한국 주식(KOSPI·KOSDAQ) 알파를 개별 트레이드 분포 관점에서 체계적으로 분석하는 리서치 프레임워크.
이 저장소는 세 층으로 구성된다 — (1) 재현 가능한 검증 파이프라인, (2) 그 파이프라인으로 도출한 체계적 분석 결과, (3) 각 전략이 왜 작동하거나 실패하는지에 대한 메커니즘 해부. 백테스트는 거의 언제나 우상향 곡선을 그리므로, 연구의 핵심은 "어떤 곡선이 표본 노이즈가 아니라 구조적 엣지인가"를 분포·재현성·음성대조로 판별하는 데 있다.
한눈에 보는 발견
- 알파에는 성격이 정반대인 두 유형이 있다 — 소수의 꼬리 사건에 의존하는 **볼록형(트레이더 엣지)**과 다수 종목에 넓게 분산된 확산형(기관 엣지). 둘은 승률·왜도·집중도·재현성이 체계적으로 갈린다(§3).
- 검증된 확산형 알파는 PEAD(실적 서프라이즈 후 드리프트)이며, 무상관 슬리브와 결합한 멀티-알파 북이 비용·분할조정 후 시총가중 인덱스를 파레토 지배한다(§4).
- 진입 시점의 모멘텀 강도가 사후의 꼬리 수익을 선험적으로(a-priori) 예측한다는 등, 개별 트레이드 분포는 구조적 규칙성을 드러낸다(§3.2).
- 여러 볼록형 후보는 엄격한 개별-트레이드 재현성 검증을 넘지 못했다. 이는 실패의 나열이 아니라, 왜 넘지 못하는지에 대한 메커니즘 분석으로 제시된다(§5).
데이터 수집은 이 저장소에 없다. 수집 로직(DART·키움·KRX·네이버 커넥터, TimescaleDB 적재)은 kr-quant-airflow로 분리되어 있다. 본 저장소는 DB를 읽기 전용으로 사용한다.
- 확률론적 최적화, 결정론이 아니다. 한 번의 백테스트 경로는 분포에서 뽑은 하나의 표본이다. 그 경로의 극값(파라미터 미니마)을 추구하는 것은 곧 표본 노이즈에 과최적하는 것이다. 판정은 효과가 여러 폴드·표본에서 같은 방향으로 재현되는지로 내린다.
- 분석 단위는 개별 트레이드다. 평균이나 복리 자본곡선이 아니라 개별 트레이드의 R-멀티플 분포로 본다. 한 종목에서 발생한 복수의 매매는 각각 독립 표본이다.
- 취약성은 1급 지표다. 양(+)의 기대값이 소수의 꼬리 사건에 의존한다면 통계적 신뢰는 낮다. 상위 k건 제거 생존·최장 연패·집중도를 함께 본다.
- 룩어헤드는 절대 금기다. 지표는 t 시점까지의 정보로만 계산하고 진입은 t+1, 임계값은 TRAIN(진입일 < 2022-01-01)에서만 학습해 전진 적용한다.
- 게이트는 리포터이지 판정기가 아니다. 검증 함수는 숫자만 산출하고 배포 결정은 사람이 내린다. 하드코딩된 합격선은 그 자체가 결정론적 과최적이다.
후보 알파는 배포 전 동일한 게이트를 통과해야 한다. 게이트는 research/experiments/prop_gate.py에 하나의 하버스로 구현되어 있고, 규칙과 문헌 근거는 docs/GUARDRAILS.md에 있다.
| 관문 | 질문 | 라이브러리 |
|---|---|---|
| Walk-forward 재현성 | 여러 시기에서 반복되는가 (clean-OOS 폴드 부호) | kr_quant.validation.walkforward |
| 랜덤 음성대조 | 신호를 파괴한 널(null)을 이기는가 | prop_gate.random_entry_control |
| 손 안 댄 최종 구간 | 탐색에 한 번도 쓰지 않은 구간에서 사는가 | prop_gate (untouched window) |
| 비용·슬리피지 | 현실 비용의 2배에도 사는가 | prop_gate (cost sweep) |
| 취약성 | 상위 몇 건을 제거해도 사는가 | kr_quant.diagnostics.fragility |
| 다중검정 보정 | 시도한 config 수를 반영한 Deflated Sharpe | kr_quant.diagnostics.gate_report |
음성대조가 핵심인 이유. 폴드 성공 개수만으로 판정하면 순수 노이즈도 "6폴드 중 5폴드 양수"를 약 46% 확률로 통과한다. 따라서 진짜 판별 기준은 폴드 수가 아니라 "전략이 자기 자신의 랜덤 버전을 유의하게 이기는가"이다. 정석 개념은 문헌을 따른다(§9).
