밤사이 자산 특징 20개로 학습한 메타 라벨링은 3년 국채선물 되돌림 카드의 계약 배분을 개선하는가

가설과 결론

이 저장소에는 매일 쓰는 되돌림 카드가 있다. 미국 10년 금리가 밤사이 3bp 이상 움직이면 다음 날 한국 3년 국채선물이 시가에 과하게 반응했다가 장중에 되돌아간다는 관찰을 규칙으로 만든 것이다. 카드는 맞는 날도, 틀리는 날도 있다. 메타 라벨링은 금융 기계학습에서 쓰는 방법으로, 1차 신호(카드)가 나온 날에 대해 2차 모델이 «이번에는 맞을 확률이 얼마인가» 를 따로 학습하고, 그 확률로 계약 수를 조절한다. 방향은 1차 신호가 정하고 2차 모델은 크기만 정한다.

2차 모델에 줄 정보로 밤사이 다른 자산 20개(미국 금리 세 만기, 달러와 원화, 나스닥, 금, 비트코인, 독일, 프랑스, 일본 금리, 원화 상태와 수급 등)를 골랐다. 앞선 실험들에서 국면 통계가 walk-forward 에서 지고 같은 seed 재학습도 크게 흔들린다는 교훈이 있었으므로, 특징 목록, 모형, 하이퍼파라미터, seed 를 모두 사전등록에서 잠그고 아무것도 고르지 않았다. 아이디어 목록의 32번이다.

2차 프로그램 주가설 17개(H259 ~ H275)의 Holm 보정 p 는 1.00 이다. 확인 구간 차이는 양이지만 우연과 구별되지 않고, 그 양의 몫도 2023 년 한 해가 거의 다 만들었다.

용어와 기호

자료

데이터셋

모든 특징은 0066 다자산 공통 패널의 행 s 값이다. 행 s 의 값은 모두 e 일 08:20(한국 시간) 이전에 공개된다.

결측은 채우지 않고 모형에 그대로 넣는다. 이 모형은 결측을 분기마다 한쪽 가지로 보내는 법을 스스로 학습한다. 2016, 2017 년 학습에는 CME 비트코인 이력이 아직 없어서(값이 전부 결측인 열은 구간을 나눌 수 없다) 그 열을 빼고 19개로 학습했다. 2018 년부터는 20개 전부다.

카드 날과 라벨

언제 무엇을 아는가

방법

기준선: 되돌림 카드와 R1

기준선은 같은 날짜의 카드 + R1 일별 손익이다. 카드는 방향을, R1 은 원화 충격이 미국 금리와 엇갈리면 1계약, 같은 쪽이면 0.5계약으로 크기를 정한다. 비용은 왕복 1틱이다.

메타 라벨링과 사이징

1. 라벨. 카드 날마다 «비용 1틱 뒤 이겼나» 를 0 과 1 로 적는다.
2. 학습. 그 전 해까지의 카드 날로 분류기를 학습한다. seed 0 ~ 4 다섯 모형을 학습해 확률을 평균한다.
3. 사이징. 그해 카드 날마다 w_new = w_R1 · clip(2p̂, 0, 2).
4. 비교. 구간마다 메타 쪽 계약 합을 R1 과 같게 맞추는 상수 k 를 곱하고, 같은 날짜의 손익 차이를 낸다. 확인 구간 k 는 0.899(메타가 평균적으로 조금 더 많이 사려 했다).
5. 판정. 확인 구간 일별 차이의 월 블록 부트스트랩 한쪽 p < 0.05, 그리고 확인 연도 다수 양수.
6. 탐색(판정에 쓰지 않음). E1 2016 ~ 2022 표본 밖의 같은 차이. E2 p̂ 5분위 실제 승률과 AUC. E3 seed 하나씩의 확인 구간 차이. E4 2022 년까지 학습한 seed 0 모형의 확인 구간 순열 중요도.

학습과 평가의 분할

프로그램 공통 규칙

이 실험은 다자산 2차 프로그램(0081 ~)에 속한다. 관련 규칙을 옮긴다.

