📘 퀀트 투자 공부 13단계

📘 퀀트 투자 공부 13단계

— “파라미터는 ‘정답’을 찾는 게 아니라 ‘안전한 범위’를 정하는 것: Robust 전략 만들기”

12단계에서 워크포워드 검증을 했죠.
이제 전략이 “어떤 시기에 깨지는지”까지 보이기 시작합니다.

그 다음에 초보자들이 바로 하는 생각이 이거예요.

“그럼 파라미터를 더 튜닝해서
깨지는 구간을 없애면 되지 않을까?”

여기서부터 과최적화가 다시 시작됩니다.

13단계의 핵심은 이겁니다.

파라미터의 정답(최적값)을 찾지 말고,
조금 바꿔도 성과가 유지되는 ‘안전한 범위(robust range)’를 찾아라.

이게 실전 퀀트와 백테스트 놀이를 가르는 경계선입니다.

---

1️⃣ “최적 파라미터”가 위험한 이유

예를 들어 이런 결과가 나왔다고 해봅시다.

• lookback = 63일일 때 CAGR 21%
• lookback = 60일일 때 CAGR 12%
• lookback = 66일일 때 CAGR 9%

이건 무슨 뜻일까요?

63이라는 숫자가 특별한 게 아니라,
우연히 딱 맞아떨어진 지점을 잡았다는 뜻입니다.

진짜 원리를 잡은 전략이라면
60~70 정도에서
비슷한 성과가 나와야 합니다.

---

2️⃣ Robust(튼튼한) 전략의 특징

튼튼한 전략은 이런 특징을 가집니다.

✅ 파라미터를 조금 바꿔도 결과가 크게 흔들리지 않는다
✅ 특정 구간에서만 폭발하지 않는다
✅ 워크포워드 구간마다 결과가 고르게 나온다
✅ 거래 횟수/비용이 합리적이다
✅ “왜 되는지” 설명이 가능하다

핵심은 “예쁘게 잘 됨”이 아니라

덜 망가짐입니다.

---

3️⃣ Robust Range를 찾는 방법 (민감도 분석)

민감도 분석은 말이 어려운데,
하는 일은 단순합니다.

파라미터를 여러 값으로 돌려보고
성과가 안정적으로 유지되는 구간을 찾는다.

예를 들어 모멘텀 lookback을
40~120일까지 10일 단위로 돌려봅니다.

그리고 결과를 봅니다.

• 40~60: 성과 나쁨
• 60~90: 성과 안정적으로 좋음
• 90~120: 성과 다시 나빠짐

이렇게 나오면
정답은 “73일”이 아니라

✅ 60~90일 구간이 robust하다
입니다.

---

4️⃣ Robust 파라미터 선택의 기준

반응형

파라미터 범위를 정할 때
퀀트는 이런 기준으로 고릅니다.

✅ 1) 성과 상위 “구간”을 고른다

• 최고점 1개가 아니라
• 상위 20% 정도가 뭉쳐있는 구간

✅ 2) 거래비용이 합리적인 구간

• 성과는 조금 낮아도
• turnover(회전율)가 낮은 구간이 실전에서 더 좋습니다.

✅ 3) 워크포워드에서 일관된 구간

• 특정 시기에만 좋은 구간은 제외

---

5️⃣ (실행 가능한 코드) 파라미터 민감도 분석 예시

아래 코드는 12단계에서 만든 백테스트 함수를 활용해서
lookback 파라미터를 바꾸며 성과표를 만드는 코드입니다.
(샘플 데이터 기반이라 그대로 실행됩니다.)

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, mdd, sharpe

if __name__ == "__main__":
    prices = make_sample_prices()

    rows = []
    for lb in range(40, 121, 10):  # 40~120, 10일 간격
        eq = backtest_mom_topn(prices, lookback=lb, top_n=3, fee_bps=5)
        cagr, mdd, sharpe = stats(eq)
        rows.append({"lookback": lb, "CAGR": cagr, "MDD": mdd, "Sharpe": sharpe})

    df = pd.DataFrame(rows).sort_values("Sharpe", ascending=False)
    print(df)

✅ 이 결과에서 “1등”을 고르지 마세요.
대신, 상위권에 뭉쳐 있는 구간을 찾으세요.

---

6️⃣ Robust 전략을 만드는 실전 팁 3개

✅ 팁 1) 파라미터는 둥글게 고른다

63일이 최고면
60일이나 65일 같은 “둥근 값”을 고릅니다.

→ 우연의 최적점을 피하는 가장 쉬운 방법입니다.

✅ 팁 2) 최고 성과보다, 최악 성과를 본다

• 평균이 아니라
• 하위 20% 구간에서 버티는지

이게 실전입니다.

✅ 팁 3) 거래 횟수가 늘면, 성과는 줄어든다

특히 개인 투자자에게
수수료와 슬리피지는 생각보다 크게 작용합니다.

---

7️⃣ 아주 작은 실습 (핵심 과제)

✍️ 과제 13

당신이 만든 전략에서
파라미터 하나만 골라서

• ±10~20% 범위로 바꿔보고
• 성과가 유지되는 구간을 찾으세요.

그리고 이 문장을 쓰세요.

“내 전략의 최적값은 ___이지만,
~ 범위에서도 비슷하게 작동한다.
그래서 나는 ___를 선택한다.”

이 문장을 쓸 수 있다면
당신은 “백테스트 놀이”를 벗어나
실전 퀀트 설계자로 넘어온 겁니다.

---

📌 정리

• 최적값은 위험하다 (우연일 가능성)
• 목표는 정답이 아니라 안전한 범위(robust range)
• 민감도 분석으로 “둔감한 구간”을 찾아라
• 파라미터는 둥글게, 보수적으로
• 거래비용까지 포함해 실전성을 확보해야 한다

---

 

파라미터튜닝,민감도분석,Robust전략,퀀트검증,과최적화방지,워크포워드,백테스트,샤프지수,MDD,시스템투자