새 데이터와 모델 18종으로 승률은 0.35%p 올랐지만 그 차이는 유의하지 않다

세 줄 요약

최고는 T4_daily / ExtraTrees 로 승률 0.6065, 누적 +681틱. 0003 의 채택 후보(0.6030, +663틱)보다 0.35%p 높지만 짝지은 McNemar p=0.688(52:47)이다. 예측이 갈리는 99일에서 동전이다.
사전등록 문턱(p<0.05)에 걸려 H12 미지지.
모델을 10종에서 18종으로 넓혀도 1위는 같은 ExtraTrees 였고, 새로 얻은 것은 승률이 아니라 데이터 축의 정직성이다(누설 카나리아 0건).

무엇을 물었나

H12. 0003 이후 새로 모은 데이터와 늦춘 수급 컷오프를 더한 모델이 0003 의 채택 후보(ExtraTrees와 T0_core, 승률 0.6030)를 넘는가.

H13. 모델 계열 순서(무작위 배깅 트리 > 부스팅 > SVM > 선형)가 18종으로 넓혀도 재현되는가.

그럴듯했던 이유: 0003 은 "가진 데이터 전부" 를 썼지만 그때 우리에게 일봉 호가 12필드, 베이시스, 투자자 평균단가가 없었다(2026-09-15 에 174필드로 신설). 그리고 수급 축은 컷오프 4분을 미실측 마진으로 버리고 있었다.

기호와 데이터

이 문서의 숫자를 읽는 데 필요한 기호는 넷이다.

기호 — 0001~0004 와 같은 정의다.
기호	뜻
`P34`	15:34:00 봉의 현재가 — 제출 시점에 관측된다
`P45`	15:45 동시호가 단일가(그날 종가)
`ref_tick`	`(P45 − P34) / 0.01` — 채점 대상. 0틱 날은 무효일이다
승률	`sign(예측) == sign(ref_tick)` 인 날의 비율. 커버리지 100%(미제출은 오답)

데이터셋 — 피처 아홉 그룹. `g7_`·`g8_` 이 이 실험에서 신설됐다.
그룹	내용	열	결측률	시작
`g1_`	3년 선물 1분봉(모멘텀·변동폭·거래량·미결제)	24	0.2%	2016-12
`g1p_`	10년 선물·커브	6	0.3%	2016-12
`g2_`	장중 투자자 수급(30초) — 컷오프 15:34	28	21.8%	2019
`g3_`	해외 장중(미국채 금리)	10	43.4%	2021
`g4_`	국내 교차자산(IRS·현물·환율·주가)	33	50.9%	2019~2022
`g5_`	체결틱 미시구조	12	63.5%	2023
`g6_`	일별·캘린더(기저율·이벤트)	37	23.3%	2012
`g7_`	선물 일봉 전필드(T-1) — 호가 잔량·건수 비대칭, 매수/매도 성향, 베이시스·저평가·듀레이션, 주체별 (매수−매도) 평균단가	48	0.2%	2012
`g8_`	한은 단순매입 — 당일·전일 여부, D-며칠, 예정액, 응찰배수, 낙찰금리 밴드	6	66.6%	2026-09

g7_ 은 전일(T-1) 값만 쓴다. 일봉 전필드는 종가 기준이고 호가와 기본정보의 관측 시각이 미실측이다. 당일 값을 쓰면 15:34 컷오프에서 관측 불가능한 것을 쓰게 된다. 빌더가 shift(1) 을 구조적으로 강제해 당일 값을 만들 경로가 없다.

어떻게 쟀나

분할은 연도 확장창 워크포워드다. 시험연도 Y 의 모델은 Y 이전 연도로만 학습한다. 티어마다 그룹의 시작 연도가 달라 학습 시작과 시험연도가 다르고, 표본이 다른 티어의 승률을 같은 축에 두지 않는다.

티어 다섯 — 무엇을 넣었나.
티어	그룹	피처	학습 시작	시험	n
`T0_core`	g1 · g1p · g6	67	2017	2019~2026	1,497
`T1_flow34`	+ g2	95	2019	2021~2026	1,136
`T4_daily`	+ g7	115	2017	2019~2026	1,497
`T5_all`	g1 · g1p · g2 · g6 · g7 · g8	149	2019	2021~2026	1,136
`T6_nan`	전 그룹(결측 NaN, 트리만)	204	2017	2019~2026	1,497

하이퍼파라미터는 탐색하지 않았다. 표본이 하루 1행 1,847개다. 비교한 조합 수(티어 × 모델 × 시드 = 264)를 정직하게 센다.

연도 확장창 워크포워드 분할 — 폴드 간트와 티어별 구간 — 위: 최고 티어 `T4_daily` 의 폴드 8개. 짙은 막대가 학습창이고 주황이 그 해 시험창이며 **둘은 겹치지 않는다**. 막대 안 숫자는 그 폴드가 실제로 쓴 일수(학습 344일 → 1,693일로 해마다 길어진다). 아래: 티어 다섯의 학습 시작과 시험 구간이다. `g2_` 가 2019 부터라 수급 티어는 시험이 2021 에 시작한다. 모식도가 아니라 정본 런 `per_day.parquet` 의 `n_train` 을 그대로 그렸다.

학습 세팅 — 표본 일수, 피처 구성, 클래스 균형 — (가) 폴드가 쓴 표본. 학습창은 344→1,693일로 자라고 시험창은 그 해 148~210일이다. (나) 티어별 피처 구성. 67열에서 204열까지 어느 그룹이 더해지나(`g7_` 48열이 `T4_daily` 의 전부다). (다) 클래스 균형. 학습창 상승비율은 0.45~0.48 로 안정적인데 시험창은 0.39~0.51 로 흔들린다. **상수 기준선이 해마다 다른 이유가 이것이고**, 그래서 기준선을 적응 상수(후행 120일 다수 클래스)로 잡았다.

모델 열여덟 종 — 무엇을 학습하는 모델인가

아래 그림은 모두 같은 자리에서 그렸다: 티어 T4_daily(피처 115개), 학습 2017~2025년 1,693행, 시험 2026년. 모식도가 아니라 학습이 끝난 모델 객체에서 읽은 값이고, 그리기 전에 그 모델이 정본 런에 커밋된 확률을 소수점 아래 아홉째 자리까지 다시 내는지 확인한다.

모델 열여덟 종 — 계열, 무엇을 학습하나, 왜 넣었나.
이름	계열	무엇을 학습하나	왜 넣었나
`et` ExtraTrees — 극단적 무작위 트리	배깅트리	트리 400그루를 키우되 분기 지점을 무작위로 뽑아 고른다. 무작위성이 커서 트리끼리 덜 닮고, 평균이 더 매끄럽다.	0003 에서 가장 좋았던 계열이라 기준점으로 넣었다.
`rf` RandomForest — 무작위 숲	배깅트리	트리 400그루를 부트스트랩 표본으로 키우고, 분기마다 피처를 √(피처 수)개만 후보로 본다. 최적 분기를 그 후보 안에서 고른다.	ExtraTrees 와 같은 배깅 계열인데 분기를 무작위가 아니라 최적으로 고른다 — 그 차이가 성적에 나타나는지 본다.
`bag` Bagging — 배깅한 결정트리	배깅트리	깊이 6 결정트리 200그루를 부트스트랩 표본과 피처 70% 로 키워 평균낸다. 무작위 숲에서 '분기 후보 제한' 만 뺀 것이다.	배깅의 효과와 피처 무작위화의 효과를 갈라 보려고 넣었다.
`lgb` LightGBM — 히스토그램 그래디언트 부스팅	부스팅	피처를 미리 구간으로 묶어 빠르게 트리 400그루를 순서대로 키운다. 잎 수(15)로 복잡도를 제한한다.	실무에서 표 데이터의 기본값으로 쓰이는 모델이다.
`xgb` XGBoost — 정규화 그래디언트 부스팅	부스팅	LightGBM 과 같은 부스팅인데 트리를 깊이 우선으로 키우고 손실에 정규화 항을 직접 넣는다.	같은 부스팅이라도 구현이 다르면 성적이 갈리는지 본다.
`hgb` HistGradientBoosting — scikit-learn 히스토그램 부스팅	부스팅	LightGBM 과 같은 계열의 scikit-learn 구현. 피처를 256구간으로 묶고 400회 반복한다.	부스팅 구현 셋을 같은 자리에서 맞대기 위해 넣었다.
`gbdt` GradientBoosting — 고전 그래디언트 부스팅	부스팅	구간으로 묶지 않고 원래 값에서 최적 분기를 찾는다. 느리지만 히스토그램 근사가 없는 기준선이다.	히스토그램 근사가 성적을 깎는지 재려고 넣었다.
`ada` AdaBoost — 적응 부스팅	부스팅	깊이 2 짜리 아주 얕은 트리(그루터기)를 300개 이어 붙이되, 앞에서 틀린 표본의 가중치를 올려 다음 트리를 키운다.	부스팅의 가장 오래된 형태 — 잔차가 아니라 표본 가중치로 배우는 방식이 여기서도 통하는지 본다.
`dt` DecisionTree — 결정트리 한 그루	단일트리	깊이 4, 잎 최소 40일. 조건을 따라 내려가면 예측이 나온다.	앙상블이 트리 하나보다 얼마나 나은지 재는 바닥이다.
`svm_rbf` SVM(RBF) — 방사기저함수 서포트벡터머신	커널·거리	두 반을 가르는 경계를 가장 넓은 여백으로 긋는다. RBF 커널로 굽은 경계도 그을 수 있다.	트리와 전혀 다른 방식으로 경계를 만드는 계열이다.
`svm_lin` SVM(선형) — 선형 서포트벡터머신 + 확률 보정	커널·거리	직선(초평면)으로 가르되 여백을 최대화한다. 확률은 교차검증 보정(Platt)으로 따로 만든다.	같은 SVM 에서 커널만 뺀 대조다.
`knn` k-최근접 이웃 (k=75)	커널·거리	학습을 하지 않는다 — 표를 통째로 기억했다가, 예측할 때 가장 가까운 75일을 찾아 그날들의 방향을 거리로 가중해 투표한다.	'비슷한 날은 비슷하게 끝난다'는 가정만으로 어디까지 가는지 본다.
`log` LogisticRegression — 로지스틱 회귀	선형·확률	피처의 가중합을 로지스틱 함수로 눌러 확률을 낸다. C=0.1 로 계수를 강하게 규제했다.	분류 확률의 표준 기준선이다.
`lin` LinearRegression — 최소제곱 선형회귀	선형·확률	확률이 아니라 틱 변화 자체를 회귀하고 부호를 읽는다. 확률은 잔차 표준편차로 눌러 만든 값이라 보정된 확률이 아니다.	규제가 전혀 없는 선형 바닥이다.
`ridge` Ridge — L2 규제 선형회귀	선형·확률	선형회귀에 계수 제곱 벌점(alpha=10)을 더해 계수를 0 쪽으로 민다.	피처 115개에 표본 1,693행이면 규제가 필요한지 보려고 넣었다.
`enet` ElasticNet — L1+L2 규제 선형회귀	선형·확률	L1(계수를 0 으로 죽인다)과 L2 를 섞은 벌점. 피처 선택이 함께 일어난다.	피처를 줄이는 쪽이 유리한지 보는 자리다.
`gnb` GaussianNB — 가우시안 나이브베이즈	선형·확률	피처마다 상승일·하락일의 평균과 분산만 배우고, 피처끼리 서로 독립이라고 가정해 곱한다.	가장 단순한 확률 모델 — 독립 가정이 이 데이터에서 얼마나 해로운지 재는 자다.
`mlp` MLPClassifier — 다층 퍼셉트론(신경망)	신경망	32칸·16칸 은닉층 두 개를 지나 확률을 낸다. 조기 종료로 과적합을 막는다.	표본이 작을 때 신경망이 트리 앙상블을 이기는지 본다.

