자동매매 TLine 백테스팅 리포트(필터 단계별 성능·위험 분석)

TLine 보조지표를 활용한 자동매매 기법에 대한 백테스팅 기록을 남깁니다.

 

1. TLine 2번 계열 보조지표 설정값

필터 항목	2-①	2-②	2-③	2-④
T2_DIR	-	-	-	-
curr_group_gain_rate	+	n < -10	-40 < n < -10	-35 < n < -7
prev_group_gain_rate	+	+	+	+

 

 

2. TLine 2번 계열 4가지 변형 비교 (필터 단계별 성능·위험 분석)

구분	Signals	Partial Hit %	Win Rate %	Mean ret %	Avg MFE %	Avg MAE %	Mean Bars→Hit	특징
2-① (2109건)	2109	58.51	63.06	+0.22	13.82	-9.77	41.16	기본 레퍼런스
2-② (843건)	843	63.11	65.60	+0.75	16.07	-10.62	36.29	강한 필터 ①
2-③ (832건)	832	63.22	65.87	+0.78	15.95	-10.56	36.13	강한 필터 ② (미세 조정)
2-④ (1428건)	1428	60.64	64.43	+0.46	15.09	-10.03	40.15	“중간 강도” 필터

 

컬럼 설명
Mean ret % : 부분·트레일 청산 합산한 평균 실현 수익률
MFE/MAE : 거래당 최대 이익 / 최대 손실 평균
Mean Bars→Hit : 목표 수익 도달까지 평균 봉 수

---

2-1. 성과 트렌드

항목흐름해석

수익률	+0.22 → +0.75 → +0.78 → +0.46	필터를 세게 걸수록 수익률↑, 그러나 2-④처럼 완화하면 일부 후퇴
Win Rate	63.1 → 65.6 → 65.9 → 64.4	최강 필터 ②(832건)가 최고, 2-④도 원본보다 1.4 p 개선
Partial Hit	58.5 → 63.1 → 63.2 → 60.6	동일 패턴
Bars→Hit	41.2 → 36.3 → 36.1 → 40.1	필터 강할수록 목표 도달 시간 단축, 2-④는 약간 느려짐
MFE / MAE	↑ 모두 확대	필터가 엄선된 추세형 구간을 잡아 잠재 이익·손실 함께 커짐

 

2. 2-④(1 428건)의 포지셔닝

장점단점

• 표본 1,428건 → 연·분기 롤링 검증에 충분 (과최적화 ↓)	• 평균 수익률 +0.46 % → 2-③(+0.78 %)보다 0.32 p 낮음
• Win Rate 64.4 % (원본比 +1.4 p)	• 목표 도달이 40 봉 → 2-②·③보다 약 4 봉 늦음
• MAE -10.0 %로 리스크 약간 완화 (2-②·③보다 0.5 p 개선)	• 필터 완화로 잡음 시그널 일부 재유입 가능성

 

2-3. 상관관계 하이라이트

• ATR% : Pearson 0.014 / Spearman 0.10 → ‘높은 변동성’일수록 다소 유리.
• Env_Upper_120_7 : Pearson 0.38 (N=12) → 숫자가 크지만 샘플이 12건뿐 → 통계적 의미 ↓
• RSI·Williams R 상관 여전히 -0.05~-0.08 수준 → 예측 기여도 낮음.

 

2-4. 실전 적용 관점 — 선택 가이드

시나리오권장 케이스이유·추가 작업

안정성(표본) 최우선	2-④(1,428건)	엣지 유지 + 데이터량 충분 → 월·분기 샘플 60~70건 확보
최대 기대수익(엣지) 우선	2-③(832건)	+0.78 % · Win Rate 65.9 % · 목표 도달 빠름, 다만 표본↓
중립적 절충	2-②(843건)	+0.75 %, 표본 800건대, 리스크·속도 균형

 

