len = int(252 * step_years)

    idx = 0
    while idx + train_len + test_len < len(prices):
        train_slice = prices.iloc[idx: idx + train_len]
        test_slice = prices.iloc[idx + train_len: idx + train_len + test_len]

        # 여기서는 "학습" 구간에서 파라미터를 튜닝한다고 가정할 수 있지만
        # 12단계에서는 우선 고정 파라미터로 '생존성'만 본다.
        eq_test = backtest_mom_topn(test_slice, **bt_kwargs)
        s = stats(eq_test)
        results.append({
            "train_start": train_slice.index[0],
            "train_end": train_slice.index[-1],
            "test_start": test_slice.index[0],
            "test_end": test_slice.index[-1],
            **s
        })
        idx += step_len

    return pd.DataFrame(results)

if __name__ == "__main__":
    prices = make_sample_prices()
    wf = walk_forward(prices, train_years=2, test_years=1, step_years=1, lookback=60, top_n=3, fee_bps=5)
    print(wf.head())
    print("\nSummary:")
    print(wf[["CAGR","MDD","Sharpe"]].describe())

✅ 이 코드는 “워크포워드 검증 결과표”를 만들어줍니다.
구간별 CAGR/MDD/Sharpe가 얼마나 일관적인지 확인할 수 있습니다.

---

7️⃣ 워크포워드 결과를 읽는 법 (진짜 포인트)

워크포워드 결과를 보면
구간마다 성과가 들쭉날쭉합니다.

그때 초보자는 이렇게 생각합니다.

“어? 깨지는데요? 이 전략 별론가?”

아니요.
전략은 항상 깨지는 구간이 있습니다.

중요한 건 이겁니다.

• 깨지는 구간이 짧고, 회복이 빠른가?
• 특정 국면(예: 하락장)에만 깨지는가?
• MDD가 어떤 구간에서만 비정상적으로 커지는가?

이걸 보면
전략의 성격이 보입니다.

---

8️⃣ 아주 작은 실습 (핵심)

✍️ 과제 12

당신의 전략(혹은 모멘텀 상위 N 전략)을 기준으로
워크포워드 검증을 했다고 가정하고
아래 질문에 답해보세요.

1. 가장 성과가 좋았던 구간은 언제인가?
2. 가장 크게 깨진 구간은 언제인가?
3. 깨진 구간은 어떤 시장 환경(하락장/횡보장)이었을까?
4. 그 구간에서 내가 할 수 있는 리스크 장치는 무엇인가?
   • 현금 비중 확대?
   • 손절 트리거?
   • 저변동성/채권 섞기?

여기서부터 퀀트는
“전략 개발”이 아니라
운용 설계로 넘어갑니다.

---

📌 정리

• 워크포워드는 시간이 바뀌어도 전략이 살아남는지 본다
• 한 번 잘 되는 전략보다, 여러 구간에서 버티는 전략이 강하다
• 결과표는 “수익률”보다 “일관성/깨지는 구간/회복력”을 읽는 도구다
• 워크포워드는 과최적화를 잡는 가장 현실적인 검증이다

---

 

워크포워드,퀀트검증,과최적화방지,백테스트,전략검증,리밸런싱,샤프지수,MDD,시스템투자,퀀트공부