배깅트리 — 여러 결정트리를 서로 다른 표본·피처로 따로 키운 뒤 평균낸다. 트리 하나하나는 과적합하지만 평균이 그 흔들림을 깎는다. 이 실험에서는 et · rf · bag 가 여기 든다.

부스팅 — 트리를 순서대로 키운다. 다음 트리는 앞선 트리들이 아직 틀린 부분만 고치도록 학습한다. 트리 하나는 얕고, 수백 그루가 조금씩 더해져 최종 값이 된다. 이 실험에서는 lgb · xgb · hgb · gbdt · ada 가 여기 든다.

단일트리 — 트리 한 그루. 앙상블이 얼마나 벌어 주는지를 재는 바닥 기준으로 넣었다. 구조가 그대로 읽히는 유일한 모델이다. 이 실험에서는 dt 가 여기 든다.

커널·거리 — 피처 공간에서 가까움을 재서 답한다. 트리처럼 축에 수직인 칸을 자르는 대신, 거리나 커널로 매끄러운 경계를 만든다. 이 실험에서는 svm_rbf · svm_lin · knn 가 여기 든다.

선형·확률 — 피처의 가중합 하나로 답한다. 구조가 가장 단순해서, 비선형 모델이 실제로 무엇을 더 벌었는지 재는 자가 된다. 이 실험에서는 log · lin · ridge · enet · gnb 가 여기 든다.

신경망 — 가중합과 비선형 변환을 층으로 쌓는다. 표본이 하루 1행으로 작아 큰 망은 쓰지 않았다. 이 실험에서는 mlp 가 여기 든다.

ExtraTrees — 극단적 무작위 트리 `et`

트리 400그루를 키우되 분기 지점을 무작위로 뽑아 고른다. 무작위성이 커서 트리끼리 덜 닮고, 평균이 더 매끄럽다. 0003 에서 가장 좋았던 계열이라 기준점으로 넣었다.

트리 400그루 · 실제로 닿은 깊이 6~6 · 잎 11~38개. 세팅의 상한과 학습이 실제로 멈춘 자리를 나란히 둔다.

분기 조건·표본 수·잎값을 모델 객체에서 그대로 읽었다. 노드 안 n 은 그 노드를 지난 학습 표본 수다.

마지막 트리 — 부스팅이면 잔차를 마지막으로 다듬는 트리이고, 배깅이면 다른 무작위 표본으로 키운 또 한 그루다.

그림 D · 400그루 전체의 깊이×피처 분기 수
분기 위치 \ 피처	g6_is_auction_day	g1_pos_day	g1_pos_60m	g1_pos_20m	g6_dom	g6_dow	g6_prev_up	g6_is_roll_week	g6_days_to_expiry	g6_rate_CD3개월	g6_rate_CALL1일한은	g6_vol_60d	g1p_f10_ret_20m	g7_basis_국채현물수익률	g7_basis_평균선도금리	g6_prev5_up	g1p_curve_20m	g6_baserate_120d	g6_dflow_증권선물순매수수량	g7_basis_모드듀레이션	g1_ma_dev_60m	g6_dflow_은행순매수수량	g1p_f10_ret_open	g6_rate_통안1년	g1_ret_10m	g1_ret_30m	g6_dflow_개인순매수수량	g1_vol_day	g6_dflow_외국인합순매수수량	g1_ret_1m	g7_ktb_yield	g1p_f10_ret_5m	g7_flow_aggr_share_chg5	g1_ma_dev_20m	g1_ret_60m	g6_baserate_250d	g6_dflow_보험순매수수량	g7_basis_저평가	g1_vol_last30_share	g1_ret_20m	g7_flow_value	g1_ret_5m	g1p_f10_ret_60m	g6_baserate_20d	g6_px_chg_20d	g1_vwap_dev	g7_basis_저평가_chg5	g1p_curve_60m	g6_baserate_60d	g7_flow_aggr_share	g6_vol_20d	g7_flow_trades	g7_basis_이론갭	g1_ret_open	g1_rng_day	g1_rng_60m	g6_is_auction_3y	g1_ret_120m	g6_px_chg_60d	g6_prev_d_tick	g1_oi_chg_60m	g1_rng_20m	g6_prev_abs_ref_tick	g7_vwap_gap_tick	g7_basis_시장베이시스	g7_basis_이론베이시스	g6_prev_ref_tick	g7_range	g7_basis_이론갭_chg5	g1_vol_last5_share	g6_dflow_투신순매수수량	g7_basis_평균선도금리_chg5	g1_oi_chg_day	g7_ob_cnt_ratio	g7_ktb_yield_chg5	g7_vol	g7_vwap_gap_tick_chg5	g7_basis_모드듀레이션_chg5	g7_basis_국채현물수익률_chg5	g7_basis_시장베이시스_chg5	g7_flow_value_chg5	g7_ob_qty_ratio_chg5	g7_ob_cnt_ratio_chg5	g7_flow_trades_chg5	g6_px_chg_5d	g7_oi_chg_chg5	g6_rate_통안1년_chg5d	g7_range_chg5	g7_vol_chg5	g6_is_month_end	g1_gap_open	g6_is_mpc_day	g7_ob_qty_ratio	g6_rate_CALL1일한은_chg5d	g7_oi_chg	g7_invpx_투신_chg5	g7_invpx_투신	g7_invpx_보험_chg5	g7_invpx_은행	g7_ob_top5_ratio_chg5	g7_ob_top5_ratio	g7_invpx_외국인합	g7_basis_이론베이시스_chg5	g6_rate_CD3개월_chg5d	g7_invpx_보험	g7_invpx_은행_chg5	g7_invpx_증권/선물_chg5	g7_invpx_증권/선물	g7_invpx_외국인합_chg5	g7_invpx_연기금	g6_is_quarter_end	g7_invpx_연기금_chg5	합
깊이 0 (뿌리)	33	24	35	30	9	7	2	26	5	3	3	6	12	0	1	3	4	3	5	2	9	1	5	1	6	6	2	1	5	15	0	5	2	7	5	0	1	1	1	6	0	6	5	1	1	1	2	6	3	0	2	0	1	4	2	2	1	1	1	2	7	0	0	1	0	2	1	1	0	0	2	0	5	1	0	0	2	1	0	2	0	2	0	2	1	8	2	1	0	1	1	4	0	0	8	2	0	0	1	0	1	2	1	0	0	1	3	0	0	0	1	0	400
깊이 1	40	45	35	31	21	16	8	33	11	6	9	16	14	18	4	10	6	7	9	9	12	7	9	5	13	12	10	7	6	7	1	14	6	9	6	3	2	4	4	15	2	9	5	4	8	6	10	6	2	8	6	1	2	6	7	4	4	5	6	5	7	4	2	6	3	8	2	5	5	4	2	4	6	5	3	4	2	3	4	2	4	1	4	2	2	10	3	1	6	3	2	7	2	1	4	3	2	1	2	2	0	3	0	2	1	0	0	1	2	2	2	0	762
깊이 2	59	50	42	34	33	27	30	33	19	28	18	23	19	13	22	17	22	11	8	18	21	15	16	13	17	11	8	10	9	18	16	13	19	10	8	7	7	8	13	9	12	11	19	6	12	12	10	15	4	8	12	8	6	12	13	10	12	15	10	7	9	7	5	8	8	7	7	9	12	9	4	6	9	8	8	9	7	11	6	5	3	7	1	8	2	6	3	6	8	2	6	12	5	3	7	3	6	4	1	1	4	1	1	6	1	5	6	4	2	0	3	0	1,269
깊이 3	84	58	61	51	37	37	36	40	26	33	30	33	28	27	23	32	23	22	18	26	24	24	20	21	24	28	17	14	10	17	18	22	23	20	20	31	18	20	21	16	22	15	15	23	19	14	12	15	15	14	19	16	19	14	12	19	14	14	10	20	9	19	15	12	12	7	7	12	14	8	13	13	13	9	14	5	11	10	11	9	10	12	12	6	8	4	7	6	7	7	4	6	6	7	3	10	10	7	3	4	5	6	4	7	6	5	4	7	4	1	2	0	1,867
깊이 4	83	69	50	65	49	40	47	26	45	46	43	30	30	24	38	28	27	36	30	31	31	29	32	37	16	22	38	29	37	22	24	24	25	28	27	26	33	29	32	13	22	16	22	23	19	20	23	17	25	25	17	19	23	16	17	20	19	15	22	18	17	10	18	20	16	18	23	15	11	21	15	14	14	14	17	15	13	19	21	16	14	13	7	11	12	10	17	16	8	15	13	7	7	10	5	9	5	13	8	11	8	7	10	4	11	4	7	5	4	3	0	3	2,393
깊이 5	93	71	56	64	54	67	68	23	52	36	48	37	23	44	38	35	42	43	50	32	19	40	32	35	32	24	28	41	35	21	40	20	23	23	28	26	32	31	20	28	28	28	17	23	21	26	22	19	29	23	21	33	24	22	20	15	20	19	20	16	18	26	26	18	24	21	22	20	20	19	25	23	11	21	16	24	22	12	14	20	21	15	25	20	22	9	12	11	11	11	12	1	17	15	9	9	8	6	12	9	8	7	10	6	5	9	3	4	5	3	0	0	2,717
분기 합	392	317	279	275	203	194	191	181	158	152	151	145	126	126	126	125	124	122	120	118	116	116	114	112	108	103	103	102	102	100	99	98	98	97	94	93	93	93	91	87	86	85	83	80	80	79	79	78	78	78	77	77	75	74	71	70	70	69	69	68	67	66	66	65	63	63	62	62	62	61	61	60	58	58	58	57	57	56	56	54	52	50	49	49	47	47	44	41	40	39	38	37	37	36	36	36	31	31	27	27	26	26	26	25	24	24	23	21	17	9	8	3	9,408

어느 깊이에서 어느 피처가 몇 번 갈랐나(그루 400개 합).

RandomForest — 무작위 숲 `rf`

트리 400그루를 부트스트랩 표본으로 키우고, 분기마다 피처를 √(피처 수)개만 후보로 본다. 최적 분기를 그 후보 안에서 고른다. ExtraTrees 와 같은 배깅 계열인데 분기를 무작위가 아니라 최적으로 고른다 — 그 차이가 성적에 나타나는지 본다.

트리 400그루 · 실제로 닿은 깊이 6~6 · 잎 15~36개. 세팅의 상한과 학습이 실제로 멈춘 자리를 나란히 둔다.

분기 조건·표본 수·잎값을 모델 객체에서 그대로 읽었다. 노드 안 n 은 그 노드를 지난 학습 표본 수다.

