베이즈 릿지로 3년 국채선물 되돌림 카드 날 손익을 예측해 계약을 나누면 나아지는가

가설과 결론

데스크 카드는 미국 10년 금리가 밤사이 3bp 이상 움직이면 다음 세션 3년 국채선물(3선)을 반대로 잡고, 원화 충격으로 1 또는 0.5계약(R1)을 싣는다. 카드 날마다 손익이 다르니, 밤사이 여러 자산의 움직임으로 «오늘 카드가 얼마나 벌지» 를 예측해 크기를 나눌 수 있을지 물었다. 카드 날은 1년에 100일 남짓이라 특징 20개를 그대로 회귀하면 과적합된다. 베이즈 릿지는 계수에 «0 근처일 것» 이라는 사전분포를 두고, 그 수축 강도를 자료에서 스스로 정한다.

두 구간 모두 음이다. 모델이 카드 손익의 순서를 전혀 맞히지 못했다(순위상관 0).

용어와 기호

자료

특징은 결측을 학습 평균으로(표준화 뒤 0) 채운다. 표준화는 각 모델의 학습 구간 평균과 표준편차로 한다. 시점은 이렇다. 미국과 유럽 특징은 뉴욕 날짜 s 종가로 한국 e 새벽에 확정되고, 국내 특징은 s 일 마감 값이다. 예측과 배수는 e 개장 전에 정해진다.

방법

1. 학습. 2016 ~ 2026 년 각 해에 대해, 그 전 해 말까지의 카드 날 전부로 특징 20개(학습 구간으로 표준화)를 써서 계약당 손익을 베이즈 릿지로 적합한다.
2. 예측. 그 해 카드 날마다 ŷ 를 낸다.
3. 눈금. 2016 ~ 2022 년 예측의 표준편차 σ̂ = 0.999 를 잠근다.
4. 계약 배분. 새 계약 = R1 × clip(1 + 0.5 × ŷ / σ̂, 0, 2).
5. 비교. 구간마다 총 계약을 R1 과 같게 맞추고 일별 손익 차이 d 의 월 블록 부트스트랩 5,000회(seed 66) 한쪽 p 를 낸다.
6. 판정에 쓰지 않는 탐색. E1 예측과 실제 손익의 Spearman 순위상관.

모델

설정

모델은 특징 20개의 선형식이고, 배우는 것은 계수 20개와 절편, 그리고 수축 강도 λ 와 잡음 정밀도 α 다. λ 를 자료가 정하므로 릿지의 α 를 사람이 고를 필요가 없다는 것이 이 모델을 쓴 이유다.

학습된 모델

절편은 학습 구간 카드 평균 손익과 같다. 2023 년 모델은 «2022 년처럼 미국 금리가 크게 움직이고 기준금리가 높으면 카드가 크게 번다» 를 배웠고, 2023 년도 그런 조건이라 모든 날을 크게 예측했다. 예측 수준이 눈금(σ̂ ≈ 1)의 몇 배라 배수가 상한에 붙는다.

결과

확증 결과

예측이 손익을 갈랐나

아래는 확증 런을 다시 만들어(예측과 일별 차이를 assert 로 확인) 낸 기술 통계다. 순위상관은 사전등록 탐색 E1 과 같은 값이다.

발견 구간에서는 가장 낮게 예측한 날이 가장 많이 벌었다(+5.21틱). 확인 구간에서는 5분위가 가장 높지만 1분위도 양이고 순서가 들쭉날쭉하다. 게다가 확인 구간 2 ~ 5분위는 모두 배수 2 라 그 순서는 계약 배분에 쓰이지도 않았다. 예측이 맞더라도 배수 상한 때문에 확인 구간에서는 사이징이 거의 작동하지 않았다.

누적 손익과 연도별 차이

2013 ~ 2015 년의 −93.7틱은 예측 때문이 아니다. 그 해들은 배수 1(R1 그대로)인데, 2016 년 이후 배수가 평균 1.5 를 넘어 구간 전체 총 계약을 맞추느라 k = 0.684 가 곱해졌고, 그만큼 2013 ~ 2015 년 손익이 깎였다. 예측이 실제로 쓰인 2016 ~ 2022 년만 더하면 −26틱이다. 어느 쪽으로 보아도 이득은 없다.

해석

베이즈 릿지는 과적합을 막는 데는 성공했다. 2016 ~ 2022 년 모델의 계수는 대부분 0.3 아래로 눌렸고 예측의 흔들림(σ̂ ≈ 1틱)도 작다. 그러나 눌린 결과 남은 신호가 카드 손익의 순서와 무관했다. 2022 년이라는 극단적인 해가 학습에 들어가자 모델은 그 해의 조건을 배워 이후 예측 수준을 크게 올렸고, 사이징은 상한에 붙어 기능을 잃었다. 카드 날 손익을 가르는 정보는 이 20개 특징의 선형 결합에 없었다.

한계

• 눈금 σ̂ 를 2016 ~ 2022 년 예측으로 정해 잠갔기 때문에, 예측 수준이 바뀐 확인 구간에서 배수가 상한에 붙었다. 예측을 해마다 다시 표준화하는 방법은 사전등록 범위 밖이다.
• 2013 ~ 2015 년 카드 날(발견 구간의 30%)은 예측이 없어 배수 1 이었고, 총 계약 맞춤 때문에 발견 구간 차이가 그만큼 음으로 기울었다.
• 목표가 비용 전 손익이고 카드 날은 연 100일 남짓이라 학습 표본이 작다(첫 모델 268일).
• 국내 수급 특징(코스피 외국인 순매수, 외국인 보유 비중)의 공개 시각을 따로 검증하지 않았다.

산출물

• 계획protocol.md(사전등록 88b2c97)
• 분석, 판정analysis.md
• 코드code/s1_bayes.py(확증), code/s_detail.py(기술 통계, 모델 기록, 확증 예측 재현 assert), code/render_figures.py(그림)
• 런results/20261029T160608_main/(확증), results/20261030T163252_detail/(card_days.csv, metrics.json)
• 공용 코드../0100_model_open_error_fade/code/libb2.py(특징 20개, 확장 창 학습, 카드 사이징 비교)

Appendix

A. 데이터셋 실물

card_days.csv 의 실제 행(2026-09 ~ 10). gross 는 카드 방향 계약당 손익(비용 전), pred 는 예측 ŷ, base 와 new 는 비용 1틱 뒤 하루 손익(new 는 k = 0.514 를 곱한 값).

B. 모델 입출력 실물

C. 실험 설정

• 카드, 기준선|g_us| ≥ 3bp, 다음 달력일 세션, 만기 교체 날 제외, R1 계약(엇갈림 1, 일치 0.5)
• 모델BayesianRidge 기본값(max_iter 300, tol 1e−3, 초사전분포 1e−6 넷), 특징 20개 학습 구간 표준화, 확장 창 해마다, 첫 예측 2016
• 사이징배수 = clip(1 + 0.5 × ŷ / 0.999, 0, 2), 예측 없으면 1, 구간별 총 계약 맞춤
• 비용왕복 1틱
• 분할발견 2013-01 ~ 2022-12, 확인 2023-01 ~ 2026-10
• 검정일별 손익 차이 월 블록 부트스트랩 5,000회, seed 66, 한쪽 p < 0.05, 63개 Holm