동일한 한국 주식 데이터에서 성격이 상반된 두 종류의 엣지가 관찰된다. 이 구분은 전략을 고르기 전에 어떤 종류의 게임을 하는지를 규정한다.
| 축 (개별 트레이드, OOS) | 볼록형 (트레이더 엣지) | 확산형 (기관 엣지) |
|---|---|---|
| 대표 사례 | 급등주 스윙(개미 투매 역발상) | PEAD(실적 드리프트) |
| 승률 | ≈35% | ≈45% |
| 분포 왜도 | +5.9 (강한 우측 꼬리) | +1.7 |
| 최대 단일 트레이드 | +521% | +132% |
| 엣지의 출처 | 소수 대박 꼬리 | 수많은 얇은 엣지의 평균 |
| walk-forward 재현성 | 깨지기 쉬움 | 안정적 |
볼록형은 손절로 왼꼬리를 자르고 승자를 태워 오른꼬리를 노리지만, 수익이 소수 사건에 집중될수록 재현이 불안정하다. 확산형은 개별 트레이드가 얇고 승률도 압도적이지 않으나(≈45%), 상관이 낮은 다수 종목을 묶으면 분산으로 변동성이 낮아져 book 단위에서 안정적 Sharpe가 나온다(§4) — 이것이 PEAD가 트레이더 엣지가 아니라 기관 엣지인 이유다.
개별 트레이드 수익 분포. 볼록형(급등주 스윙)은 왜도가 높고 소수 꼬리에 P&L이 집중되는 반면, 확산형(PEAD)은 대칭에 가깝고 넓게 분산된다.
개별 트레이드 분포를 진입 시점 특성으로 층화하면 구조적 규칙성이 드러난다. 급등주 스윙에서 진입 시점의 모멘텀 강도로 5분위를 나누면, 사후 트레이드의 기대수익이 전반적으로 우상향하며 최상위 분위(Q5)가 최하위(Q1)를 크게 상회하는 관계가 TRAIN과 OOS에서 모두 성립한다(개별 분위는 표본 노이즈로 다소 비단조적이나 전체 방향성은 견고하다). 즉 "어느 트레이드가 대박이 될지"는 순전한 운이 아니라 진입 시점에 부분적으로 예측 가능하다. 다만 이 예측력만으로는 집중·비용을 반영한 배포 기준을 넘지 못한다 — 신호가 정보를 담는 것과 그 정보가 거래비용을 이기는 것은 별개다.
진입 시점 모멘텀 강도로 나눈 5분위별 사후 기대수익. Q5가 Q1을 크게 상회하는 우상향 관계가 TRAIN·OOS 둘 다에서 성립한다(개별 분위는 노이즈로 다소 비단조적이다).
분석 코드: research/experiments/pead_gate.py, 게이트 하버스: prop_gate.
상관이 낮은 세 수익원 — PEAD(실적 YoY 드리프트, 대형주 스태거드 롱온리 excess), 미너비니(추세템플릿+VCP 돌파+breadth 레짐의 리더주), 인덱스(시총가중 베타) — 를 고정 가중으로 결합한다. 월수익 상관은 IDX–PEAD −0.19, IDX–MNV −0.04, MNV–PEAD +0.05로 롤링 24개월에서도 |상관| < 0.25이다. 어느 슬리브도 단독으로 인덱스를 압도하지 못하지만, 무상관 결합의 분산 이득이 지속된다.
| 분할조정·비용 반영, n≈87–96개월 | CAGR | Sharpe | MaxDD |
|---|---|---|---|
| 시총가중 KOSPI100 프록시 (벤치마크) | +15.5% | 0.66 | −35% |
| 멀티-알파 북 (IDX 50 / PEAD 25 / MNV 25) | +19.3% | 1.06 | −24% |
- PEAD는 세 슬리브 중 유일하게 단독 robust하다 — 유니버스 대비 초과수익 약 +8%p/년, t ≈ 2.16–2.97(2016–2026), 비용후 단독 Sharpe 0.65(t 2.37). 표본을 2016–2017로 확장해도 유지된다.