그림 D · 400그루 전체의 깊이×피처 분기 수
분기 위치 \ 피처	g1p_f10_ret_open	g1p_f10_ret_20m	g1_oi_chg_60m	g1_pos_day	g7_oi_chg_chg5	g7_flow_value	g1p_curve_20m	g7_vol_chg5	g6_dflow_개인순매수수량	g7_vwap_gap_tick_chg5	g7_invpx_보험	g6_px_chg_20d	g6_dom	g1_oi_chg_day	g7_flow_trades_chg5	g7_oi_chg	g7_flow_aggr_share_chg5	g6_days_to_expiry	g6_vol_60d	g1p_f10_ret_60m	g7_invpx_은행	g1_ret_20m	g7_invpx_투신_chg5	g7_invpx_보험_chg5	g7_invpx_연기금	g7_ob_qty_ratio_chg5	g1_vol_last30_share	g6_dflow_은행순매수수량	g1p_f10_ret_5m	g7_ob_qty_ratio	g1_pos_60m	g1_vol_day	g6_dflow_외국인합순매수수량	g7_flow_value_chg5	g1_ret_30m	g7_vwap_gap_tick	g7_flow_trades	g7_vol	g1_pos_20m	g6_dflow_투신순매수수량	g7_invpx_증권/선물_chg5	g7_flow_aggr_share	g7_invpx_연기금_chg5	g7_ob_top5_ratio	g7_ob_cnt_ratio	g6_rate_통안1년_chg5d	g7_ob_cnt_ratio_chg5	g1_vol_last5_share	g7_basis_평균선도금리	g7_invpx_증권/선물	g6_dflow_증권선물순매수수량	g6_rate_CALL1일한은_chg5d	g1_ret_open	g1p_curve_60m	g6_dflow_보험순매수수량	g6_vol_20d	g6_px_chg_60d	g6_rate_통안1년	g6_rate_CD3개월	g7_invpx_은행_chg5	g6_rate_CALL1일한은	g7_invpx_외국인합	g7_basis_국채현물수익률_chg5	g7_invpx_투신	g7_range_chg5	g1_ret_60m	g1_vwap_dev	g7_basis_모드듀레이션	g7_basis_시장베이시스	g7_invpx_외국인합_chg5	g7_ktb_yield_chg5	g7_basis_이론베이시스	g1_ma_dev_60m	g7_ob_top5_ratio_chg5	g1_ret_120m	g6_baserate_250d	g7_basis_평균선도금리_chg5	g1_ma_dev_20m	g7_basis_시장베이시스_chg5	g7_basis_이론갭_chg5	g6_px_chg_5d	g1_ret_10m	g7_basis_이론갭	g7_ktb_yield	g1_rng_day	g6_baserate_120d	g7_basis_국채현물수익률	g1_gap_open	g6_is_auction_day	g1_rng_60m	g7_basis_저평가_chg5	g1_ret_5m	g7_basis_이론베이시스_chg5	g7_basis_모드듀레이션_chg5	g6_dow	g7_basis_저평가	g7_range	g6_baserate_60d	g1_ret_1m	g6_baserate_20d	g6_prev_ref_tick	g6_rate_CD3개월_chg5d	g1_rng_20m	g6_prev_abs_ref_tick	g6_prev_d_tick	g6_prev5_up	g6_is_roll_week	g6_prev_up	g6_is_auction_3y	g6_is_month_end	합
깊이 0 (뿌리)	21	35	9	16	1	0	14	3	1	3	0	0	1	5	1	2	2	2	3	22	0	27	2	0	1	0	0	1	12	0	24	0	1	1	23	3	0	0	17	1	1	3	1	0	2	1	1	0	1	2	1	0	5	6	0	0	0	0	4	0	0	0	0	1	0	16	8	3	0	0	1	1	24	0	7	0	1	21	1	0	0	10	0	1	0	0	1	0	3	0	0	11	0	0	0	0	0	0	3	0	0	1	1	0	1	0	2	0	0	0	400
깊이 1	30	20	15	15	20	9	15	10	11	17	7	9	10	7	5	7	11	9	7	15	3	24	6	5	10	7	6	7	16	4	17	1	3	8	16	14	5	4	15	3	9	5	5	8	8	3	13	2	4	10	5	2	10	9	2	3	3	6	12	7	3	10	5	6	9	12	8	7	2	4	12	2	6	1	7	3	2	15	4	7	4	7	1	6	9	4	4	4	13	4	5	11	2	4	1	4	2	0	5	2	3	1	4	4	2	2	3	0	0	1	786
깊이 2	22	31	30	35	26	21	21	18	16	10	16	17	18	12	11	15	20	14	12	10	19	17	19	13	12	19	14	15	11	13	11	18	8	14	23	11	8	11	13	16	17	16	21	9	16	15	11	16	11	11	5	14	12	16	11	16	8	12	16	9	14	13	10	11	15	13	19	9	11	10	12	10	14	6	14	7	9	12	12	13	10	13	6	10	10	11	10	14	13	9	12	12	9	9	7	8	6	5	10	6	6	9	2	3	1	4	3	1	0	0	1,375
깊이 3	32	34	32	23	34	26	29	26	27	32	33	26	26	22	32	31	26	28	28	11	31	16	18	23	24	23	26	18	24	27	23	34	20	23	13	19	26	22	11	25	20	29	12	19	15	18	18	19	16	19	20	13	14	18	19	19	24	21	16	19	32	16	22	26	13	12	20	17	21	14	12	21	16	15	13	15	22	12	20	12	21	14	20	15	11	16	10	11	11	18	13	11	9	11	7	9	21	11	8	8	4	4	9	5	7	3	1	3	1	1	2,016
깊이 4	43	33	47	26	30	39	28	39	41	34	32	38	28	24	35	27	32	28	35	35	27	16	32	35	35	23	44	37	22	29	15	23	33	25	16	27	27	31	18	25	26	19	27	31	23	30	27	26	26	30	29	26	26	22	26	23	20	23	24	24	18	27	28	20	25	16	14	28	18	27	24	25	8	24	14	20	12	10	22	19	16	12	23	14	14	13	15	22	13	20	16	9	19	18	15	10	8	14	9	14	10	9	5	10	9	3	1	1	1	1	2,465
깊이 5	34	21	34	41	34	47	29	40	38	35	38	34	38	50	36	37	27	36	31	22	35	13	36	37	29	39	20	32	24	35	17	31	40	34	13	29	35	33	26	30	25	25	31	28	31	27	24	30	35	21	32	37	23	19	31	27	33	26	16	28	19	20	21	21	22	14	14	19	29	26	19	20	10	31	19	29	28	3	14	22	21	14	19	22	23	23	25	12	10	11	16	5	17	13	20	19	10	13	7	12	14	11	9	7	3	8	1	3	2	0	2,609
분기 합	182	174	167	156	145	142	136	136	134	131	126	124	121	120	120	119	118	117	116	115	115	113	113	113	111	111	110	110	109	108	107	107	105	105	104	103	101	101	100	100	98	97	97	95	95	94	94	93	93	93	92	92	90	90	89	88	88	88	88	87	86	86	86	85	84	83	83	83	81	81	80	79	78	77	74	74	74	73	73	73	72	70	69	68	67	67	65	63	63	62	62	59	56	55	50	50	47	43	42	42	37	35	30	29	23	20	11	8	4	3	9,651

어느 깊이에서 어느 피처가 몇 번 갈랐나(그루 400개 합).

Bagging — 배깅한 결정트리 `bag`

깊이 6 결정트리 200그루를 부트스트랩 표본과 피처 70% 로 키워 평균낸다. 무작위 숲에서 '분기 후보 제한' 만 뺀 것이다. 배깅의 효과와 피처 무작위화의 효과를 갈라 보려고 넣었다.

트리 200그루 · 실제로 닿은 깊이 6~6 · 잎 14~35개. 세팅의 상한과 학습이 실제로 멈춘 자리를 나란히 둔다.

분기 조건·표본 수·잎값을 모델 객체에서 그대로 읽었다. 노드 안 n 은 그 노드를 지난 학습 표본 수다.

그림 D · 200그루 전체의 깊이×피처 분기 수
분기 위치 \ 피처	g6_baserate_60d	g1_rng_60m	g6_baserate_120d	g6_prev_abs_ref_tick	g6_rate_CALL1일한은	g1_ret_1m	g1p_f10_ret_5m	g1p_curve_20m	g6_px_chg_20d	g1_n_bars	g6_is_mpc_day	g1_ret_5m	g6_dflow_은행순매수수량	g6_dflow_보험순매수수량	g1_ma_dev_20m	g6_prev5_up	g6_rate_CALL1일한은_chg5d	g6_dflow_증권선물순매수수량	g6_baserate_20d	g6_days_to_expiry	g7_ob_top5_ratio	g7_ktb_yield	g1_pos_60m	g1_vol_last5_share	g6_px_chg_5d	g7_vwap_gap_tick	g1_ret_10m	g1_ret_120m	g1_oi_chg_day	g7_flow_value	g1_vwap_dev	g1p_f10_ret_open	g6_vol_20d	g7_ob_qty_ratio	g7_flow_trades	g7_basis_시장베이시스	g1_vol_day	g6_baserate_250d	g6_is_quarter_end	g6_is_auction_day	g1_pos_day	g1p_f10_ret_20m	g1p_f10_ret_60m	g6_is_auction_3y	g6_dflow_투신순매수수량	g6_us_event_today	g7_range	g1_rng_20m	g1_rng_day	g6_px_chg_60d	g6_dow	g7_oi_chg	g1_ret_20m	g1_ret_30m	g6_prev_up	g6_prev_ref_tick	g6_prev_d_tick	g7_vol	g1p_curve_60m	g6_rate_통안1년	g1_ret_60m	g6_dom	g6_is_month_end	g7_basis_이론베이시스	g1_ma_dev_60m	g6_rate_CD3개월_chg5d	g1_pos_20m	g6_us_event_prev	g1_gap_open	g6_vol_60d	g1_vol_last30_share	g6_is_roll_week	g7_flow_aggr_share	g6_rate_CD3개월	g6_rate_통안1년_chg5d	g6_dflow_외국인합순매수수량	g1_ret_open	g1_oi_chg_60m	g7_ob_cnt_ratio	g6_dflow_개인순매수수량	합
깊이 0 (뿌리)	7	1	4	5	3	2	5	2	2	3	0	2	4	2	5	3	2	6	2	4	2	4	3	2	5	1	4	4	5	0	1	2	3	3	1	2	2	2	1	1	0	2	2	5	5	1	3	3	3	2	4	3	5	1	2	2	1	3	2	0	1	1	2	3	3	4	0	2	4	1	4	1	1	0	4	2	1	1	1	3	200
깊이 1	8	6	11	4	2	5	6	4	4	10	4	12	1	4	2	2	6	4	2	5	7	4	10	6	8	3	5	2	3	6	4	5	5	3	6	4	3	2	4	4	6	3	6	7	6	3	4	9	6	4	2	7	7	3	7	8	4	6	5	6	6	5	4	7	3	6	9	4	5	8	1	4	4	5	4	6	2	5	4	3	400
깊이 2	9	11	6	14	10	12	12	12	10	15	9	6	11	7	11	11	9	7	11	10	17	12	7	12	11	6	10	8	14	13	9	10	9	16	7	11	18	15	4	9	4	11	6	6	6	12	13	11	7	8	9	8	7	12	7	3	10	7	8	7	8	2	8	5	12	3	3	13	8	9	10	5	9	8	7	6	10	7	2	6	724
깊이 3	16	20	23	13	16	15	15	18	17	12	12	13	13	25	20	18	17	12	13	10	10	15	15	8	12	19	12	15	11	14	17	16	12	14	10	13	17	11	14	18	15	11	19	13	13	14	18	9	8	11	15	11	14	16	16	17	10	16	10	12	8	15	9	8	11	15	9	16	12	13	8	9	14	9	14	11	11	6	14	10	1,081
깊이 4	23	24	19	21	22	24	20	19	16	19	24	18	19	19	16	18	21	15	20	22	12	15	11	21	14	18	17	24	18	18	21	16	18	12	23	21	16	13	21	15	23	17	15	19	17	13	10	14	21	15	14	18	14	12	9	15	16	17	18	13	21	19	17	13	9	14	16	9	13	12	13	13	11	17	11	14	14	9	12	12	1,322
깊이 5	21	19	16	20	23	16	16	19	25	14	24	21	24	15	17	19	16	26	21	18	21	19	22	19	18	21	19	14	16	16	14	17	19	18	19	15	9	22	20	17	15	19	15	13	16	19	14	15	16	20	16	13	12	15	18	14	18	10	15	20	13	15	17	21	18	14	18	11	12	11	17	21	14	13	12	12	12	20	12	10	1,351
분기 합	84	81	79	77	76	74	74	74	74	73	73	72	72	72	71	71	71	70	69	69	69	69	68	68	68	68	67	67	67	67	66	66	66	66	66	66	65	65	64	64	63	63	63	63	63	62	62	61	61	60	60	60	59	59	59	59	59	59	58	58	57	57	57	57	56	56	55	55	54	54	53	53	53	52	52	51	50	48	45	44	5,078