2-5. 다음 개선·검증 체크리스트

1. 거래비용 시뮬레이션
   • 각 케이스별 수익률 –0.15 %p 시나리오 → 순익 양(+) 여부 확인.
2. TRAIL_GAP 민감도
   • 2 %・2.5 %・3 %별 재백테스트 → MAE ↓, Mean ret % 유지 목표.
3. ATR 상위/하위 분할 실험
   • ATR% 상위 30 % 구간만 진입 vs 제외 → Pearson 0.01, Spearman 0.10 관찰 근거.
4. 다중 필터 앙상블
   • Env_Lower 조건(가격 > 밴드)과 ATR 필터를 OR/AND 조합해 F1-score 유사 접근.
5. 실시간 리스크 관리
   • MAE ≈ -10 % 수준 → 포지션 사이징을 계좌 1 ~ 1.5 % VaR 안으로 제한.

---

결론 — 어떤 필터가 “베스트”인가?

• 2-③: 가장 높은 기대수익(+0.78 %)·성공확률·속도를 제공하지만 샘플 832건 → 과최적화 조사 필수.
• 2-④: 평균수익 +0.46 %로 약간 낮지만 샘플·안정성 확보. 연속 테스트·실거래 이행에 적합.
• 2-②: 두 극단의 중간값으로 균형형.

로드맵

1. 2-④로 실거래 베타 테스트 (소규모·리스크 제어 집중).
2. 동시에 2-③ 파라미터(특히 TRAIL_GAP·A** 필터)를 세부 튜닝해 수익/위험 최적점 탐색.
3. 전 케이스 월별·섹터별 롤링 리포트 → 드리프트·버블 특이점 조기 경보 체계 구축.

 

 

  

용어	뜻 (정의)	분석 기준 및 해석 포인트
hit_bars	진입 후 부분 익절 조건 (target%) 도달까지 소요된 봉 수	▸ 전략의 기회 발생 속도▸ 낮을수록 “신속한 반응성”, 너무 빠르면 노이즈 가능성▸ NaN이면 목표 도달 실패
trail_bars	부분 익절 후 트레일링 스톱으로 최종 청산된 시점까지 걸린 봉 수	▸ 전략의 최대 보유 기간 측정▸ 너무 길면 자금 묶임 증가, 너무 짧으면 이익 미회수
part_ret	부분 익절 시점 수익률 (target%에 도달한 시점의 수익률)	▸ 항상 target% 이상이지만, 정확히는 시점 수익률을 반영▸ 존재하면 최소 절반 비중은 익절 성공 의미
trail_ret	트레일링 스톱에 의해 청산된 잔여 비중 수익률	▸ 전략의 수익 잠금 성공 여부 판단▸ trail_ret < part_ret면 피크 대비 하락 청산
total_ret	part_ret × 0.5 + trail_ret × 0.5부분 + 트레일 혼합 실현 수익률 (50:50 비중)	▸ 전략의 최종 결과▸ > 0이면 성공, < 0이면 실패▸ 이 값들의 평균이 Mean total ret % 에 반영됨
MFE	Max Favorable Excursion진입 후 최대 수익률(최고점 수익)	▸ 전략이 최대로 벌 수 있었던 잠재 수익▸ MFE >> total_ret 이면 → 이익 회수 실패 / 트레일링 손실 많음
MAE	Max Adverse Excursion진입 후 최대 손실률(최저점 손실)	▸ 전략의 잠재 리스크▸ MAE < -10 % 등은 드로다운 위험 신호▸ total_ret가 +더라도 MAE 크면 리스크 관리 필요
flip_bars	처음 손실 상태였다가 수익으로 전환되는 시점 (봉 수)	▸ 전략의 회복 탄력성 지표▸ NaN이면 손실→수익 전환 없이 계속 음수였다가 끝남
flip_ret	전환 순간 수익률 (보통은 소폭 양수)	▸ 회복 타이밍이 얼마나 빨랐는지 vs. 타이밍 늦었는지 분석 가능
target%	해당 시점에 계산된 동적 목표 수익률 (%)target% = max(FLOOR_TARGET, 지표% × MULT)	▸ 익절 조건▸ 지표 기반으로 시장 환경 따라 목표 자동 조절▸ target% > MAE 가 유지되어야 손실 없이 익절 가능