1. 실험마다 주가설 하나. 나머지는 탐색이다.
2. T2 카드 사이징. 카드 + R1 일별 손익 대비 일별 차이(총 계약을 기준선과 같게 비례 조정). 확인 구간 월 블록 부트스트랩 5,000회 한쪽 p < 0.05.
3. 2차 Holm. 0081 이후 주가설 p 전체에 Holm 을 건다.
4. 채택 문턱. 확인 구간 차이 > 0, 블록 p < 0.05, 2차 Holm < 0.05, 확인 4개 연도 중 다수 양수, 기존 카드와 독립. 통과해도 전진 장부 없이 전략 카드 후보로만 올린다.
5. 비용. 왕복 1틱(주가설)과 2틱(보고).

모델

2차 모델은 이진 분류용 그래디언트 부스팅 결정트리다. 깊이 3 의 작은 트리 200그루를 학습률 0.05 로 쌓아, 특징 20개에서 «카드 날 승리» 의 로그 오즈를 학습한다. 비선형 관계와 특징 사이의 상호작용(예: 미국 금리가 크게 움직였고 원화도 같은 쪽일 때)을 잡을 수 있고 결측을 그대로 받는다는 점이 선택 이유다. 깊이를 3 으로, 잎당 최소 표본을 20 으로 묶은 것은 학습 표본이 268 ~ 1,244일로 작아 과적합을 막으려는 것이다.

하이퍼파라미터

학습된 모델의 구조

아래 그림은 커밋된 런이 저장한 마지막 폴드의 seed 0 모형(학습 2013 ~ 2025 카드 날 1,244일, 시험 2026 년 82일) 그대로다. 그리기 전에 이 모형의 2026 년 예측이 커밋된 예측과 같은지(오차 10⁻⁹ 이하) 확인했다. 다섯 seed 가 같은 모형이므로 seed 0 이 런의 모형 전체다.

어느 특징이 어느 깊이에서 몇 번 쓰였는지 센 표다. 분기에 자주 쓰였다고 표본 밖에서 쓸모 있는 것은 아니다(순열 중요도는 결과 절).

결과

확증 결과

확인 구간 차이 +0.13틱/일은 R1 손익(0.79)의 약 17% 에 해당하는 개선이지만 90% 구간이 0 을 넉넉히 걸친다. 채택 문턱 가운데 «차이 > 0» 하나만 맞고 p 와 연도 조건은 맞지 않는다.

연도별 차이와 누적 손익

확인 구간 차이 합 +56틱 가운데 2023 년이 +77틱이고, 2025 ~ 2026 년에는 메타가 R1 보다 못했다. 카드가 가장 크게 번 2022 년(+784틱)에 메타 사이징은 오히려 46틱 덜 벌었다.

예측 확률은 승패를 갈랐나

p̂ 는 0.11 에서 0.93 까지 넓게 퍼져, 모델은 자신 있게 날을 갈랐다. 그러나 그 자신감이 실제 승패와 맞지 않았다. 확률이 넓게 퍼지는데 AUC 가 0.52 라는 것은 학습 구간의 우연한 패턴에 맞춰진 모델이라는 신호다.

무엇을 보고 판단했나

쓸모 있던 정보는 미국 금리 변화의 방향과 크기, 그리고 미국 2년 금리다. 이것은 카드 자체가 이미 쓰는 정보다(카드는 g_us 로 날을 고르고 방향을 정한다). 나스닥, 금, 일본 금리, 비트코인, 코스피 외국인 수급은 확인 구간에서 섞으면 오히려 AUC 가 올라갔다. 즉 모델은 이 특징들에서 학습 구간에만 있던 패턴을 배웠다.

seed 다섯 개

사전등록은 seed 0 ~ 4 다섯 모형의 확률을 평균하기로 했다. 그런데 다섯 seed 의 확인 구간 차이가 모두 +0.13369틱으로 같았다. 이 모형은 표본이 1만 개 미만이면 조기 종료(검증용 표본을 무작위로 떼는 단계)를 쓰지 않고, 특징을 무작위로 고르는 단계도 없어서 seed 가 결과를 바꾸지 않는다. 사전등록한 «seed 평균» 은 실제로는 모형 하나였다. 결과가 seed 운에 기대지 않는다는 뜻이기도 하다.