- 과최적 방지(저자 명시). in-sample 최대-Sharpe 가중(IDX25/PEAD65/MNV10, Sharpe 1.36)은 채택하지 않는다 — PEAD 과적합이다. 고정·단순 가중이 OOS에서 견고하다. LightGBM 강화판(북 Sharpe 1.37–1.57)도 표본을 확장하면 plain PEAD와 동급으로 수렴하므로 robust한 우위로 인정하지 않는다.
전체 규칙·가중 근거·caveat: research/logs/MULTI_ALPHA.md.
방법론(§2)을 여러 볼록형 스윙 가설에 적용한 결과다. 각 항목은 "죽었다"가 아니라 왜 개별-트레이드 단위에서 재현되지 않는지의 메커니즘으로 읽어야 한다 — 이것이 스크리너 수준의 백테스트가 놓치는 지점이다.
| 가설 | 유형 | 관측된 메커니즘 | 기록 |
|---|---|---|---|
| 개미 투매 역발상 | 볼록·급등주 스윙 | 수익이 상위 1%(순P&L의 84%)에 집중 → 단일 국면 의존, walk-forward 2/6 | logs |
| 미너비니식 돌파 | 추세추종 | 포트폴리오 성과는 레버리지·복리 효과였고, 개별 트레이드 기대값은 랜덤 널(+0.078R) 아래(−0.029R) | VERDICT |
| 눌림목 평균회귀 | 고승률 가설 | 가설의 전제인 고승률이 성립 안 함(34%); 널(−0.267R)보다도 낮은 −0.334R | VERDICT |
| 실적 서프라이즈 집중 | 이벤트 스윙 | PEAD는 느린 60일 드리프트 → 손절·보유상한이 승자를 잘라 확산 엣지를 파괴 | VERDICT |
분석적 결론. 네 가설은 모두 오래 차익거래되어 온 가격 패턴이며, 유동 대형주에서 개별 트레이드 단위로 재현되는 롱온리 엣지를 남기지 않았다. 이 발견의 값어치는 방향 자체가 아니라 메커니즘의 이해에 있다 — 분산 엣지를 집중하면 왜 죽는지(PEAD 집중), 포트폴리오 지표가 왜 개별 엣지를 과대평가하는지(미너비니). 종합: research/logs/prop_swing_search/SUMMARY.md.
알파가 전부가 아니다. 알파 탐색은 대부분 부정으로 끝나지만, 그 과정에서 남는 것이 더 오래간다.
- 재사용 가능한 검증 프레임워크. walk-forward·음성대조·손 안 댄 구간·취약성·Deflated Sharpe를 하나의 게이트로 묶은
kr_quant.validation·kr_quant.diagnostics. 어떤 새 가설이든 동일한 잣대로 몇 시간 만에 심사한다 — 특정 알파보다 오래 남는 자산이다. - 분포적 사고. 평균이나 자본곡선이 아니라 개별 트레이드 분포로 보면 같은 데이터가 다르게 읽힌다. 볼록형/확산형 구분, 꼬리 집중도, 선험적 예측력은 이 렌즈에서만 드러난다.
- 음성대조라는 규율. "내 전략이 랜덤보다 나은가"는 단순하지만 대부분의 자기기만을 잡아낸다(순수 노이즈가 폴드 기준을 46% 통과한다).
- 엔지니어링 토대. PIT 데이터·무룩어헤드·읽기전용 분리·경계 린트·CI. 알파와 무관하게 재현 가능한 리서치를 떠받치는 하부구조다.
- 무엇을 하지 않을지 아는 것. 재현되지 않는 전략을 일찍 접는 것은 실패가 아니라 자본과 시간의 절약이다.
- 메커니즘 이해. "왜 되는가/왜 안 되는가"는 다음 탐색의 지도다 — 분산 엣지를 집중하면 죽는다, 포트폴리오 지표는 개별 엣지를 과대평가한다. 이런 통찰은 특정 전략보다 이전(transfer)된다.