어느 깊이에서 어느 피처가 몇 번 갈랐나(그루 200개 합).

LightGBM — 히스토그램 그래디언트 부스팅 `lgb`

피처를 미리 구간으로 묶어 빠르게 트리 400그루를 순서대로 키운다. 잎 수(15)로 복잡도를 제한한다. 실무에서 표 데이터의 기본값으로 쓰이는 모델이다.

트리 400그루 · 실제로 닿은 깊이 4~4 · 잎 5~15개. 세팅의 상한과 학습이 실제로 멈춘 자리를 나란히 둔다.

분기 조건·표본 수·잎값을 모델 객체에서 그대로 읽었다. 노드 안 n 은 그 노드를 지난 학습 표본 수다.

그림 D · 400그루 전체의 깊이×피처 분기 수
분기 위치 \ 피처	g1p_f10_ret_open	g7_vol_chg5	g7_oi_chg_chg5	g6_px_chg_20d	g6_dom	g7_flow_value	g1_vol_day	g7_ob_cnt_ratio	g7_invpx_은행	g6_px_chg_60d	g7_invpx_연기금	g7_invpx_은행_chg5	g7_flow_trades_chg5	g1_oi_chg_day	g6_dflow_은행순매수수량	g7_flow_aggr_share	g7_invpx_증권/선물_chg5	g7_flow_value_chg5	g1_vol_last5_share	g7_oi_chg	g7_invpx_연기금_chg5	g1_vol_last30_share	g1_gap_open	g7_ob_top5_ratio_chg5	g7_invpx_투신_chg5	g1_oi_chg_60m	g6_baserate_120d	g7_vol	g6_dflow_보험순매수수량	g7_invpx_보험	g7_invpx_보험_chg5	g7_flow_aggr_share_chg5	g6_vol_60d	g7_ob_qty_ratio_chg5	g6_rate_CALL1일한은_chg5d	g7_ob_cnt_ratio_chg5	g6_dflow_투신순매수수량	g7_flow_trades	g7_invpx_투신	g1p_f10_ret_20m	g6_dflow_증권선물순매수수량	g7_ob_top5_ratio	g6_days_to_expiry	g6_rate_통안1년_chg5d	g7_ob_qty_ratio	g7_vwap_gap_tick	g7_vwap_gap_tick_chg5	g1_rng_day	g6_dow	g6_is_auction_day	g6_baserate_250d	g7_basis_저평가_chg5	g6_dflow_개인순매수수량	g7_range_chg5	g1_ret_120m	g1_pos_day	g6_dflow_외국인합순매수수량	g6_prev5_up	g6_rate_CD3개월_chg5d	g1p_curve_20m	g7_basis_시장베이시스	g7_basis_국채현물수익률_chg5	g7_invpx_증권/선물	g7_invpx_외국인합_chg5	g1_ret_1m	g1_ret_20m	g6_rate_CALL1일한은	g7_ktb_yield_chg5	g1_ret_open	g1_pos_20m	g6_rate_통안1년	g1_ret_30m	g6_prev_d_tick	g1_ret_10m	g1_pos_60m	g1p_curve_60m	g7_basis_저평가	g1p_f10_ret_60m	g7_invpx_외국인합	g1p_f10_ret_5m	g7_basis_국채현물수익률	g6_baserate_60d	g7_basis_이론베이시스_chg5	g1_rng_20m	g6_px_chg_5d	g7_basis_평균선도금리_chg5	g1_vwap_dev	g7_basis_이론베이시스	g7_basis_시장베이시스_chg5	g7_basis_이론갭_chg5	g6_rate_CD3개월	g7_basis_이론갭	g6_vol_20d	g7_ktb_yield	g1_rng_60m	g7_range	g1_ma_dev_20m	g6_baserate_20d	g6_prev_ref_tick	g7_basis_모드듀레이션	g7_basis_모드듀레이션_chg5	g7_basis_평균선도금리	g1_ret_5m	g1_ret_60m	g6_prev_abs_ref_tick	g1_ma_dev_60m	g6_is_auction_3y	g6_is_mpc_day	g1_n_bars	g6_prev_up	g6_is_month_end	g6_is_quarter_end	g6_is_roll_week	g6_us_event_today	g6_us_event_prev	합
깊이 0 (뿌리)	7	11	18	11	13	9	6	12	2	4	0	3	0	3	4	0	11	11	3	8	11	0	19	5	2	2	20	6	1	4	8	8	0	1	1	2	3	2	0	15	3	0	0	7	2	6	6	2	5	11	0	1	2	1	4	3	2	6	6	3	1	4	0	1	11	7	2	2	1	5	4	6	6	1	3	3	2	3	0	2	2	0	2	0	0	0	0	1	1	0	2	2	1	0	0	0	1	2	0	1	1	2	0	1	0	0	1	0	0	0	0	0	0	0	0	400
깊이 1	20	17	15	9	13	18	9	10	10	14	13	14	8	13	12	12	11	12	9	13	9	15	7	11	12	16	10	8	15	8	6	10	8	3	11	6	9	5	10	4	7	4	7	9	7	7	7	6	6	9	6	5	8	6	7	3	5	7	5	3	3	6	4	3	6	4	6	2	5	4	6	3	7	4	2	6	4	5	5	9	4	1	1	2	1	5	6	2	1	4	3	2	2	2	1	3	2	1	0	1	2	2	1	1	1	2	0	0	0	0	0	0	0	0	0	706
깊이 2	19	22	13	22	26	17	21	15	21	17	21	18	17	16	11	18	12	15	15	11	12	20	10	16	16	11	11	12	14	16	17	10	13	16	10	12	15	13	9	13	19	12	14	9	8	15	10	11	8	6	11	16	12	11	8	8	8	11	6	9	10	5	9	7	5	10	7	6	8	6	5	9	4	6	4	6	6	7	4	5	7	3	6	6	5	4	5	2	3	5	2	1	4	3	4	6	5	3	4	3	4	0	2	3	4	0	0	1	0	0	0	0	0	0	0	1,049
깊이 3	31	27	29	29	15	22	25	23	26	22	23	21	30	22	27	24	20	15	25	20	20	16	14	18	20	20	8	23	18	19	16	18	24	24	21	23	15	22	22	8	11	23	15	11	19	7	12	13	13	6	14	9	8	11	9	14	13	3	10	11	12	11	12	14	2	3	9	14	8	7	7	3	4	9	11	5	8	4	10	2	5	13	8	8	10	7	4	10	10	6	7	9	6	8	6	2	2	4	6	5	3	4	4	2	2	1	0	0	0	0	0	0	0	0	0	1,384
분기 합	77	77	75	71	67	66	61	60	59	57	57	56	55	54	54	54	54	53	52	52	52	51	50	50	50	49	49	49	48	47	47	46	45	44	43	43	42	42	41	40	40	39	36	36	36	35	35	32	32	32	31	31	30	29	28	28	28	27	27	26	26	26	25	25	24	24	24	24	22	22	22	21	21	20	20	20	20	19	19	18	18	17	17	16	16	16	15	15	15	15	14	14	13	13	11	11	10	10	10	10	10	8	7	7	7	3	1	1	0	0	0	0	0	0	0	3,539
손실 감소(gain) 몫	2.8%	2.1%	2.1%	2.2%	2.2%	1.9%	1.8%	1.5%	1.6%	1.5%	1.5%	1.5%	1.6%	1.4%	1.5%	1.3%	1.4%	1.4%	1.2%	1.4%	1.3%	1.5%	1.2%	1.3%	1.3%	1.4%	1.2%	1.3%	1.2%	1.1%	1.2%	1.4%	1.1%	1.2%	1.1%	1.1%	1.1%	1.1%	1.1%	2.1%	1.1%	1.0%	1.0%	1.0%	0.9%	1.0%	1.0%	0.9%	0.9%	1.3%	0.7%	1.0%	0.8%	0.7%	0.8%	0.9%	0.7%	0.7%	0.7%	0.8%	0.7%	0.7%	0.7%	0.7%	0.6%	1.2%	0.6%	0.6%	0.6%	0.8%	0.6%	0.9%	0.5%	0.6%	0.7%	0.6%	0.5%	0.5%	0.5%	0.8%	0.5%	0.5%	0.4%	0.4%	0.4%	0.5%	0.6%	0.4%	0.4%	0.4%	0.4%	0.4%	0.3%	0.3%	0.3%	0.3%	0.4%	0.3%	0.2%	0.2%	0.2%	0.2%	0.2%	0.2%	0.2%	0.1%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	100%

어느 깊이에서 어느 피처가 몇 번 갈랐나(그루 400개 합).

XGBoost — 정규화 그래디언트 부스팅 `xgb`

LightGBM 과 같은 부스팅인데 트리를 깊이 우선으로 키우고 손실에 정규화 항을 직접 넣는다. 같은 부스팅이라도 구현이 다르면 성적이 갈리는지 본다.

트리 400그루 · 실제로 닿은 깊이 4~4 · 잎 5~16개. 세팅의 상한과 학습이 실제로 멈춘 자리를 나란히 둔다.

분기 조건·표본 수·잎값을 모델 객체에서 그대로 읽었다. 노드 안 n 은 그 노드를 지난 학습 표본 수다.

