리버설 트레이딩 전략의 과최적화와 현실적 대안
통찰
백테스트에서 80% 승률을 보인 전략이 실전에서 40%로 떨어지는 이유는 데이터 마이닝 편향(data mining bias) 때문이다. 과거 데이터에 가장 잘 맞는 파라미터를 찾는 과정에서, 우연히 발생한 패턴을 ‘전략’으로 오인하게 된다. 진정한 검증은 out-of-sample 테스트와 포워드 워크(forward walk) 분석에서 드러난다.
핵심 문제
- 파라미터 과적합: RSI 기간(14 vs 12 vs 16), 손절 폭(1.5% vs 2.0%) 등 미세한 차이가 백테스트 결과를 크게 좌우.
- 생존자 편향: 거래소에서 상장 폐지된 종목은 백테스트에서 제외되어 실제 리스크가 과소평가됨.
- 거래 비용 무시: 슬리피지와 수수료를 반영하지 않으면 수익률이 30% 이상 과장됨.
현실적 대안
- 파라미터 범위 테스트: 단일 값이 아닌 범위(예: RSI 10~20)에서 안정적인 성과를 내는 전략 선택.
- 몬테카를로 시뮬레이션: 무작위 진입 신호를 10,000번 생성하여 실제 전략이 우연보다 나은지 검증.
- 실시간 샌드박스: 가상 계좌에서 3개월간 운영 후 실전 전환.
연결
- 20260615-my-reversal-trading: 전략의 구체적 파라미터
- model-overfitting: 머신러닝 모델의 과적합과 일반화
- walk-forward-analysis: 포워드 워크 분석 방법론