3년 국채선물 고유 몫 되돌림에서 비용을 넘을 날만 고르는 메타 라벨 검증

가설과 결론

앞선 실험에서 3선 장중 변화 가운데 같은 시간 코스피200 선물과 달러선물이 설명하지 못하는 몫(이 페이지의 «고유 몫», 기호 r)이 다음 날 반대로 움직이는 것을 보았다. 신호가 선 날의 평균은 비용을 넘지만 날마다 손익의 흔들림이 크다. 출처 논문(arXiv 2610.15144)은 예측에 좋은 특징이 비용 뒤 손익에도 좋은 것은 아니라는 점을 특징 빼기로 보였다. 이 실험은 그 물음을 메타 라벨 형태로 옮겼다. 방향은 고유 몫이 정하고, 분류기는 «오늘 들어가면 비용 2틱을 넘을까» 만 맞힌다.

용어와 기호

자료

데이터셋

표본과 거르기

3선 15:30 가격은 장 마감이 15:15 에서 15:45 로 바뀐 2016-08 부터 있다. 그래서 D2 는 2016-08 부터 계산된다. 코스피200 선물 1분봉의 결측이 월말 전후에 덩어리로 몰려 있어 앞선 실험 정의(유효 200 세션)로는 r 이 2024-02 에야 생긴다. 이 실험은 최소 유효 행을 120 으로 낮춰 2022-11 부터 r 을 썼다. r 과 f3 의 상관은 0.96 이다.

언제 무엇을 아는가

• 15:30 까지: f3, r, 장중 범위, 체결량, 코스피200 과 달러선물 장중 변화. 모두 15:30 이하 마지막 1분봉(5분 이내)에서 잰다.
• 한국 s 개장 전: g_us_prev(뉴욕 날짜 s−1 종가). 패널의 같은 행 미국 열(뉴욕 날짜 s)은 한국 s 15:30 뒤에 확정되므로 특징으로 쓰지 않았다.
• 미리 공표: 3년물 입찰 일정(auc_wk 는 세션 e 의 주).
• 진입은 s 정산가(15:45 마감 경매), 청산은 e 정산가. 라벨은 e 의 정산가가 나와야 확정되므로 학습은 e 가 재학습일보다 앞선 행만 쓴다.

방법

분기 첫날마다 분류기를 다시 학습하고 그 분기의 사건일에 p̂ 를 낸다. 학습 행은 사건일만이 아니라 신호가 있는 모든 날이다(사건일만 쓰면 2024 초 학습 표본이 60건 안팎이다). 학습 행이 150 에 닿는 첫 분기는 2024Q1 이다. 선택 문턱 τ 는 학습 구간 사건일 p̂ 의 67번째 백분위라 그 분기 안의 정보는 쓰지 않는다. 비교는 같은 확인 구간에서 선택 거래와 사건일 전체의 건당 총손익 평균 차이다. 비용은 두 묶음에 똑같이 붙으므로 차이는 비용과 무관하다.

모델

확증 모델(M1)은 LightGBM 이진 분류기다. 하이퍼파라미터는 max_depth 3, num_leaves 7, n_estimators 200, learning_rate 0.03, min_child_samples 20(min_data_in_leaf 와 같다), subsample 0.8(bagging_freq 1), colsample_bytree 0.8, reg_lambda 1, random_state 178 이고 결측은 LightGBM 기본 처리에 맡겼다. 깊이를 3 으로 묶은 것은 학습 표본이 150 ~ 820행이라 과적합을 막기 위해서다. 비교 모델(M2)은 L2 로지스틱 회귀(C 0.1, 학습 구간 평균과 표준편차로 표준화, 결측 0)다.

아래 그림은 마지막 분기(2026Q4)에 쓴 학습된 모델 그대로다. 그 모델이 커밋된 p̂ 를 다시 내는지 확인한 뒤 그렸다.

뿌리(깊이 0) 행이 각 트리가 가장 먼저 보는 특징이다.

결과

확증 결과

선택은 무조건보다 건당 +0.33틱 컸다. 예측한 +0.5틱에 못 미치고, 90% 구간 −1.18 ~ +1.84 가 0 을 넓게 걸친다. 메타 라벨은 비용을 넘을 날을 고르지 못했다.

