Skip to content

readme_quant.md

Latest commit

 

History

History
411 lines (289 loc) · 11.7 KB

readme_quant.md

File metadata and controls

411 lines (289 loc) · 11.7 KB

Alpha-Helix 퀀트 엔진 아키텍처 가이드

QuantStart / QuantConnect 기반 설계 원리 (readme_quant.md)

대상 독자: Alpha-Helix 개발팀. 퀀트 트레이딩 이론과 코드베이스 구조를 연결하는 기술 참조 문서.

1. 설계 철학

Alpha-Helix 퀀트 엔진은 두 가지 오픈소스 프레임워크의 핵심 원리를 결합한다.

원천 기여
QuantStart 통계 강건성 검증 방법론 (Walk-Forward, 과적합 측정, 베이지안 HMM)
QuantConnect LEAN 이벤트 드리븐 실행 구조 (QCAlgorithm, Schedule, Rebalance)

핵심 원칙

  1. 강건성 우선: 높은 IS 성과보다 낮은 IS-OOS 갭이 더 중요
  2. 레짐 인식: 하나의 파라미터 세트가 모든 국면에 통하지 않음
  3. 리스크 비대칭: 손실을 피하는 것이 수익을 얻는 것보다 우선
  4. 설명 가능성: 모든 포지션 결정에 자연어 근거 제공

2. 핵심 엔진 설명

2-1. HMM (Hidden Markov Model) — 시장 국면 탐지

원리

시장은 관측 가능한 수익률 시퀀스 뒤에 숨은(hidden) 상태(regime)를 가진다. HMM은 이 숨은 상태를 확률적으로 추론한다.

관측:  r_1, r_2, ..., r_T  (일별 수익률)
숨은:  s_1, s_2, ..., s_T  (bull_quiet / bull_volatile / bear / crisis)

목표: P(s_t | r_1...r_T) 추정

Baum-Welch EM 알고리즘 (3단계)

E-step (기댓값):
  γ_t(k) = P(s_t=k | 관측 전체)  ← Forward-Backward 알고리즘
  ξ_t(i,j) = P(s_t=i, s_{t+1}=j | 관측 전체)  ← 전이 기댓값

M-step (최대화):
  μ_k  = Σ_t γ_t(k)·r_t / Σ_t γ_t(k)    ← 상태별 평균 수익률
  σ_k² = Σ_t γ_t(k)·(r_t-μ_k)² / Σ_t γ_t(k)  ← 상태별 분산
  A_ij  = Σ_t ξ_t(i,j) / Σ_t γ_t(i)     ← 전이행렬

수렴 기준: |LL_t - LL_{t-1}| < 1e-4

Viterbi 알고리즘 — 최적 상태 경로

δ_t(k) = max_{s_1...s_{t-1}} P(s_1...s_{t-1}, s_t=k, r_1...r_t)

점화식:
  δ_t(k) = max_i [δ_{t-1}(i) · A_ik] · b_k(r_t)

Back-tracking으로 최적 경로 복원

구현 위치: analytics/strategy/helpers.py → BayesianRegimeDetector

2-2. GARCH(1,1) — 변동성 클러스터링

원리

금융 시계열에서 큰 변동성은 큰 변동성을 유발하는 '변동성 클러스터링' 현상이 있다. GARCH(1,1)은 조건부 분산을 시간에 따라 모델링한다.

$$ \sigma_t^2 = \omega + \alpha \cdot \varepsilon_{t-1}^2 + \beta \cdot \sigma_{t-1}^2 $$

파라미터 역할 Alpha-Helix 기본값
$\omega$ 장기 분산 = $\bar{\sigma}^2(1-\alpha-\beta)$ 자동 계산
$\alpha$ 충격 반응 계수 (ARCH 효과) 0.10
$\beta$ 분산 지속성 계수 0.85
$\alpha + \beta$ 총 지속성 (< 1 이어야 정상성) 0.95

레버리지 ETF 변동성 감쇠 (Volatility Decay)

3x ETF는 단순히 3배 수익을 내지 않는다. 매일 3배 복리 구조로 인한 경로의존성 비용이 발생한다:

$$ \mu_{\text{ETF}} = 3\mu_{\text{기초}} - \frac{1}{2} \cdot 3^2 \cdot \sigma^2 $$

  • 변동성 감쇠항 $\frac{9}{2}\sigma^2$는 TQQQ가 장기적으로 QQQ의 3배보다 낮은 수익을 내는 이유
  • 이 효과는 FatTailSynthesizer.generate_single(leverage=3.0) 에서 시뮬레이션됨

구현 위치: analytics/strategy/helpers.py → FatTailSynthesizer

2-3. Student-t 분포 (Fat-tail 모델링)