그림 D · 400그루 전체의 깊이×피처 분기 수
분기 위치 \ 피처	g7_vol_chg5	g7_flow_value	g7_oi_chg_chg5	g6_px_chg_20d	g7_flow_aggr_share_chg5	g7_flow_trades_chg5	g6_px_chg_60d	g1p_f10_ret_open	g6_dom	g7_invpx_은행	g6_dflow_은행순매수수량	g7_invpx_은행_chg5	g1_vol_last5_share	g1_vol_day	g6_baserate_120d	g7_invpx_보험_chg5	g7_ob_cnt_ratio_chg5	g7_invpx_보험	g1_oi_chg_day	g1_gap_open	g7_flow_value_chg5	g7_ob_cnt_ratio	g7_flow_aggr_share	g1_oi_chg_60m	g7_invpx_연기금	g7_invpx_투신_chg5	g1_vol_last30_share	g6_dflow_개인순매수수량	g7_oi_chg	g7_invpx_연기금_chg5	g7_ob_top5_ratio	g6_rate_CALL1일한은_chg5d	g1_pos_day	g6_dflow_보험순매수수량	g6_vol_60d	g6_dflow_투신순매수수량	g7_ob_top5_ratio_chg5	g7_vwap_gap_tick	g1p_f10_ret_20m	g7_ob_qty_ratio	g7_vol	g7_invpx_증권/선물_chg5	g6_dflow_증권선물순매수수량	g7_ob_qty_ratio_chg5	g7_basis_국채현물수익률_chg5	g1_rng_day	g6_rate_CALL1일한은	g6_dow	g7_vwap_gap_tick_chg5	g6_prev5_up	g6_is_auction_day	g6_dflow_외국인합순매수수량	g1_ret_30m	g6_days_to_expiry	g7_basis_저평가	g7_invpx_투신	g1_ret_120m	g6_rate_통안1년_chg5d	g7_flow_trades	g7_invpx_증권/선물	g1_ret_20m	g6_rate_CD3개월_chg5d	g1_ret_1m	g6_baserate_250d	g7_basis_시장베이시스	g7_invpx_외국인합	g7_ktb_yield_chg5	g7_invpx_외국인합_chg5	g1p_f10_ret_60m	g1p_curve_20m	g6_prev_d_tick	g6_rate_통안1년	g6_rate_CD3개월	g1_ret_10m	g1_ret_open	g6_vol_20d	g7_basis_이론베이시스_chg5	g1_rng_60m	g1p_f10_ret_5m	g1p_curve_60m	g7_range_chg5	g7_basis_저평가_chg5	g7_basis_이론갭_chg5	g1_pos_20m	g1_pos_60m	g6_baserate_20d	g6_px_chg_5d	g7_basis_평균선도금리_chg5	g6_baserate_60d	g7_basis_이론베이시스	g7_basis_국채현물수익률	g7_basis_시장베이시스_chg5	g1_vwap_dev	g7_range	g1_ret_5m	g1_rng_20m	g7_basis_모드듀레이션_chg5	g1_ret_60m	g6_prev_ref_tick	g7_basis_모드듀레이션	g1_ma_dev_60m	g6_prev_abs_ref_tick	g1_ma_dev_20m	g7_ktb_yield	g7_basis_이론갭	g7_basis_평균선도금리	g6_is_auction_3y	g1_n_bars	g6_prev_up	g6_is_month_end	g6_is_quarter_end	g6_is_roll_week	g6_is_mpc_day	g6_us_event_today	g6_us_event_prev	합
깊이 0 (뿌리)	12	10	10	6	9	1	2	16	11	2	5	1	3	5	21	10	2	3	5	16	9	10	2	7	2	12	1	2	6	8	4	4	3	3	0	4	3	3	13	2	3	8	4	1	2	1	1	3	7	9	12	2	4	3	2	0	1	5	1	1	8	4	7	0	0	0	2	0	2	2	6	3	5	4	1	3	1	1	8	0	0	2	1	2	1	1	1	0	0	1	4	0	0	0	2	0	0	1	2	0	1	0	2	1	1	1	1	0	0	0	0	0	0	0	0	400
깊이 1	21	13	22	15	12	13	12	14	12	10	9	12	10	10	8	7	10	12	8	9	12	9	6	12	2	7	12	12	7	7	8	8	7	5	5	8	8	9	7	10	9	8	4	3	8	3	9	10	7	11	6	5	9	6	5	4	8	8	2	2	7	10	9	2	3	3	6	3	5	5	6	4	5	1	5	0	5	3	2	3	7	2	4	3	2	4	2	4	2	3	3	2	1	1	3	3	3	2	4	0	2	0	2	1	2	2	2	0	0	0	0	0	0	0	0	680
깊이 2	24	21	17	23	24	27	21	17	18	19	16	21	17	20	9	15	18	15	16	10	17	13	14	13	20	16	10	12	15	16	13	11	14	16	15	14	12	11	8	11	10	5	12	11	15	10	7	6	6	4	9	9	4	7	11	11	8	7	6	12	5	6	2	10	9	9	6	7	9	5	4	5	6	8	4	7	5	3	4	4	4	7	3	1	2	4	3	6	1	6	0	2	3	5	3	3	3	0	1	2	0	2	1	2	1	2	0	0	0	0	0	0	0	0	0	994
깊이 3	30	28	22	23	22	26	30	17	23	27	27	20	23	18	15	20	21	20	19	12	9	14	24	13	21	10	21	18	16	13	18	19	17	16	19	13	16	15	9	14	15	15	14	19	9	18	15	12	10	5	2	13	11	12	10	13	10	7	17	11	4	4	5	11	11	11	9	13	6	9	5	9	5	7	10	10	9	12	5	12	7	7	7	8	8	4	7	3	9	2	5	8	7	5	2	4	4	5	1	5	3	4	0	1	1	0	1	0	0	0	0	0	0	0	0	1,281
분기 합	87	72	71	67	67	67	65	64	64	58	57	54	53	53	53	52	51	50	48	47	47	46	46	45	45	45	44	44	44	44	43	42	41	40	39	39	39	38	37	37	37	36	34	34	34	32	32	31	30	29	29	29	28	28	28	28	27	27	26	26	24	24	23	23	23	23	23	23	22	21	21	21	21	20	20	20	20	19	19	19	18	18	15	14	13	13	13	13	12	12	12	12	11	11	10	10	10	8	8	7	6	6	5	5	5	5	4	0	0	0	0	0	0	0	0	3,355
손실 감소(gain) 몫	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	100%

어느 깊이에서 어느 피처가 몇 번 갈랐나(그루 400개 합).

HistGradientBoosting — scikit-learn 히스토그램 부스팅 `hgb`

LightGBM 과 같은 계열의 scikit-learn 구현. 피처를 256구간으로 묶고 400회 반복한다. 부스팅 구현 셋을 같은 자리에서 맞대기 위해 넣었다.

트리 400그루 · 실제로 닿은 깊이 4~4 · 잎 5~16개. 세팅의 상한과 학습이 실제로 멈춘 자리를 나란히 둔다.

분기 조건·표본 수·잎값을 모델 객체에서 그대로 읽었다. 노드 안 n 은 그 노드를 지난 학습 표본 수다.

그림 D · 400그루 전체의 깊이×피처 분기 수
분기 위치 \ 피처	g1_vol_day	g7_oi_chg_chg5	g6_baserate_120d	g7_flow_value	g7_invpx_은행_chg5	g6_dom	g7_flow_trades_chg5	g1_vol_last30_share	g7_vol_chg5	g1p_f10_ret_open	g6_rate_CALL1일한은_chg5d	g7_flow_aggr_share_chg5	g6_px_chg_60d	g7_invpx_보험	g1_gap_open	g7_flow_value_chg5	g6_px_chg_20d	g7_invpx_투신_chg5	g6_dflow_은행순매수수량	g7_ob_cnt_ratio	g7_invpx_연기금_chg5	g7_invpx_은행	g1_oi_chg_60m	g1_oi_chg_day	g6_rate_CD3개월_chg5d	g7_oi_chg	g7_ob_top5_ratio_chg5	g6_is_auction_day	g7_invpx_보험_chg5	g1_ret_20m	g6_dflow_투신순매수수량	g6_dflow_개인순매수수량	g7_flow_trades	g7_vwap_gap_tick	g1p_f10_ret_20m	g7_vwap_gap_tick_chg5	g1_ret_120m	g1_vol_last5_share	g6_vol_20d	g6_rate_통안1년_chg5d	g7_basis_저평가	g6_prev5_up	g7_ob_qty_ratio	g7_vol	g7_flow_aggr_share	g7_invpx_투신	g7_invpx_연기금	g6_dflow_증권선물순매수수량	g7_invpx_증권/선물_chg5	g1_pos_day	g6_dflow_보험순매수수량	g1_ret_open	g1p_f10_ret_5m	g6_days_to_expiry	g7_ob_qty_ratio_chg5	g7_range_chg5	g1_ret_1m	g1_ret_30m	g1p_f10_ret_60m	g6_dow	g7_basis_국채현물수익률_chg5	g1_ret_10m	g6_prev_d_tick	g7_ob_cnt_ratio_chg5	g6_dflow_외국인합순매수수량	g7_ob_top5_ratio	g1_rng_day	g7_basis_저평가_chg5	g7_basis_평균선도금리_chg5	g6_rate_CALL1일한은	g7_invpx_외국인합_chg5	g7_basis_시장베이시스_chg5	g6_baserate_250d	g6_vol_60d	g7_basis_이론베이시스	g7_invpx_외국인합	g7_invpx_증권/선물	g7_ktb_yield_chg5	g7_basis_이론베이시스_chg5	g1_pos_60m	g1_ret_60m	g1p_curve_20m	g1p_curve_60m	g6_baserate_20d	g7_basis_시장베이시스	g1_ret_5m	g6_baserate_60d	g1_rng_60m	g1_pos_20m	g6_rate_CD3개월	g7_basis_평균선도금리	g7_ktb_yield	g7_basis_국채현물수익률	g6_rate_통안1년	g7_basis_이론갭_chg5	g1_vwap_dev	g6_prev_ref_tick	g6_px_chg_5d	g1_rng_20m	g6_prev_abs_ref_tick	g7_range	g7_basis_이론갭	g7_basis_모드듀레이션	g7_basis_모드듀레이션_chg5	g1_ma_dev_20m	g1_ma_dev_60m	g6_is_roll_week	g6_is_auction_3y	g1_n_bars	g6_prev_up	g6_is_month_end	g6_is_quarter_end	g6_is_mpc_day	g6_us_event_today	g6_us_event_prev	합
깊이 0 (뿌리)	10	22	36	8	0	20	0	0	5	3	0	13	0	2	32	22	15	10	2	11	16	0	0	0	3	0	9	25	1	8	4	0	0	4	13	9	5	1	3	4	0	12	0	0	0	0	0	0	4	0	0	0	6	0	0	0	12	0	5	0	0	0	5	0	9	0	0	0	0	1	0	7	0	0	0	0	0	0	0	5	0	0	2	0	0	3	0	0	3	1	3	0	0	6	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	400
깊이 1	10	20	6	12	17	15	18	16	27	27	19	10	15	2	4	1	5	14	9	12	16	12	20	8	19	6	6	9	3	21	9	7	5	9	0	10	15	3	10	13	4	3	4	5	8	6	2	5	10	13	9	1	10	7	0	10	2	13	5	15	3	4	10	8	1	0	2	10	12	8	1	6	1	2	0	3	0	3	0	3	6	0	0	1	0	1	3	1	0	8	1	0	0	1	0	0	0	2	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	693
깊이 2	43	23	21	35	20	21	23	27	12	22	16	19	6	15	6	12	18	10	23	9	7	19	8	25	16	7	10	2	21	6	9	20	10	5	12	5	8	13	7	12	18	16	11	13	17	5	12	11	6	5	10	23	8	9	7	0	7	3	2	3	17	3	5	7	8	9	5	3	2	4	7	2	4	6	1	4	6	5	2	2	6	6	7	7	10	1	3	1	3	1	4	4	2	0	4	1	0	0	2	0	1	0	2	3	1	2	2	2	0	0	0	0	0	0	0	966
깊이 3	24	18	15	23	37	16	31	28	27	17	32	23	42	43	18	25	20	21	18	20	12	19	21	15	8	32	20	8	19	7	19	13	25	21	13	14	9	20	17	8	14	4	20	17	9	22	18	15	11	12	11	4	4	11	20	16	4	8	12	6	4	16	3	8	4	13	14	8	7	6	11	3	12	9	16	10	11	9	15	6	3	9	5	5	3	7	6	9	4	0	1	4	6	0	2	4	5	3	1	3	2	3	1	0	1	0	0	0	0	0	0	0	0	0	0	1,328
분기 합	87	83	78	78	74	72	72	71	71	69	67	65	63	62	60	60	58	55	52	52	51	50	49	48	46	45	45	44	44	42	41	40	40	39	38	38	37	37	37	37	36	35	35	35	34	33	32	31	31	30	30	28	28	27	27	26	25	24	24	24	24	23	23	23	22	22	21	21	21	19	19	18	17	17	17	17	17	17	17	16	15	15	14	13	13	12	12	11	10	10	9	8	8	7	6	5	5	5	3	3	3	3	3	3	2	2	2	2	0	0	0	0	0	0	0	3,387
손실 감소(gain) 몫	2.6%	2.2%	1.7%	2.3%	2.3%	2.2%	2.0%	2.3%	2.0%	2.9%	1.9%	2.0%	1.9%	1.9%	1.2%	1.4%	1.5%	1.4%	1.5%	1.0%	1.2%	1.6%	1.7%	1.3%	1.1%	1.1%	1.0%	1.7%	1.3%	2.1%	1.1%	1.0%	1.1%	1.3%	2.9%	0.9%	1.0%	1.0%	1.0%	0.9%	1.0%	0.7%	0.9%	1.4%	0.9%	1.1%	0.8%	0.8%	0.9%	1.3%	0.8%	0.9%	1.2%	1.0%	0.8%	0.8%	0.5%	0.9%	0.6%	0.6%	0.7%	0.8%	0.5%	0.5%	0.6%	0.6%	0.6%	0.8%	0.5%	0.5%	0.5%	0.3%	0.5%	0.5%	0.5%	0.4%	0.5%	0.6%	0.4%	1.0%	0.3%	0.6%	0.5%	0.5%	0.3%	0.3%	0.4%	0.4%	0.5%	0.2%	0.2%	0.2%	0.2%	0.1%	0.2%	0.1%	0.2%	0.1%	0.1%	0.1%	0.1%	0.1%	0.0%	0.1%	0.1%	0.1%	0.0%	0.1%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	0.0%	100%