기준선과 비용 민감도

선택 편향 귀무와 순위 능력

p̂ 와 잔차 크기의 순위상관은 0.50 이다. 모델이 배운 것의 상당 부분이 «크기가 크면 좋다» 인데, 사건일 손익과의 순위상관은 p̂ 0.03, 잔차 크기 0.08 이다. 크기 하나가 모델보다 순위를 잘 매긴다. 다음 날 손익의 표준편차가 약 16틱이라 «2틱을 넘는가» 라벨은 사건일의 52% 에서 1 이고, 동전에 가깝다.

강건성 격자

특징 빼기

출처 논문의 물음(«예측에 좋은 특징이 비용 뒤 손익에도 좋은가») 에 대한 답은 더 나쁘다. 손익 기여 자체가 정의와 구간에 따라 부호가 뒤집혀, 이득 순위와 비교할 안정된 순기여가 없다. D1 에서 모든 특징이 기여한 것처럼 보이는 것은 76건짜리 선택 집합이 특징 하나만 바뀌어도 크게 달라지는 잡음으로 읽힌다. 남길 만한 특징은 잔차 크기 하나뿐이다.

연도와 실행 시점

정보를 본 15:30 에서 1분, 5분 늦춰 연속 거래 마지막 체결가로 들어가도 결과는 거의 같다. 마감 경매는 한 가격에 모두 체결되므로 지정가 체결 확률 문제는 생기지 않는다. 청산을 다음 날 시가로 당기면 이익의 상당 몫이 사라진다. 되돌림의 큰 몫이 다음 날 장중에 일어난다(크기 필터 갭 몫 +2.01, 장중 몫 +1.76틱). 충격 구간을 빼면 무조건 +1.07(215건), 메타 선택 +0.69(71건), 크기 필터 +2.53(73건, p 0.03)이다.

독립성: 메타 선택과 미국 야간 되돌림 카드의 일 손익 상관은 0.05(76일 중 34일 겹침), 크기 필터는 −0.01(83일 중 40일 겹침)이다. 금통위 전날 10선 규칙과 보유가 겹친 날은 없다.

탐색 결과

아래는 결과를 본 뒤의 관찰이고 판정에 쓰지 않는다.

• 회귀 변형: LightGBM 회귀로 g 자체를 예측해 상위 1/3 사건일을 고르면 85건 net1 +0.79, 무조건 대비 −0.37틱. 연속 표적으로 바꿔도 나아지지 않는다.
• D2 메타 선택(H449, 사전등록 비교): 발견 2017 ~ 2023 차이 +1.07(p 0.050), 확인 +1.00(p 0.077). 이력이 긴 정의에서는 방향이 맞지만 어느 구간도 5% 를 분명히 넘지 못한다.
• 크기 필터 문턱: 직전 250 세션 백분위 0.7, 0.8, 0.85, 0.89, 0.93 에서 net1 +1.04, +1.87, +2.40, +2.35, +3.91, 건수 212, 135, 108, 79, 53. 크기가 클수록 대체로 좋아진다.
• 크기 필터 D2, 2017 ~ 2026: 295건(연 30회), net1 +1.51(p 0.02). 발견 2017 ~ 2023 만 보면 +0.98(p 0.13)로 약하고 확인 +2.96(p 0.01)다. 손익은 보유 중 미국 10년 변화의 반대 방향과 상관 0.37 이다.

해석

되돌림 신호 자체는 확인 구간에서 비용 1틱을 넘었다(+1.16틱, p 0.01). 메타 라벨이 실패한 까닭은 신호가 없어서가 아니라 날마다의 손익 잡음(표준편차 약 16틱)이 라벨 문턱 2틱보다 훨씬 커서, 수백 행으로 학습한 분류기가 잡음 위의 순서를 배우지 못했기 때문이다. 분류기가 배운 것 가운데 쓸모 있는 몫은 «크기가 크면 좋다» 였고, 그것은 모델 없이 크기로 자르는 편이 더 잘했다. 특징 빼기의 손익 기여는 구간마다 부호가 바뀌어 특징을 줄인 모델을 만들 근거가 되지 않는다. 남는 길은 분류가 아니라 크기 하나로 자르거나 크기에 비례해 계약을 나누는 단순 규칙이다.

