개요

본 전략은 이동평균선 지표와 머신러닝의 kNN 알고리즘을 결합하여 거래 신호를 생성하는 실험적 퀀트 트레이딩 전략입니다. 이 전략은 서로 다른 주기의 VWMA 이동평균선 교차를 이용하여 추세 방향을 판단하고, MFI와 ADX 두 지표를 kNN 알고리즘을 통해 신호를 필터링하여 신뢰성을 높입니다.

전략 원리

이 전략의 핵심 지표는 서로 다른 파라미터를 가진 두 개의 VWMA 이동평균선, 즉 빠른선과 느린선입니다. 빠른선이 느린선을 상향 돌파하면 매수 신호, 빠른선이 느린선을 하향 돌파하면 매도 신호가 발생합니다. 또한, 이 전략은 MFI와 ADX 두 보조 지표를 도입하여 kNN 분류 알고리즘을 통해 현재 시장 상황에서 해당 신호의 신뢰성을 판단합니다.

kNN 알고리즘의 개념은 새로운 데이터를 과거 데이터와 비교하여 가장 가까운 k개의 과거 데이터에 해당하는 결과를 판단하고, 이 k개의 과거 결과를 다수결 방식으로 분류하는 것입니다. 본 전략은 MFI와 ADX를 kNN 알고리즘의 두 입력 파라미터로 사용하여, 이 두 지표 조합 시의 과거 가격 움직임(상승 또는 하락)을 판단함으로써 현재 신호를 필터링하여 신호 품질을 높입니다.

전략 장점

• VWMA의 추세 추종 능력을 활용하여 이동평균선 교차로 매매 포인트 생성
• MFI 및 ADX 지표를 적용하여 다차원 특징 추출, 추세 방향 판단 보조
• kNN 머신러닝 알고리즘을 활용한 거래 신호 동적 최적화 및 필터링
• 실험적 전략으로 개발 여지가 크며, 더 많은 데이터를 통한 검증 및 최적화 필요

위험 및 대책

• VWMA 이동평균선은 지연 문제가 발생하기 쉬움
• MFI와 ADX는 어느 정도 지연성을 가지며 시장 상황을 잘못 판단할 수 있음
• kNN 알고리즘 파라미터 설정(k값 선택 등)이 결과에 큰 영향을 미침
• 실험적 성격의 전략으로 실제 거래에서 성과가 좋지 않을 수 있음

대응 방안:

• 이동평균선 파라미터 조정으로 지연 정도 완화
• 지표 알고리즘 개선으로 추세 판단 정확도 향상
• kNN 알고리즘 파라미터 최적화로 적합도 개선
• 백테스팅 및 모의 거래를 통한 전략 검증

최적화 방향

본 전략은 최적화 여지가 많습니다:

• 더 많은 이동평균선 지표 추가, 이동평균선 조합 구성
• MACD, KDJ 등 다양한 보조 지표 시도
• kNN 알고리즘 개선(예: 다른 거리 측정 방식 사용)
• SVM, 랜덤 포레스트 등 다른 머신러닝 알고리즘 시도
• 파라미터 최적화를 통한 최적 조합 탐색

더 많은 지표와 머신러닝 알고리즘을 도입함으로써 전략의 안정성과 수익률을 더욱 향상시킬 수 있을 것으로 기대됩니다.

요약

본 전략은 VWMA 이동평균선 지표와 kNN 머신러닝 알고리즘에 기반한 실험적 퀀트 트레이딩 전략입니다. 추세 추종 능력이 비교적 강력하면서도 머신러닝을 통한 신호 필터링 기능을 갖추고 있습니다. 이 전략은 발전 가능성이 넓으며, 더 많은 특징과 알고리즘 최적화를 도입함으로써 더 나은 성과를 낼 수 있을 것으로 예상됩니다. 그러나 새로운 전략인 만큼 일부 위험이 존재하므로 추가 검증과 개선이 필요합니다. 전반적으로 이 전략은 큰 혁신 가능성을 가지고 있습니다.