개요

본 전략은 인공신경망을 이용하여 미래 가격 변동을 예측하고, 예측 결과에 따라 거래 신호를 생성하는 추세 추종 전략입니다. 이 전략의 장점은 복잡한 비선형 추세를 식별할 수 있어 중장기 거래에 적합하다는 점입니다. 그러나 백테스트 결과는 좋지만 실전에서는 효과가 떨어질 위험이 있습니다.

전략 원리

해당 전략은 인공신경망(ANN)을 사용하여 다음 날의 등락률을 예측합니다.

입력층은 과거 하루의 등락률 퍼센트인 단일 입력 노드로 구성됩니다.

은닉층은 2개의 층으로 구성되며, 첫 번째 층은 5개의 노드, 두 번째 층은 33개의 노드로 모두 하이퍼볼릭 탄젠트(tanh)를 활성화 함수로 사용합니다.

출력층은 하나의 출력 노드로, 선형 활성화 함수를 거쳐 최종 예측 결과로 직접 출력됩니다.

예측 결과가 threshold 매개변수 값보다 크면 매수 신호를, threshold 매개변수 값의 음수보다 작으면 매도 신호를 생성합니다.

전략 장점

• ANN 모델을 사용하여 예측하므로 복잡한 비선형 추세를 피팅할 수 있습니다.
• 입력은 하루 데이터만 사용하므로 많은 과거 데이터가 필요하지 않습니다.
• 더 긴 시간 스케일의 추세를 식별할 수 있습니다.
• 여러 은닉층을 사용하여 피팅 능력이 뛰어납니다.
• 활성화 함수와 매개변수가 최적화되어 예측 효과가 좋습니다.

전략 위험

• ANN 알고리즘은 과적합 위험이 있어 실전 성과가 백테스트만 못할 수 있습니다.
• 훈련에 긴 과거 데이터가 필요하므로 최근 상장된 주식에는 적합하지 않습니다.
• 매개변수와 구조를 반복적으로 최적화해야 하며, 효과가 불안정합니다.
• 하루 등락만 예측하므로 장기 추세를 판단할 수 없습니다.
• 시장이 변동성 구간에 진입하면 효과가 나빠질 수 있습니다.

최적화 방향

• 거래량 등 입력 변수 추가
• 다양한 ANN 구조 및 활성화 함수 시도
• ANN 매개변수 최적화로 피팅 정밀도 향상
• 훈련 세트 샘플 크기 증가로 과적합 방지
• 여러 시간 스케일 예측으로 장단기 추세 판단
• 다른 모델과 결합, 앙상블 학습
• 변동성 등 지표를 사용한 리스크 통제 강화

요약

본 전략은 ANN 모델을 이용한 가격 변동 예측으로 복잡한 비선형 추세를 식별할 수 있어 중장기 거래에 적합합니다. 그러나 ANN 모델의 블랙박스 특성은 실전에서 큰 도전 과제가 됩니다. 입력 특징, 모델 구조, 매개변수 최적화, 앙상블 학습 등의 측면에서 최적화해야 하며, 동시에 전통적인 기술적 분석 지표를 보조하여 운영 효과를 높이고 실전 리스크를 낮춰야 합니다. 인공지능 전략은 여전히 전통 전략과 완벽히 결합되어야 최대 효과를 발휘할 수 있습니다.