지난번까지는 관찰 후보를 저장하고, 이후 기간 데이터를 붙여서 복기하는 구조를 만들었다. 후보 평균 수익률만 보면 부족해서 KOSPI와 비교했고, KOSPI만으로도 부족해서 전체 샘플 평균도 같이 봤다. 평균 하나만으로는 일부 후보의 영향을 놓칠 수 있어서 후보별 분포도 리포트에 추가했다.
이렇게 복기 구조를 만들고 나니 자연스럽게 다음 질문이 생겼다. “그럼 이제 기준을 어떻게 바꿔야 할까?” 처음에는 v0.2에서 거래량 기준을 살짝 조정해보는 방식으로 접근했다. 그런데 막상 돌려보니 기준값을 조금씩 바꾸는 것만으로는 생각보다 명확한 답이 나오지 않았다.
그래서 이번에는 방향을 조금 바꿔봤다. 기준값을 또 감으로 조정하기보다, 지금까지 저장된 review 후보 데이터를 거꾸로 보기로 했다. 이후 흐름이 상대적으로 나았던 후보들은 관찰 당시 어떤 지표를 가지고 있었는지 확인해보려는 시도였다.
v0.3 후보를 먼저 만들어보긴 했다
기준을 바로 크게 바꾸기는 부담스러웠다. 그래서 v0.3 후보는 아주 작게만 바꿨다. v0.2에서 거래량 기준만 살짝 강화한 버전이다.
v0.2 후보
return_pct > -1.0
volume_ratio >= 1.0
range_ratio_vs_index <= 2.0
v0.3 후보
return_pct > -1.0
volume_ratio >= 1.1
range_ratio_vs_index <= 2.0가격 조건과 KOSPI 대비 변동성 조건은 그대로 두고, 거래량 조건만 1.0에서 1.1로 올렸다. 이유는 단순했다. 한 번에 여러 값을 바꾸면 결과가 달라졌을 때 어떤 조건 때문인지 알기 어렵다. 그래서 이번에는 거래량 기준 하나만 건드려보기로 했다.
막상 비교해보니 변화는 제한적이었다
전체 기간에 v0.2와 v0.3을 나란히 돌려봤다. 결과는 조금 애매했다.
v0.3은 v0.2보다 후보 수를 줄이긴 했다. 하지만 넓은 구간을 충분히 줄이지는 못했다.
2026-01
v0.2 후보: 22개
v0.3 후보: 20개
2026-02
v0.2 후보: 38개
v0.3 후보: 35개
2026-04
v0.2 후보: 28개
v0.3 후보: 26개후보 수는 줄었지만, 상태는 여전히 “너무 넓음”에 가까웠다. 거래량 기준을 1.0에서 1.1로 올리는 정도로는 후보가 많이 남는 구간을 충분히 제어하지 못한 셈이다.
반대로 후보가 이미 적었던 구간에서는 부담이 생겼다.
2025-12
v0.2 후보: 2개
v0.3 후보: 0개이 구간에서는 v0.2도 이미 후보가 적었는데, v0.3에서는 아예 0개가 됐다. 후보가 너무 많은 구간에는 효과가 제한적이고, 후보가 적은 구간에는 더 좁아지는 문제가 생길 수 있었다.
좋았던 점도 있다. v0.2에서 v0.3으로 제외된 원인은 모두 거래량 조건 강화로 설명됐다. 즉, 실험 자체는 의도대로 동작했다. 한 번에 하나의 조건만 바꿨고, 그 영향도 깔끔하게 확인됐다.
다만 결과가 기대만큼 좋지는 않았다.
그래서 기준값을 또 찍어 맞추지는 않기로 했다
이쯤에서 다시 고민이 생겼다. 거래량 기준을 1.1로 올렸는데 부족하다면, 1.2로 올려보면 될까? 아니면 1.3까지 봐야 할까?
처음에는 그렇게 하나씩 바꿔보면 답이 나올 것 같았다. 그런데 계속 숫자를 바꿔가며 맞추는 방식은 조금 위험해 보였다. 특정 기간에만 잘 맞는 숫자를 찾게 될 수도 있고, 후보가 적은 구간을 더 비워버릴 수도 있기 때문이다.
그래서 다음에는 기준값을 또 감으로 바꾸는 대신, 저장된 review 데이터를 거꾸로 보기로 했다.
질문은 이렇게 바뀌었다.
이후 흐름이 상대적으로 나았던 후보들은
관찰 당시 어떤 특징이 있었을까?즉, 내가 먼저 기준을 정하는 것이 아니라, 복기 결과가 상대적으로 나았던 후보들의 관찰 당시 지표를 확인해보는 방식이다.