원리

실제 주식 수익률 분포의 첨도(kurtosis)는 정규분포(K=3)보다 높다. → 극단 손실이 정규분포 예측보다 훨씬 자주 발생 (블랙스완)

$$ f(x; \nu) = \frac{\Gamma\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi},\Gamma\left(\frac{\nu}{2}\right)}\left(1+\frac{x^2}{\nu}\right)^{-\frac{\nu+1}{2}} $$

자유도 $\nu$ 꼬리 두께 적용
$\infty$ (정규) 얇음 VaR 과소추정
5 중간 일반 주식
4 두꺼움 TQQQ 합성 기본값
3 매우 두꺼움 극단 스트레스 테스트

2-4. Kelly Criterion — 최적 베팅 크기

연속 Kelly 공식

$$ f^* = \frac{\mu}{\sigma^2} $$

기호 의미
$f^*$ 최적 자본 비중 (0 ~ 1)
$\mu$ 일 평균 초과수익률
$\sigma^2$ 일 수익률 분산

다중 에셋 Kelly (벡터 형태)

$$ \mathbf{f}^* = \Sigma^{-1} \boldsymbol{\mu} $$

TQQQ/SOXL처럼 고상관 에셋에서 $\Sigma$가 ill-conditioned → Ridge 정규화:

$$ \mathbf{f}^* = (\Sigma + \lambda I)^{-1} \boldsymbol{\mu}, \quad \lambda = 0.01 $$

분수 켈리 적용 이유 (레버리지 ETF)

풀 켈리(Full Kelly)는 이론적 최적이지만:

  • 파라미터 추정 오차 → 실제 $f^*$ 과대추정
  • 레버리지 ETF의 fat-tail → 파산 위험 증가
  • 심리적 낙폭 허용 한도 초과
분수 켈리 선택 기준:
  0.25x (Alpha-Helix 기본) : 레버리지 ETF + 짧은 히스토리
  0.50x                    : 일반 전략, ≥2년 OOS 검증
  1.00x                    : 실증된 엣지, ≥5년 트랙레코드

구현 위치: analytics/strategy/risk_control.py → KellyPositionSizer

2-5. Risk Parity (리스크 패리티)

원리

전통적 균등비중(50:50)은 수익 배분을 동일하게 하지만, 고변동성 에셋이 리스크를 지배한다. 리스크 패리티는 각 에셋의 리스크 기여도를 균등화한다.

리스크 기여도 (Risk Contribution)

$$ RC_i = w_i \cdot (\Sigma \mathbf{w})_i / \sqrt{\mathbf{w}^T \Sigma \mathbf{w}} $$

최적화 목적함수

$$ \min_{\mathbf{w}} \sum_{i=1}^{N} \left(RC_i - \frac{1}{N}\right)^2 $$

TQQQ-SOXL 예시

TQQQ 연변동성: 70%  |  SOXL 연변동성: 85%

균등비중 (50:50):
  TQQQ 리스크 기여 42% vs SOXL 리스크 기여 58% → 불균형

리스크 패리티 최적 비중:
  TQQQ ≈ 55% vs SOXL ≈ 45% → 균등 리스크 기여

구현 위치: analytics/strategy/risk_control.py → RiskBudgetAllocator

2-6. Walk-Forward Validation (워크포워드 검증)

원리

단순 인-샘플 최적화는 과적합을 감지하지 못한다. 워크포워드는 실제 트레이딩과 동일한 시간적 순서를 유지하며 검증한다.

앵커드(Anchored) 방식:
  IS: [━━━━━━━━━━━━]  OOS: [━━━]
  IS: [━━━━━━━━━━━━━━━━]  OOS: [━━━]
  IS: [━━━━━━━━━━━━━━━━━━━━]  OOS: [━━━]

롤링(Rolling) 방식:
  IS: [━━━━━━━━━━━━]  OOS: [━━━]
       ↓ 슬라이드
       IS: [━━━━━━━━━━━━]  OOS: [━━━]

과적합 지수

$$ \text{Overfit Index} = \frac{\text{IS Sharpe} - \text{OOS Sharpe}}{|\text{IS Sharpe}|} \times 100% $$

  • < 20%: 우수 (과적합 없음)
  • 20~50%: 주의

  • 50%: 과적합 의심 → Trust Score 페널티 발동

Deflated Sharpe Ratio (DSR)

N개의 파라미터 세트를 시험할 때, 최고 IS Sharpe는 우연히 높을 수 있다. DSR은 다중 테스트 편향을 보정한다:

$$ \text{DSR} = \Phi\left(\frac{\text{SR} - E[\max \text{SR}]}{\sigma[\text{SR}]}\right) $$

구현 위치: analytics/strategy/helpers.py → WalkForwardValidator, OverfitPenaltyEstimator

2-7. LEAN QCAlgorithm 구조 (QuantConnect)

이벤트 드리븐 아키텍처

Initialize()        → 에셋 등록, 스케줄 설정, 지표 초기화
      ↓
OnData(Slice)       → 매 바마다 호출 (1분봉/일봉)
      ↓
OnEndOfDay()        → 일일 마감 이벤트
      ↓
Rebalance()         → 스케줄 이벤트 (주간/월간)
      ↓
OnOrderEvent()      → 주문 체결 이벤트