어느 깊이에서 어느 피처가 몇 번 갈랐나(그루 400개 합).

GradientBoosting — 고전 그래디언트 부스팅 `gbdt`

구간으로 묶지 않고 원래 값에서 최적 분기를 찾는다. 느리지만 히스토그램 근사가 없는 기준선이다. 히스토그램 근사가 성적을 깎는지 재려고 넣었다.

트리 300그루 · 실제로 닿은 깊이 3~3 · 잎 4~8개. 세팅의 상한과 학습이 실제로 멈춘 자리를 나란히 둔다.

분기 조건·표본 수·잎값을 모델 객체에서 그대로 읽었다. 노드 안 n 은 그 노드를 지난 학습 표본 수다.

그림 D · 300그루 전체의 깊이×피처 분기 수
분기 위치 \ 피처	g7_flow_value	g7_oi_chg_chg5	g6_dflow_은행순매수수량	g6_dom	g7_vol_chg5	g1_vol_last30_share	g1p_f10_ret_open	g6_px_chg_20d	g1_vol_day	g7_flow_aggr_share_chg5	g7_flow_value_chg5	g6_baserate_120d	g7_ob_cnt_ratio	g7_oi_chg	g7_invpx_은행_chg5	g6_dflow_증권선물순매수수량	g1_oi_chg_day	g7_flow_aggr_share	g7_invpx_보험	g1_vol_last5_share	g1_oi_chg_60m	g7_vwap_gap_tick	g7_flow_trades_chg5	g7_invpx_보험_chg5	g7_invpx_연기금_chg5	g1p_f10_ret_20m	g6_dflow_보험순매수수량	g7_invpx_은행	g7_invpx_투신_chg5	g6_px_chg_60d	g6_is_auction_day	g7_vwap_gap_tick_chg5	g6_dflow_투신순매수수량	g6_rate_CALL1일한은_chg5d	g7_ob_top5_ratio_chg5	g1_ret_120m	g1_gap_open	g7_invpx_투신	g7_invpx_증권/선물_chg5	g1p_f10_ret_5m	g6_prev5_up	g7_ob_qty_ratio	g7_ob_qty_ratio_chg5	g1_ret_20m	g1_pos_day	g1_ret_1m	g1_ret_30m	g6_rate_통안1년_chg5d	g6_rate_CD3개월_chg5d	g7_ob_cnt_ratio_chg5	g1_ret_open	g1p_curve_20m	g6_days_to_expiry	g6_rate_CALL1일한은	g7_basis_저평가	g7_range_chg5	g6_dflow_개인순매수수량	g6_rate_통안1년	g7_invpx_연기금	g1p_f10_ret_60m	g6_vol_60d	g7_basis_저평가_chg5	g7_basis_이론갭_chg5	g1_ret_10m	g1_rng_day	g6_dow	g7_vol	g7_basis_국채현물수익률_chg5	g7_invpx_외국인합_chg5	g1_rng_60m	g1p_curve_60m	g6_prev_d_tick	g6_dflow_외국인합순매수수량	g7_ktb_yield_chg5	g7_ob_top5_ratio	g7_basis_평균선도금리	g1_ret_5m	g1_pos_20m	g6_baserate_20d	g6_vol_20d	g6_rate_CD3개월	g7_basis_시장베이시스	g7_basis_시장베이시스_chg5	g1_ma_dev_20m	g1_pos_60m	g1_vwap_dev	g7_flow_trades	g7_basis_이론베이시스	g7_basis_국채현물수익률	g7_invpx_외국인합	g7_invpx_증권/선물	g7_basis_평균선도금리_chg5	g1_ma_dev_60m	g6_px_chg_5d	g7_range	g7_ktb_yield	g7_basis_이론갭	g7_basis_이론베이시스_chg5	g1_rng_20m	g6_baserate_250d	g6_is_roll_week	g1_ret_60m	g6_baserate_60d	g6_prev_abs_ref_tick	g6_is_mpc_day	g7_basis_모드듀레이션	g7_basis_모드듀레이션_chg5	g6_prev_ref_tick	g6_is_auction_3y	합
깊이 0 (뿌리)	9	15	6	12	5	4	8	11	11	7	7	13	6	6	1	7	5	1	4	2	2	0	0	7	10	7	2	3	5	0	8	2	6	3	6	1	7	0	3	6	4	0	1	11	4	6	5	3	0	2	1	3	1	4	3	1	2	2	0	2	1	0	1	1	0	2	0	0	1	0	0	5	0	0	1	3	1	0	0	0	0	0	0	1	4	0	0	1	2	0	0	0	0	0	0	0	0	0	0	0	2	1	0	0	0	0	0	0	0	300
깊이 1	18	17	14	9	14	9	13	7	9	13	13	6	9	8	14	6	8	9	4	11	7	18	8	5	5	8	11	6	7	12	12	7	7	8	7	6	8	8	5	5	4	8	3	3	2	2	4	5	9	4	7	4	2	5	4	6	2	9	6	3	2	5	4	6	1	5	2	4	3	3	2	1	3	3	0	4	1	1	3	2	1	4	0	2	1	1	2	1	1	1	2	2	1	2	0	0	0	0	0	0	0	1	1	0	1	1	0	1	0	544
깊이 2	20	15	23	18	20	20	12	15	12	11	10	10	14	15	14	15	14	17	19	13	17	8	18	14	11	10	12	16	12	11	3	14	9	11	9	14	6	12	12	8	11	10	14	3	11	8	7	8	7	10	7	8	12	5	7	7	9	2	7	7	9	7	7	4	10	4	9	7	6	6	7	3	6	6	7	1	5	6	4	5	6	3	7	3	1	5	4	4	3	5	4	4	3	2	4	4	4	4	3	3	1	0	1	2	1	1	2	0	1	898
분기 합	47	47	43	39	39	33	33	33	32	31	30	29	29	29	29	28	27	27	27	26	26	26	26	26	26	25	25	25	24	23	23	23	22	22	22	21	21	20	20	19	19	18	18	17	17	16	16	16	16	16	15	15	15	14	14	14	13	13	13	12	12	12	12	11	11	11	11	11	10	9	9	9	9	9	8	8	7	7	7	7	7	7	7	6	6	6	6	6	6	6	6	6	4	4	4	4	4	4	3	3	3	2	2	2	2	2	2	1	1	1,742

어느 깊이에서 어느 피처가 몇 번 갈랐나(그루 300개 합).

AdaBoost — 적응 부스팅 `ada`

깊이 2 짜리 아주 얕은 트리(그루터기)를 300개 이어 붙이되, 앞에서 틀린 표본의 가중치를 올려 다음 트리를 키운다. 부스팅의 가장 오래된 형태 — 잔차가 아니라 표본 가중치로 배우는 방식이 여기서도 통하는지 본다.

트리 300그루 · 실제로 닿은 깊이 2~2 · 잎 3~4개. 세팅의 상한과 학습이 실제로 멈춘 자리를 나란히 둔다.

분기 조건·표본 수·잎값을 모델 객체에서 그대로 읽었다. 노드 안 n 은 그 노드를 지난 학습 표본 수다.