후보 단위로 다시 나눠봤다
지금까지 쌓인 review CSV에는 후보별 데이터가 들어 있다. 각 후보가 관찰 당시 어떤 수익률, 거래량 비율, KOSPI 대비 변동폭 비율을 가지고 있었는지, 그리고 이후 기간에 어떻게 움직였는지가 남아 있다.
이번에는 그 후보들을 다시 나눴다.
KOSPI 대비 플러스 후보
KOSPI 대비 마이너스 후보
전체 샘플 평균 대비 플러스 후보
전체 샘플 평균 대비 마이너스 후보그리고 각 그룹에서 관찰 당시 지표의 분포를 봤다.
확인한 값은 세 가지다.
observation_return_pct
observation_volume_ratio
observation_range_ratio_vs_index여기서 보고 싶었던 건 단순했다.
거래량 비율이 높은 후보가 이후에도 상대적으로 나았을까? 관찰 당시 수익률이 높았던 후보가 이후에도 좋았을까? KOSPI 대비 변동폭 비율이 낮은 후보가 더 안정적으로 이어졌을까?
거래량 비율은 조금 차이가 있었다
먼저 거래량 비율을 봤다.
KOSPI 대비 플러스 그룹의 관찰 당시 거래량 비율 중앙값은 1.67배였다. 반면 KOSPI 대비 마이너스 그룹은 1.49배였다.
전체 샘플 평균 대비로 봐도 비슷했다. 플러스 그룹은 1.62배, 마이너스 그룹은 1.51배였다.
KOSPI 대비 플러스 그룹
volume_ratio 중앙값: 1.67배
KOSPI 대비 마이너스 그룹
volume_ratio 중앙값: 1.49배
샘플 평균 대비 플러스 그룹
volume_ratio 중앙값: 1.62배
샘플 평균 대비 마이너스 그룹
volume_ratio 중앙값: 1.51배플러스 그룹의 거래량 비율이 조금 높게 나왔다. 이건 흥미로웠다. 적어도 거래량 비율은 다음 기준 후보를 검토할 때 계속 봐야 할 축처럼 보였다.
하지만 차이가 압도적으로 크지는 않았다. 그래서 이 결과만 보고 “거래량 기준을 얼마로 올리자”고 말하기는 어렵다. v0.3에서 거래량 기준을 1.1로 올렸을 때도 넓은 구간을 충분히 줄이지 못했고, 좁은 구간은 더 좁아질 수 있었다.
결국 거래량은 중요한 후보군이긴 하지만, 단독으로 기준을 바꾸기에는 아직 부족해 보인다.
관찰 당시 수익률은 오히려 반대로 보였다
더 흥미로웠던 건 관찰 당시 수익률이었다.
KOSPI 대비 플러스 그룹의 관찰 당시 수익률 중앙값은 3.34%였다. 반면 KOSPI 대비 마이너스 그룹은 5.51%였다.
전체 샘플 평균 대비로 봐도 비슷했다. 플러스 그룹은 3.31%, 마이너스 그룹은 6.43%였다.
KOSPI 대비 플러스 그룹
observation_return_pct 중앙값: 3.34%
KOSPI 대비 마이너스 그룹
observation_return_pct 중앙값: 5.51%
샘플 평균 대비 플러스 그룹
observation_return_pct 중앙값: 3.31%
샘플 평균 대비 마이너스 그룹
observation_return_pct 중앙값: 6.43%처음에는 관찰 당시 수익률이 높은 후보가 더 나을 것 같았다. 그런데 실제 분포에서는 오히려 마이너스 그룹의 관찰 당시 수익률 중앙값이 더 높았다.
이걸 보고 바로 “많이 오른 후보는 안 좋다”고 말할 수는 없다. 하지만 적어도 “관찰 당시 많이 오른 후보가 이후에도 계속 유리하다”고 단순하게 보기는 어려워졌다.
어쩌면 이미 많이 오른 후보는 다음 기간에 부담이 될 수도 있다. 또는 특정 기간의 영향일 수도 있다. 아직은 결론이 아니라 질문에 가깝다.
다음 기준 후보를 설계할 때는 return_pct > -1.0이라는 하한 조건만 볼 게 아니라, 관찰 당시 수익률이 너무 높은 후보를 어떻게 해석할지도 질문으로 남겨야 할 것 같다.
변동폭 비율은 낮을수록 좋다고 보기 어려웠다
KOSPI 대비 변동폭 비율도 확인했다.
KOSPI 대비 플러스 그룹의 range_ratio_vs_index 중앙값은 0.95배였다. 마이너스 그룹은 0.84배였다.
전체 샘플 평균 대비로 봐도 플러스 그룹은 0.94배, 마이너스 그룹은 0.77배였다.