검증하는 법을 갖추면 다음 알파는 더 빠르고 더 정직하게 찾는다. 이 저장소가 공유하려는 것은 결국 그 역량이다.
src/kr_quant/
├── storage.py # 읽기 전용 DB 접근 (connect / market_cap_asof)
├── price_adjust.py # 기업행동 백조정 (airflow DAG가 in-place 실행)
├── engine/ # 백테스트 엔진: cross-sectional·event-driven sim, 패널, 메트릭, recipe
├── validation/ # walk-forward·민감도·BO 목적함수·purge/embargo·생존편향 검사
├── diagnostics/ # R-멀티플 분포·취약성·gate_report(리포터)
├── strategies/ # pead · accumulation · minervini_sepa · supply_wave · multi_signal
├── models/ # graph_flow(그래프 확산) · ensemble_signal(릿지 앙상블)
├── features/ # fundamentals · rs_rating · vcp · short_flow · sector_flow · universe
└── viz/ # 수급 시각화
research/ # 리서치 실험 (라이브러리를 호출하는 얇은 스크립트)
├── signals/ # 신호 정의 (contrarian_retail · operator_flow/minervini)
├── experiments/ # 실험 러너 — prop_gate 게이트 하버스로 심사
└── logs/ # VERDICT · SUMMARY (검증·분석 결과 기록)
설계 원칙: src/kr_quant는 순수 라이브러리(numpy/pandas)로 research/를 import하지 않는다(경계는 scripts/check_guardrails.py가 CI에서 강제). 새 알파의 표준 흐름은 research/TEMPLATE.md.
git clone https://github.com/younghwan91/kr-quant
cd kr-quant
uv venv && uv pip install -e ".[viz,dev]"
cp .env.example .env # KR_QUANT_DB에 TimescaleDB 접속정보 (비우면 로컬 SQLite)
uv run pytest # 네트워크 불요 — 검증·진단 라이브러리 회귀 테스트
uv run ruff check .
python scripts/check_guardrails.py # 경계·리포터 규율 검사분석 CLI(모두 DB 읽기 전용): kq-pead(PEAD 백테스트), kq-sepa(SEPA 멀티암 비교), kq-screen(매집 스크리너, §9), kq-chart --code 005930(수급 차트).
- Bailey, D. H., & López de Prado, M. (2014). The Deflated Sharpe Ratio. Journal of Portfolio Management.
- Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. The Probability of Backtest Overfitting (CSCV).
- Harvey, C. R., & Liu, Y. (2016). …and the Cross-Section of Expected Returns. Review of Financial Studies (다중검정 t-haircut).
- López de Prado, M. (2018). Advances in Financial Machine Learning (purged K-fold + embargo).
주가가 좁은 범위에서 횡보하는 동안 외국인·기관이 순매수하고 개인이 순매도하는 와이코프식 매집 구간을 점수화하는 1차 스크리너다. 점수 = (외국인+기관 누적 순매수 ÷ 평균거래량) ÷ 변동범위. 이는 검증된 알파가 아니라 탐색용 스크리너이며, 아래 그림은 단일 짧은 윈도우(2026-05-15~06-12, 19거래일)의 in-sample 예시로 성과 주장이 아니다.
매집 신호는 돌파를 보장하지 않으며, 롤링 아웃오브샘플·거래비용·생존편향을 통제한 정식 백테스트가 아니다. 재생성:
python scripts/make_figures.py.
| 테이블 | 용도 |
|---|---|
stocks |
code, name, market, sector, kind |
supply_demand |
투자자별 수급 (foreign/institution + 기관 세부 8종, PK: code+date) |
daily_bars / daily_bars_adjusted |
OHLCV; 분할조정본은 price_adjust.py 생성 |
earnings |
DART 실적 (avail_date 기준 룩어헤드 없음) — PEAD 소스 |
consensus |
목표주가·투자의견·forward EPS 일별 축적 |
shares_outstanding_history |
시가총액용 발행주식수 이력 |
short_selling / credit_balance / sector_index |
공매도·신용잔고·업종지수 |
delisted_stocks |
상장폐지 종목 (생존편향 보정용) |
테이블 소유·마이그레이션은 kr-quant-airflow가 담당한다.
- 단일 시장·일봉 지평. 결과는 한국 유동 대형·중형주와 일봉 데이터에 한정된다. 장중·틱·대체데이터는 다루지 않는다.
- 용량(capacity). 대형주 스태거드 롱온리 기준이며, 소형·급등주 확장 시 슬리피지·용량은 별도 통제가 필요하다.
- 생존편향.
delisted_stocks로 부분 보정하나 진정한 delisting return의 완전성은 데이터 벤더에 의존한다(universe_hygiene는 스멜테스트이지 보증이 아니다). - 과거는 미래를 보장하지 않는다. 모든 수치는 백테스트 결과이며, 이 저장소의 기여는 수익 보장이 아니라 체계적 검증 방법론과 그 분석 결과의 공유다.
MIT