Alpha-Helix 매핑

LEAN Alpha-Helix 구현
QCAlgorithm TQQQSOXLMomentumAlgorithm
AddEquity() Initialize() 내 티커 등록
SetHoldings() OnData() → target_weights 반환
Schedule.On() Rebalance() 주간 호출
RiskManagementModel DrawdownCircuitBreaker
AlphaModel ConfidenceScoringSystem
PortfolioConstructionModel RiskBudgetAllocator

구현 위치: analytics/strategy/main.py → TQQQSOXLMomentumAlgorithm

2-8. vectorbt — 고속 백테스팅

원리

pandas 루프 기반 백테스트는 느리다. vectorbt는 numpy 브로드캐스팅으로 전체 신호 행렬을 한 번에 연산한다.

# 기존 방식 (루프)
for i in range(len(prices)):
    if signal[i] > 0:
        portfolio_value[i] = portfolio_value[i-1] * (1 + returns[i])

# vectorbt 방식 (행렬 연산)
pf = vbt.Portfolio.from_signals(
    close,          # T × N 행렬
    entries=entries,  # T × N 불린 행렬
    exits=exits,
    size=0.5,       # 비중
    fees=0.001,
)
stats = pf.stats()  # 한 줄로 모든 통계

성능 비교 (1년 일봉, 2종목)

방법 실행 시간
pandas 루프 ~800ms
vectorbt ~8ms (100배 빠름)
Monte Carlo 1000경로 ~80ms

구현 위치: analytics/strategy/main.py → vectorbt_bridge()

3. 무한매수(DCA) 전략 상세

개념

무한매수법은 레버리지 ETF의 변동성을 활용해 하락 시 분할매수, 상승 시 분할익절하는 전략.

초기 진입: 10% (1/5 포지션)

가격 하락 -7%마다 추가매수:
  → 2차 진입: +10% (누적 20%)
  → 3차 진입: +10% (누적 30%)
  → 4차 진입: +10% (누적 40%)
  → 5차 진입: +10% (누적 50%)

익절:
  → 평단가 +15%: 보유 포지션의 50% 청산
  → 평단가 +30%: 나머지 전량 청산

중단 조건:
  → 레짐 bear/crisis: 추가매수 중지, 기존 포지션 청산
  → 서킷브레이커 HALT: 전량 청산

레짐 필터 효과

레짐 없는 무한매수:
  2022년 TQQQ -79% 하락 시 → 평단가 10배 악화 → 실질 손실 90%+

레짐 필터 적용:
  HMM이 bear 감지 (2022.01~) → 포지션 0 → 손실 최소화
  bull_quiet 재진입 (2023.01) → 저점 분할매수 재시작

파라미터 가이드

파라미터 기본값 범위 설명
dca_splits 5 3~10 분할 횟수
dca_drop_trigger -7% -5% ~ -15% 추가매수 하락 트리거
take_profit_1 +15% +10% ~ +25% 1차 익절 수익률
take_profit_2 +30% +20% ~ +50% 2차 익절 수익률
max_weight_per_leg 50% 20% ~ 70% 단일 에셋 최대 비중

4. 로컬 실행 방법

환경 설정

# 1. Python 패키지 설치
cd c:\Team2_AlphaHelix
pip install -r analytics/requirements.txt
# 추가 필요 패키지
pip install vectorbt scipy scikit-learn

# 2. 단독 테스트 실행
python analytics/strategy/helpers.py
python analytics/strategy/risk_control.py
python analytics/strategy/main.py

# 3. FastAPI 서버 실행 (analytics 서비스)
cd analytics
uvicorn app.main:app --port 8001 --reload

API 테스트

# 백테스트 실행
curl -X POST http://localhost:8001/backtest \
  -H "Content-Type: application/json" \
  -d '{"tickers":["TQQQ","SOXL"],"start_date":"2020-01-01","end_date":"2024-12-31"}'

# Trust Score 조회
curl http://localhost:8001/trust-score?ticker=TQQQ

5. 참고 자료

주제 출처
Baum-Welch EM Baum et al. (1970) "A Maximization Technique..."
Viterbi Algorithm Viterbi (1967) "Error Bounds for Convolutional Codes"
Kelly Criterion Kelly (1956) "A New Interpretation of Information Rate"
Deflated Sharpe Ratio Bailey & Lopez de Prado (2016)
Risk Parity Qian (2005) "Risk Parity Portfolios"
Volatility Decay Lu (2009) "On the Performance of Leveraged ETFs"
QuantConnect LEAN https://github.com/QuantConnect/Lean
vectorbt https://vectorbt.dev
QuantStart 아티클 https://www.quantstart.com

생성일: 2025 | Alpha-Helix Team 2