KOSPI 대비 플러스 그룹
range_ratio_vs_index 중앙값: 0.95배
KOSPI 대비 마이너스 그룹
range_ratio_vs_index 중앙값: 0.84배
샘플 평균 대비 플러스 그룹
range_ratio_vs_index 중앙값: 0.94배
샘플 평균 대비 마이너스 그룹
range_ratio_vs_index 중앙값: 0.77배처음에는 시장 대비 변동폭이 낮은 후보가 더 안정적일 거라고 생각했다. 그런데 후보 단위 분석에서는 플러스 그룹의 변동폭 비율이 오히려 조금 더 높게 나왔다.
이것도 바로 결론을 내릴 수는 없다. 다만 range_ratio_vs_index를 무조건 낮출수록 좋다고 보기는 어렵다. 변동폭 기준을 너무 낮추면 회복 구간이나 강한 움직임이 있는 후보를 놓칠 수도 있다.
그래서 stability_first를 최종 방식으로 바로 선택하거나, 변동폭 기준만 강화하는 것도 조심해야 한다고 느꼈다.
단일 수치보다 조합을 봐야 할 것 같다
이번 분석을 하고 나니, 한 가지가 더 분명해졌다.
지금 결과는 volume_ratio, return_pct, range_ratio_vs_index 중 하나만으로 설명하기 어렵다.
거래량 비율은 플러스 그룹에서 조금 높았지만 차이가 크지는 않았다. 관찰 당시 수익률은 오히려 마이너스 그룹에서 더 높았다. KOSPI 대비 변동폭 비율은 낮을수록 유리하다고 보기 어려웠다.
그러면 다음 criteria 후보는 단일 수치 조정보다 조합에서 출발해야 할 수도 있다.
예를 들면 이런 질문이다.
거래량 비율이 높으면서
관찰 당시 수익률이 과도하게 높지 않은 후보는
다른 흐름을 보일까?
KOSPI 대비 변동폭 비율이 낮은 후보와
적당히 높은 후보의 차이는
시장 구간별로 달라질까?
후보 수가 너무 많은 구간에서는
criteria를 더 조이기보다
top-N/common을 유지하는 편이 나을까?아직 답은 없다. 하지만 이제는 질문이 조금 더 구체적이 되었다.
이번 작업에서 얻은 것
이번 작업은 좋은 기준값을 바로 찾는 작업이 아니었다. 오히려 기준값을 바로 찾으려는 욕심을 조금 내려놓는 작업에 가까웠다.
v0.3 후보를 만들어봤지만, 거래량 기준만 1.1로 올리는 방식은 효과가 제한적이었다. 그래서 기준값을 다시 찍어 맞추는 대신, 저장된 후보 단위 데이터를 거꾸로 분석했다.
결과적으로 몇 가지 질문이 생겼다.
거래량 비율은 계속 확인할 만한 축인가?
관찰 당시 수익률이 너무 높은 후보는 이미 많이 오른 뒤였을 가능성이 있는가?
KOSPI 대비 변동폭 비율은 낮을수록 좋은 게 맞는가?
세 지표를 따로 볼 게 아니라 조합으로 봐야 하는가?이 질문들은 바로 criteria v0.4나 v0.5로 이어지는 답은 아니다. 하지만 다음 기준 후보를 설계할 때 확인해야 할 체크포인트가 될 수 있다.
아직 기준은 바꾸지 않았다
중요한 건 아직 기준을 바꾸지 않았다는 점이다. 이번 결과를 보고 volume_ratio 기준을 특정 값으로 확정하지 않았다. return_pct 상한 조건도 추가하지 않았다. range_ratio_vs_index 기준도 낮추지 않았다.
지금은 기준을 바꾸기 전 단계다.
복기 결과가 상대적으로 나았던 후보들의 관찰 당시 지표를 보고, 다음 기준 후보를 만들기 전에 어떤 질문을 던져야 할지 정리하는 중이다.
다음에는 이 질문들을 바탕으로 실제 criteria 후보를 만들지 말지 결정해야 한다. 만든다면 한 번에 하나의 축만 바꾸고, 기존 기준과 나란히 비교해야 할 것 같다.
이번에는 여기까지다. 기준값을 감으로 계속 바꾸기보다, 먼저 데이터가 어떤 힌트를 주는지 거꾸로 살펴본 것으로 만족하려고 한다.
투자 유의사항
이 글은 개인적인 개발 실험 기록이며, 특정 종목이나 금융상품에 대한 매수·매도 추천이 아닙니다. 글에서 언급한 관찰 후보, 복기 결과, KOSPI 대비 차이, 전체 샘플 평균 대비 차이는 투자 판단 기준이 아니라 데이터 실험을 위한 참고 자료입니다. 실제 투자 판단은 개인의 상황, 자금 계획, 리스크 감내 수준 등을 종합적으로 고려해 신중하게 결정해야 합니다.