그림 D · 300그루 전체의 깊이×피처 분기 수
분기 위치 \ 피처	g7_flow_trades_chg5	g7_oi_chg_chg5	g7_flow_value_chg5	g7_ktb_yield	g7_flow_aggr_share_chg5	g1_vol_last30_share	g7_basis_모드듀레이션	g6_baserate_120d	g7_ob_qty_ratio	g1_ret_20m	g7_invpx_은행	g1_vol_last5_share	g7_ob_cnt_ratio	g6_is_auction_day	g1_pos_day	g1p_f10_ret_open	g7_vwap_gap_tick	g6_dom	g7_flow_value	g7_invpx_증권/선물_chg5	g1_ret_30m	g1p_f10_ret_20m	g1_oi_chg_day	g1_ret_5m	g1p_f10_ret_5m	g6_dflow_은행순매수수량	g7_basis_이론베이시스	g1_gap_open	g6_px_chg_20d	g7_basis_시장베이시스	g7_vol_chg5	g1_ma_dev_20m	g1_pos_60m	g1_oi_chg_60m	g6_is_month_end	g6_is_auction_3y	g6_dflow_보험순매수수량	g7_oi_chg	g7_vwap_gap_tick_chg5	g1_ret_10m	g1_ret_120m	g1_rng_20m	g1_rng_60m	g1_ma_dev_60m	g1_vol_day	g6_baserate_20d	g6_baserate_60d	g6_baserate_250d	g6_prev_ref_tick	g6_prev_abs_ref_tick	g6_px_chg_5d	g6_dow	g6_is_roll_week	g6_rate_통안1년	g7_basis_국채현물수익률	g7_basis_평균선도금리	g7_range_chg5	g7_basis_시장베이시스_chg5	g7_basis_저평가_chg5	g7_basis_평균선도금리_chg5	g7_invpx_은행_chg5	합
깊이 0 (뿌리)	60	85	0	26	23	32	20	0	0	18	0	0	9	0	0	6	1	4	0	0	5	8	0	0	1	0	0	0	0	0	0	1	0	0	0	0	0	0	0	0	0	0	1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	300
깊이 1	82	23	95	11	12	2	11	29	26	5	23	18	9	17	14	8	13	8	12	12	6	2	8	7	5	6	6	5	5	4	4	2	2	2	2	2	2	2	2	1	1	1	0	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	525
분기 합	142	108	95	37	35	34	31	29	26	23	23	18	18	17	14	14	14	12	12	12	11	10	8	7	6	6	6	5	5	4	4	3	2	2	2	2	2	2	2	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	825

어느 깊이에서 어느 피처가 몇 번 갈랐나(그루 300개 합).

DecisionTree — 결정트리 한 그루 `dt`

깊이 4, 잎 최소 40일. 조건을 따라 내려가면 예측이 나온다. 앙상블이 트리 하나보다 얼마나 나은지 재는 바닥이다.

트리 1그루 · 실제로 닿은 깊이 4~4 · 잎 16~16개. 세팅의 상한과 학습이 실제로 멈춘 자리를 나란히 둔다.

분기 조건·표본 수·잎값을 모델 객체에서 그대로 읽었다. 노드 안 n 은 그 노드를 지난 학습 표본 수다.

그림 D · 1그루 전체의 깊이×피처 분기 수
분기 위치 \ 피처	g7_oi_chg_chg5	g1_ret_5m	g1_pos_day	g1p_f10_ret_20m	g6_baserate_120d	g6_vol_60d	g6_dflow_투신순매수수량	g7_ob_top5_ratio	g7_ob_cnt_ratio	g7_vol	g7_vol_chg5	g7_ktb_yield_chg5	g7_vwap_gap_tick_chg5	g7_invpx_투신_chg5	합
깊이 0 (뿌리)	0	0	0	1	0	0	0	0	0	0	0	0	0	0	1
깊이 1	0	0	1	0	0	0	0	0	0	0	0	0	1	0	2
깊이 2	1	0	0	0	0	0	0	0	1	0	0	1	0	1	4
깊이 3	1	1	0	0	1	1	1	1	0	1	1	0	0	0	8
분기 합	2	1	1	1	1	1	1	1	1	1	1	1	1	1	15

어느 깊이에서 어느 피처가 몇 번 갈랐나(그루 1개 합).

SVM(RBF) — 방사기저함수 서포트벡터머신 `svm_rbf`

두 반을 가르는 경계를 가장 넓은 여백으로 긋는다. RBF 커널로 굽은 경계도 그을 수 있다. 트리와 전혀 다른 방식으로 경계를 만드는 계열이다.

학습 1,693행 중 1,531행이 서포트벡터가 됐다.

오른쪽 끝(|α| = C)에 쌓인 점들은 마진 안쪽으로 들어온 날이다 — 이 데이터가 선형·커널 경계로 깔끔히 갈리지 않는다는 증거다.

SVM(선형) — 선형 서포트벡터머신 + 확률 보정 `svm_lin`

직선(초평면)으로 가르되 여백을 최대화한다. 확률은 교차검증 보정(Platt)으로 따로 만든다. 같은 SVM 에서 커널만 뺀 대조다.

피처 115개 중 0 이 아닌 계수 113개 · 절편 -0.0096.

표준화된 공간의 계수라 서로 크기를 비교할 수 있다.

k-최근접 이웃 (k=75) `knn`

학습을 하지 않는다 — 표를 통째로 기억했다가, 예측할 때 가장 가까운 75일을 찾아 그날들의 방향을 거리로 가중해 투표한다. '비슷한 날은 비슷하게 끝난다'는 가정만으로 어디까지 가는지 본다.

학습 파라미터가 없는 계열이다 — 학습창 1,693행을 그대로 들고 있다가 예측할 때 거리를 잰다.

모식도가 아니라 그 날의 실제 이웃이다. 거리·정답·가중치를 모델 객체에서 읽었다.

LogisticRegression — 로지스틱 회귀 `log`

피처의 가중합을 로지스틱 함수로 눌러 확률을 낸다. C=0.1 로 계수를 강하게 규제했다. 분류 확률의 표준 기준선이다.

피처 115개 중 0 이 아닌 계수 113개 · 절편 -0.2141.

표준화된 공간의 계수라 서로 크기를 비교할 수 있다.

LinearRegression — 최소제곱 선형회귀 `lin`

확률이 아니라 틱 변화 자체를 회귀하고 부호를 읽는다. 확률은 잔차 표준편차로 눌러 만든 값이라 보정된 확률이 아니다. 규제가 전혀 없는 선형 바닥이다.

피처 115개 중 0 이 아닌 계수 114개 · 절편 -0.2056.

표준화된 공간의 계수라 서로 크기를 비교할 수 있다.

Ridge — L2 규제 선형회귀 `ridge`

선형회귀에 계수 제곱 벌점(alpha=10)을 더해 계수를 0 쪽으로 민다. 피처 115개에 표본 1,693행이면 규제가 필요한지 보려고 넣었다.

피처 115개 중 0 이 아닌 계수 113개 · 절편 -0.2056.

표준화된 공간의 계수라 서로 크기를 비교할 수 있다.

ElasticNet — L1+L2 규제 선형회귀 `enet`

L1(계수를 0 으로 죽인다)과 L2 를 섞은 벌점. 피처 선택이 함께 일어난다. 피처를 줄이는 쪽이 유리한지 보는 자리다.

피처 115개 중 0 이 아닌 계수 72개 · 절편 -0.2056.

표준화된 공간의 계수라 서로 크기를 비교할 수 있다.

GaussianNB — 가우시안 나이브베이즈 `gnb`

피처마다 상승일·하락일의 평균과 분산만 배우고, 피처끼리 서로 독립이라고 가정해 곱한다. 가장 단순한 확률 모델 — 독립 가정이 이 데이터에서 얼마나 해로운지 재는 자다.

학습한 값은 피처마다 평균·분산 두 쌍뿐이다.

두 곡선이 겹칠수록 그 피처는 방향을 못 가른다. 곡선은 학습된 μ·σ² 로 그린 것이다.

MLPClassifier — 다층 퍼셉트론(신경망) `mlp`

32칸·16칸 은닉층 두 개를 지나 확률을 낸다. 조기 종료로 과적합을 막는다. 표본이 작을 때 신경망이 트리 앙상블을 이기는지 본다.

가중치 층 3개 · 파라미터 4,257개.

상자 하나가 가중치 층 하나다. 화살표 위 숫자가 그 층의 입력→출력 폭이고, 아래 눈금이 깊이다.

세로선이 실제로 멈춘 반복(34)이다 — 상한 600 에 닿기 전에 조기 종료가 걸렸는지 그림에서 바로 읽힌다.

모델 18종의 결과

모델 18종의 티어별 승률 산점도 — 점 하나가 (모델 × 티어) 하나다. 가로 막대는 그 모델의 중위 승률. 붉은 파선이 0003 채택 후보(0.6030), 점선이 같은 표본의 적응 상수 (0.5504). **배깅 트리 세 종이 위쪽에 모여 있고 선형 계열이 바닥이다.**

모델 중위 승률 — 티어 다섯의 중위값. 정본은 `results/20260921_171142_zoo/summary.csv`.
모델	계열	중위 승률	모델	계열	중위 승률
`et`	배깅트리	0.6005	`gnb`	선형·확률	0.5683
`rf`	배깅트리	0.5942	`hgb`	부스팅	0.5658
`bag`	배깅트리	0.5932	`lgb`	부스팅	0.5631
`knn`	커널·거리	0.5865	`mlp`	신경망	0.5617
`ada`	부스팅	0.5748	`xgb`	부스팅	0.5598
`svm_rbf`	커널·거리	0.5701	`svm_lin`	커널·거리	0.5490
`gbdt`	부스팅	0.5691	`dt`	단일트리	0.5444
			`log`·`enet`·`ridge`·`lin`	선형·확률	0.5387~0.5207

H13 은 미지지다. 관측 순서가 배깅트리 0.5942 > 커널·거리 0.5680 > 부스팅 0.5669 > 선형 0.5339 로, 부스팅과 커널 및 거리 계열이 0.11%p 차로 자리를 바꿨다. 뒤집혔다고 말하기엔 작은 차이지만 사전등록 문장이 순서를 요구했으므로 미지지로 적는다.

놀란 자리가 하나 있다. knn 이 4위(0.5865)로 부스팅 전부보다 위다. 이웃 75개에 거리 가중이라 사실상 "비슷한 날들의 다수결" 이고, 표본 1,847일에서 부스팅의 용량이 남는다는 신호로 읽는다.

새 데이터가 더한 것

티어별 최고 승률 막대 — 왼쪽이 같은 표본(n=1,497), 오른쪽이 수급을 포함해 표본이 줄어든 티어(n=1,136)다. **두 축을 나란히 읽으면 안 된다**. 표본이 다르면 승률의 뜻도 다르다.

티어별 최고 — 같은 표본끼리만 비교한다.
티어	피처	모델	승률	누적틱	n
`T0_core`(0003 축)	67	`et`	0.6005	+655	1,497
`T4_daily`(+g7)	115	`et`	0.6065	+681	1,497
`T6_nan`(전 그룹)	204	`et`	0.6019	+669	1,497
`T1_flow34`(+g2)	95	`bag`	0.5942	+541	1,136
`T5_all`	149	`bag`	0.5942	+541	1,136

세 가지가 읽힌다. ① g7_ 48열이 +0.6%p(0.6005 → 0.6065)를 더했다. ② 전 그룹을 넣은 T6_nan(204열)이 오히려 낮다. 결측 43~67% 그룹을 함께 주면 트리가 결측 패턴을 배운다(0003 Tall_nan 과 같은 결론). ③ 되찾은 컷오프 4분은 승률로 값을 받지 못했다. 수급 티어 최고가 0.5942 다.

최고 모델의 연도별 승률과 상수 기준선 — 여덟 해 모두 57% 이상이고 2025 가 0.6545 로 가장 높다. 회색이 그 해 **상수 기준선**(다수 클래스)이다. 2024와 2025 처럼 기저율이 한쪽으로 쏠린 해에는 상수도 강해진다.

최고 모델의 누적 틱 곡선 — 여덟 해 누적 +681틱. 특정 해에 몰려 있지 않다.