해석

카드가 맞는 날과 틀리는 날을 가르는 정보는 밤사이 다른 자산 움직임에 거의 없다. 2차 모델이 실제로 기댄 것은 미국 금리 변화의 크기와 2년 금리였고, 이는 카드의 1차 신호와 같은 정보다. 2016 ~ 2022 표본 밖에서 보인 약한 판별력(AUC 0.548, 분위 승률 상승)은 확인 구간에서 이어지지 않았다. 신호를 더하는 대신 승률로 크기를 조절해도 다른 자산의 밤사이 정보는 카드 손익을 개선하지 못한다. 카드 크기 조절에 쓸 정보를 찾는다면 카드가 이미 쓰는 미국 금리의 다른 측면(크기, 만기 구조)에서 찾는 편이 숫자에 맞다.

한계

• 학습 표본이 268 ~ 1,244일로 작다. 특징 20개의 비선형 모형에는 버거운 크기다. 하이퍼파라미터를 잠가 과적합 선택은 막았지만 과적합 자체는 막지 못했다.
• 2016, 2017 년은 비트코인 열 없이 19개로 학습했다(이력이 없는 열은 구간을 나눌 수 없어 코드가 자동으로 뺐다).
• 사전등록한 seed 평균은 모형 하나와 같았다. 무작위성이 없는 모형에 seed 평균을 걸었던 설계상의 착오다.
• 순열 중요도는 2022 년까지 학습한 하나의 모형에서 잰 것이라 해마다 다시 학습한 실제 예측 모형들과 다르다.
• 2023 ~ 2026 은 카드의 R1 가중을 찾을 때 이미 본 기간이다. 기준선 자체가 확인 구간에 유리할 수 있다.
• 사전등록 특징 가운데 나스닥, 금, 비트코인은 2026-10-12 에서 끝나 그 뒤 카드 날은 결측으로 들어갔다.

산출물

• 계획protocol.md(사전등록 b9530fd), 프로그램 규칙은 0081_us_sector_etf_vector/protocol.md §1
• 분석analysis.md
• 코드code/s1_meta.py(확증), code/s_detail.py(기술 통계), code/render_figures.py(그림), code/render_model85.py(모델 구조도)
• 런results/20261029T140846_main/(metrics.json, card_meta.csv, model_2026_seed0.pkl), results/20261030T164408_detail/(daily_diff.csv, card_frame.csv, 폴드와 연도)

Appendix

A. 데이터셋 실물

card_meta.csv 의 실제 행(2026 년 마지막 카드 날들). dir 은 카드 방향(+1 매수, −1 매도), gross 는 1계약 비용 전 손익(틱), w 는 R1 가중, p 는 p̂, w_new 는 맞춤 상수를 곱하기 전 메타 가중, y 는 라벨.

B. 모델 입출력 실물

C. 실험 설정

• 1차 신호카드: |g_us| ≥ 3bp, 다음 달력일 세션, 롤 날 제외, 3선 시가 진입 종가 청산, R1 가중(불일치 1, 일치 0.5)
• 라벨dir × 3선 장중 − 1 > 0
• 특징g_us, g_us2, g_us5, d_dxy, g_fx, eps, g_nq, g_xau, g_btc, g_de10, g_fr10, g_jp10d, rv20, lvl_dist, kospi_for, for_share, base_rate, sr1y, pt1y, abs_g_us(결측 그대로)
• 모형HistGradientBoostingClassifier(max_depth 3, max_iter 200, learning_rate 0.05, min_samples_leaf 20, 나머지 기본), seed 0 ~ 4 확률 평균
• 학습확장 창, 해마다 1월 첫 거래일 재학습, 첫 예측 연도 2016(학습 2013 ~ 2015)
• 사이징w_new = w_R1 · clip(2p̂, 0, 2), 구간마다 총 계약을 R1 과 같게 비례 조정
• 판정확인 2023-01 ~ 2026-10 일별 차이, 비용 1틱, 월 블록 부트스트랩 5,000회(seed 66) 한쪽 p < 0.05, 2차 Holm 함께 보고
• 순열 중요도2022 년까지 학습한 seed 0 모형, 확인 구간, AUC 기준, 20회 반복(random_state 0)