한계

다음 실험

1. 크기 필터 단독 규칙의 사전등록 검정. 신호 = 3선 장중 변화(또는 고유 몫)의 크기가 직전 250 세션 89번째 백분위 이상, 방향은 반대, 정산가 진입과 다음 날 정산가 청산, 연 약 30회. 2017 ~ 2023 을 발견, 2024 ~ 를 확인으로 보고하되 이미 본 구간이므로 2026-11 이후 실시간 성과로만 판정한다. 미국 야간 되돌림 카드와 상관 −0.01 이라 독립 전략 후보다.
2. 분류 대신 크기 조절. 사건일 모두 진입하고 계약 수를 신호 크기의 직전 분위로 1, 2, 3배 나눠, 같은 총 계약에서 무조건 진입보다 나은지 본다.

산출물

• 계획protocol.md(사전등록 6c70d40, 수정 a562113 은 첫 런 뒤 감사 지적 수리)
• 분석, 판정analysis.md
• 코드code/s0_panel.py(패널), code/s1_main.py(확증과 사전등록 보조 보고), code/s2_explore.py(탐색), code/render_figures.py(그림과 구조도)
• 무효 런results/20261103T201642_main_void_audit/(감사 전 첫 런, 비교용)
• 정본 런results/20261103T210714_main/(metrics.json, explore.json, trades.csv, grid.csv, perm.csv, ablation.csv, years.csv, quint.csv, size_trades.csv, size_years.csv, models/)

Appendix

A. 데이터셋 실물

정본 런 trades.csv 의 실제 행(2026-10 사건일, 소수 셋째 자리 반올림). sig 는 r, N 과 g 는 틱이다.

2026-10-13 의 g_us_prev 가 빈 값인 것은 뉴욕 날짜 10-12 가 미국 휴일이어서다. 이 달 사건일 8일 가운데 5일을 골랐고, 그중 셋(10-13, 10-19, 10-27)은 이기고 둘(10-12, 10-20)은 졌다. 고르지 않은 10-01 은 졌고 10-23 은 이겼다.

B. 모델 입출력 실물

2026Q4 모델이 2026-10-20 에 실제로 받은 입력과 낸 출력이다.

C. 실험 설정

• 기간D1 신호 2022-11-07 ~ 2026-10-28(첫 예측 2024-01-11), D2 2016-08 ~ 2026-10-28, 확인 2024-01-01 ~ 2026-10-28
• 신호D1 r(250 세션 회귀, 최소 유효 120), D2 f3
• 사건|신호| ≥ 직전 250 세션 67번째 백분위(최소 60)
• 라벨g > 2틱
• 모델LightGBM max_depth 3, num_leaves 7, n_estimators 200, learning_rate 0.03, min_child_samples 20, subsample 0.8, bagging_freq 1, colsample_bytree 0.8, reg_lambda 1, random_state 178. 비교 L2 로지스틱 C 0.1
• 학습분기마다 확장 창, 라벨 확정 행만, 최소 150행, 신호가 있는 모든 날(다음 세션이 월물 교체일인 날 제외)
• 선택p̂ ≥ 학습 구간 사건일 학습 내 p̂ 67번째 백분위
• 진입, 청산s 정산가 → e 정산가, 같은 월물, 달력 4일 이상 보유와 만기일 제외
• 비용왕복 1틱(판정), 2틱(보고), 0.5틱 민감도
• 검정월 블록 부트스트랩 5,000회 한쪽 p(seed 178), 짝 비교는 같은 달을 함께 추출, 라벨 순열 200회(seed 1781), H444 ~ H447 Holm, 지지 문턱 Holm p < 0.05
• 격자사건 백분위 0.5, 0.67, 0.8 × 라벨 1, 2, 3틱 × 선택 비율 1/4, 1/3, 1/2
• 충격 구간고정 9개 사건일부터 10 세션