설정을 흔들면 나아지나, 수급을 짝지어 빼면 무엇이 남나

여기까지는 모델마다 설정을 하나씩만 썼고, 티어끼리 시험 기간이 달라 "장중 투자자 수급이 값을 하는가" 에 답할 수 없었다. 그 둘을 메우려고 같은 데이터에서 두 번째 런을 돌렸다. 모델 18종 × 설정 171개 × 티어 6, 적합 1,026건. 정본 런은 results/20260922_142830_hparam/ 이다.

용어. 설정(하이퍼파라미터)은 학습 전에 사람이 정하는 값이다. 트리 수, 트리 깊이, 이웃 수, 규제 세기 같은 것이다. 정직한 선택은 시험연도 Y 의 설정을 Y 이전 연도 성적만 보고 고르는 방식이고, 사후 최고는 여덟 해를 다 본 뒤 가장 좋았던 설정을 적은 값이다. 사후 최고는 운용에서 쓸 수 없다. 그 해가 끝나야 알 수 있다.

라운드 2 의 폴드와 짝 대조군의 학습·시험 창 — 라운드 2 가 실제로 쓴 창이다. 위 둘(`T0_core`, `T4_daily`)은 라운드 1 과 같은 여덟 해 워크포워드이고, 아래 넷은 짝이다. `T1_flow34`↔`T0_pair` 와 `T5_all`↔`T5_nog2` 가 학습 시작과 시험 구간을 서로 맞춰 두었다. 창이 같아야 «수급이 더한 것» 을 같은 날 빼서 잴 수 있다. 막대 안 숫자는 그 폴드가 실제로 쓴 일수다.

H15 — 설정을 열여섯 배 넓게 흔들었을 때. 정직한 선택끼리 비교한다.
티어	설정 격자(라운드 2)	설정 하나(라운드 1)	차	McNemar p	시드 흔들림	사후 최고
`T0_core`	0.5752	0.5905	−1.54%p	0.0884	0.0791	0.6072
`T4_daily`	0.5965	0.5999	−0.33%p	0.7861	0.0877	0.6112

H15 미지지. 설정을 넓게 흔들어도 정직하게 고르면 오히려 조금 낮다. 두 차이 모두 유의하지 않고(p≥0.09) 시드 흔들림의 4분의 1 도 안 된다. 격자를 넓히면 사후 최고는 올라가지만(0.6072, 0.6112) 그 값은 답을 보고 고른 값이다. 연도마다 고르는 설정이 계속 갈리는 것이 같은 사실을 다르게 말한다. T4_daily 는 et#00 → log#03 → knn#06 → enet#07 → et#12 → knn#06 로 옮겨 다닌다. 직전 연도 성적은 다음 해 성적을 거의 말해 주지 않는다.

모델마다 설정을 흔들었을 때 승률이 퍼지는 폭 — 점 하나가 설정 하나이고, 가로 막대가 그 모델의 중위, 주황 마름모가 라운드 1 에 쓴 설정이다. 세로 눈금은 승률(사후 값이라 판정 근거가 아니다). 모델이 같아도 설정에 따라 `log` 는 0.514~0.590, `dt` 는 0.509~0.589 로 벌어진다. **한 모델 안의 폭이 모델 사이의 폭만큼 크다.** 그래서 격자를 넓히면 사후 최고는 거의 항상 오르고, 그 값을 성능으로 읽으면 안 된다.

라운드 1·2 의 정직한 선택과 라운드 2 사후 최고 — 회색이 라운드 1 의 정직한 선택(모델만 골랐다), 파랑이 라운드 2 의 정직한 선택(모델 × 설정을 골랐다), 주황이 라운드 2 의 사후 최고(여덟 해를 다 보고 골랐다)다. **판정은 파랑 대 회색**이고 두 티어 모두 파랑이 낮다 (p=0.088, p=0.786). 주황이 가장 높은 것은 성능이 아니라 **고르는 데 쓴 정보의 차이**다. 그 막대는 그 해가 끝나야 알 수 있는 값이다. 회색이 두 티어에만 있는 것은 라운드 1 이 그 둘만 여덟 해 전 구간으로 돌았기 때문이다.

H16 — 창을 맞춘 짝 비교. 같은 날 · 같은 설정으로 뺀다.
짝	수급 있음	대조(수급 없음)	차	n	McNemar p	시드 흔들림
`T1_flow34` ↔ `T0_pair`	0.5687	0.5616	+0.70%p	1,136	0.6736	0.0575
`T5_all` ↔ `T5_nog2`	0.5731	0.5669	+0.62%p	1,136	0.6465	0.0675

같은 짝을 설정 171개마다 하나씩 빼서 본 것.
짝	설정 짝	중위 차	수급이 이긴 설정	Wilcoxon p
`T1_flow34` ↔ `T0_pair`	171	+0.18%p	54%	0.2437
`T5_all` ↔ `T5_nog2`	171	+0.00%p	48%	0.2199

H16 미지지. 부호는 두 짝 모두 수급 쪽이지만 크기가 시드 흔들림의 10분의 1 이고, 설정 단위로 보면 절반은 대조군이 이긴다. 앞 절의 0.35%p 와 같은 결론인데, 이번에는 표본이 같은 짝 비교라 그 결론이 더 단단하다. (Wilcoxon 부호순위 검정은 짝지은 차이들이 0 을 중심으로 대칭인지 보는 검정이다. 차이의 부호와 크기 순위만 쓰므로 승률 분포 모양을 가정하지 않는다.)

창을 맞춘 짝의 설정별 차이 분포 — 왼쪽: 점 하나가 설정 하나이고, 가로축이 대조군(수급 없음)의 승률, 세로축이 같은 설정을 수급 티어에서 돌린 승률이다. **점선 위쪽이 수급이 이긴 설정**이다. 점들이 점선에 걸쳐 고르게 흩어져 있다. 한쪽으로 몰리지 않는다. 오른쪽: 정직한 선택끼리 비교한 판정 근거로, 회색이 대조군, 파랑이 수급 티어다. 차이는 +0.70%p와 +0.62%p 이고 McNemar p 는 0.674와 0.646 이라 **이 표본에서 수급의 값을 잡아낼 수 없다**.

스윕이 드러낸 구멍 하나. T5_all과 T5_nog2 의 학습창에는 모든 폴드에서 값이 하나도 없는 열 네 개가 있었다(g8_ann_ahead, g8_plan_jo, g8_cover, g8_rate_band_bp). scikit-learn 히스토그램 부스팅은 이런 열에서 구간화가 멈춰 (ValueError: window shape cannot be larger than input array shape) 라운드 1 정본 런의 T5_all 에는 hgb 가 아예 없었다. 모델 18종이 아니라 17종이었고 표에 그 사실이 남지 않았다. 빈 열을 폴드마다 빼도록 고치고 두 티어만 다시 돌렸다(다른 네 티어는 걸리는 열이 없어 손질이 아무 일도 하지 않는다). 고친 뒤 T5_all 의 hgb 최고는 0.5863 으로 티어 최고(0.6056, bag#02)를 바꾸지 않는다. 결론은 그대로이고 표만 완전해졌다.

왜 유의하지 않은가

0005 최고와 0003 후보는 1,491일 중 99일에서만 예측이 갈린다. 그 99일의 성적이 52:47 이다. 동전을 99번 던진 것과 구분되지 않는다(p=0.688). 승률 차 0.35%p 는 시드 흔들림(et/T4_daily 0.0155)의 4분의 1 도 안 된다.

누설 카나리아 0건. 새 그룹 82열을 단일 피처 부호만 으로 재서 62% 를 넘는 열이 하나도 없다. 0003 에서 irs_intra 가 69.7% 로 울렸던 자리이고, g7_ 을 T-1 로 강제한 설계가 그 경로를 구조적으로 닫았다.

한계

① 수급 축에 닷새 구멍(2026-08-15~21)이 있다. 덤프가 08-14 에 멈추고 인포맥스 API 창이 최근 1개월이라 그 사이가 어느 경로로도 오지 않는다. 매일 받는 것이 유일한 대책이고 그 배선은 같은 날 들어갔다.

② g8_ 은 사건이 몇 건뿐이다(2026-09 신설 표). 트리 분기로만 썼고 계수를 해석하지 않았다.

③ 레짐 분해를 연도로만 했다. 0003 의 H9(레짐 게이트)가 미지지라 그 축을 다시 열지 않았다.

④ 2026 의 0.6081 은 사후 숫자다. 대회가 도는 해의 유일한 최종 OOS 는 라이브 제출이다(0003 의 같은 단서).

산출물

사전등록protocol.md
분석과 판정analysis.md
정본 런results/20260921_171142_zoo/
모델 동물원code/models5.py
피처 캐시 생성code/build_features5.py

무엇을 물었나

기호와 데이터

어떻게 쟀나

모델 열여덟 종 — 무엇을 학습하는 모델인가

ExtraTrees — 극단적 무작위 트리 et

RandomForest — 무작위 숲 rf

Bagging — 배깅한 결정트리 bag

LightGBM — 히스토그램 그래디언트 부스팅 lgb

XGBoost — 정규화 그래디언트 부스팅 xgb

HistGradientBoosting — scikit-learn 히스토그램 부스팅 hgb

GradientBoosting — 고전 그래디언트 부스팅 gbdt

AdaBoost — 적응 부스팅 ada

DecisionTree — 결정트리 한 그루 dt

SVM(RBF) — 방사기저함수 서포트벡터머신 svm_rbf

SVM(선형) — 선형 서포트벡터머신 + 확률 보정 svm_lin

k-최근접 이웃 (k=75) knn

LogisticRegression — 로지스틱 회귀 log

LinearRegression — 최소제곱 선형회귀 lin

Ridge — L2 규제 선형회귀 ridge

ElasticNet — L1+L2 규제 선형회귀 enet

GaussianNB — 가우시안 나이브베이즈 gnb

MLPClassifier — 다층 퍼셉트론(신경망) mlp

모델 18종의 결과

새 데이터가 더한 것

설정을 흔들면 나아지나, 수급을 짝지어 빼면 무엇이 남나

왜 유의하지 않은가

한계

산출물

ExtraTrees — 극단적 무작위 트리 `et`

RandomForest — 무작위 숲 `rf`

Bagging — 배깅한 결정트리 `bag`

LightGBM — 히스토그램 그래디언트 부스팅 `lgb`

XGBoost — 정규화 그래디언트 부스팅 `xgb`

HistGradientBoosting — scikit-learn 히스토그램 부스팅 `hgb`

GradientBoosting — 고전 그래디언트 부스팅 `gbdt`

AdaBoost — 적응 부스팅 `ada`

DecisionTree — 결정트리 한 그루 `dt`

SVM(RBF) — 방사기저함수 서포트벡터머신 `svm_rbf`

SVM(선형) — 선형 서포트벡터머신 + 확률 보정 `svm_lin`

k-최근접 이웃 (k=75) `knn`

LogisticRegression — 로지스틱 회귀 `log`

LinearRegression — 최소제곱 선형회귀 `lin`

Ridge — L2 규제 선형회귀 `ridge`

ElasticNet — L1+L2 규제 선형회귀 `enet`

GaussianNB — 가우시안 나이브베이즈 `gnb`

MLPClassifier — 다층 퍼셉트론(신경망) `mlp`