큰 움직임에 무게를 둔 신경망 학습이 3년 국채선물 30분 예측에서 비용을 넘는 거래를 고르는지 검증

가설과 결론

장중 방향 모델은 보통 평균 제곱오차를 줄이도록 학습한다. 그런데 돈이 되는 것은 비용을 넘는 큰 움직임뿐이다. 평균 오차를 줄이는 모델은 대부분을 차지하는 작은 움직임에 맞춰지고 꼬리는 소홀히 한다는 의심이 있다. 그렇다면 학습 때 큰 움직임 표본에 무게를 더 주면, 예측 오차는 비슷해도 «큰 예측» 이 나온 순간의 거래는 더 나아질 수 있다. 출처는 Jane Street 의 표본 가중 연구 글이다. 그 글은 언어모델에서 표본 가중이 실제로 얼마나 학습에 반영되는지가 모델 크기에 따라 달라지며, 작은 모델은 가중과 무관하게 일반 패턴만 배운다고 보고했다. 그래서 사전에 미지지를 예측했다.

용어와 기호

자료

데이터셋

아이디어 단계에서는 미국 10년 국채선물과 코스피200 1분봉도 넣으려 했지만, 두 계열은 2022-01 부터만 있어 발견 구간 2019 ~ 2023 을 채우지 못한다. 사전등록 때 둘을 뺐다. 국채선물 개장은 2025-11 까지 09:00, 2025-12 부터 08:45 다. 첫 결정 시각을 10:00 에 두어 두 체제 모두 개장 뒤 한 시간이 지나게 했다.

표본과 거르기

결정 시각마다 거래는 하나이고, 진입은 t+1분 봉, 청산은 t+31분 봉이다. 다음 결정 시각의 진입이 앞 거래의 청산과 같은 봉이라 거래가 겹치지 않는다. 15:45 종가 단일가 봉은 쓰지 않는다.

방법

분기마다 다시 학습하는 걷기 전진이다. 첫 시험 분기는 2020Q1 이고 학습은 2019-01 부터 시험 분기 전날까지 늘어나는 창이다. 다섯 MLP 안(U, T3, T10, V3, V10)을 seed 5개씩 학습해 예측을 평균했다. 학습 27개 분기 × 5안 × 5 seed = 700번 학습했다(마지막 분기 2026Q4 는 10월까지).

사전에 고정한 것: 특징 21개, 모델 세팅, 가중안 넷과 배수, 문턱 1.5틱, 선택 규칙, 비용, 검정, 판정 문턱. 결과를 본 뒤 정한 것: 분위 문턱 탐색 E1 하나(protocol 수정 1, 판정 불변).

모델

모델은 scikit-learn MLPRegressor 다. 입력 21개를 학습 구간 평균과 표준편차로 표준화하고 ±5 에서 자른 뒤, 은닉 32, 16(ReLU)을 지나 출력 하나(30분 뒤 틱)를 낸다. 학습 표적은 학습 구간 0.1%, 99.9% 분위에서 자르고(평가 표적은 자르지 않음), 손실은 표본 가중 제곱오차다. 왜 이 모델인가: 이 실험은 «같은 모델에 가중만 바꾸면» 을 묻기 때문에 구조를 작게 고정했다. 릿지 R 은 비선형이 필요한지 보는 기준선이다. 아래 그림은 모두 마지막 분기(2026Q4) 학습 객체에서 그렸고, 그리기 전에 그 객체들이 커밋된 예측을 오차 1e-9 안에서 재현하는지 확인했다.

결과

확증 결과

발견 구간에서도 가중 네 안은 모두 거래가 50건 미만이었고 건당 net1 은 모두 크게 음수였다. 선택 규칙의 대체안 T3 가 W* 가 되었다. 확인 구간에서 1.5틱 이상 예측은 한 번도 나오지 않았고, 두 확증 가설은 검정할 수 없어 폐기로 판정했다. 충격 구간을 빼도 거래는 0건이다. 금통위 날 21일(탐색 H410)에도 거래가 없었고, 그날의 RMSE 는 W* 4.176, U 4.170 으로 같았다.

예측이 왜 문턱에 못 닿았나

예측이 작은 것은 모델이 방향을 거의 모른다는 뜻이다. 제곱오차를 줄이는 모델은 신호가 약하면 예측을 0 쪽으로 줄인다. 가중은 예측 표준편차를 0.16 에서 0.19 ~ 0.22틱으로 조금 키웠을 뿐이다. 확인 구간은 발견 구간보다 조용해서(y 표준편차 2.35 대 3.31틱) 예측이 더 작아졌다.

탐색 결과

질문의 뜻(가중이 상위 신호를 더 잘 고르는가)을 보려고, 결과를 본 뒤 문턱을 안마다 과거 |ŷ| 의 98% 분위로 바꿨다(E1). 문턱은 시험 분기 이전 정보만 쓴다. 판정에는 쓰지 않는다.

net1 > 0 의 한쪽 p 는 0.57(U) ~ 0.94(V3) 이고 Holm 뒤 모두 1.0 이다. 원형 이동 귀무에서 가중 − U 차이의 p 는 0.87 ~ 0.97 로, 가중의 이득은 귀무보다도 낮은 쪽이다. 충격 구간을 빼면 U −0.56, T3 −0.85, T10 −1.38, V3 −1.21, V10 −0.98틱으로 그림이 같다. 99% 분위에서는 연 4 ~ 7회로 줄고 U 만 +0.93틱(14건), 가중안은 −0.44 ~ −1.92틱이다.

해석

작은 MLP 는 이 특징으로 30분 3선 방향을 거의 알지 못한다. 적중률 50 ~ 51% 와 보정 그림이 그것을 보여 준다. 표본 가중은 정보를 만들지 못하고 예측의 폭만 조금 키운다. 방향 정보가 없는데 폭만 커지면 상위 신호는 큰 움직임이 있던 국면을 더 자주 고를 뿐이고, 건당 손익은 비용만큼 음수로 수렴한다. 가중이 2022 급변기에만 좋아 보였던 것은 그 해 표본에 맞춘 결과로 보이며 확인 구간에서는 뒤집혔다. 출처 글이 말한 «작은 모델은 표본 가중과 무관하게 일반 패턴을 배운다» 와 같은 그림이다.

한계

산출물

• 사전등록protocol.md
• 분석과 판정analysis.md
• 정본 런results/20261102T225519_main/
• 코드code/s1.py, code/s2_quantile.py, code/render_figures.py

Appendix

A. 데이터셋 실물

특징 이름: f3, f10 은 3선, 10선, fx 는 달러선물. _r5 ~ _r60 은 지난 5 ~ 60분 수익(선물은 틱, 달러선물은 로그 bp), _open 은 그날 첫 봉 대비, f3_prev 는 전 거래일 마지막 봉 대비, _vr30 은 지난 30분 거래량을 전일 30분 평균 거래량으로 나눈 로그, _rv60 은 지난 60분 1분 변화 절댓값의 합(틱), tod 는 09:00 부터의 시간이다.

B. 모델 입출력 실물

10:30 행은 그 전 한 시간 동안 3선이 6틱 내린 뒤다. 모든 안이 약한 반등(+0.1 ~ +0.4틱)을 예측했지만 실제로는 7틱 더 내렸다. 어느 예측도 1.5틱 문턱 근처에 가지 않는다.

C. 실험 설정