백테스팅의 새로운 지평: 앵커드-롤링 WFA와 Best of N 철학

안녕하세요, 여러분! 자동매매나 퀀트 트레이딩에 관심 있는 분들이라면 한 번쯤 이런 경험 있으실 거예요.

"분명히 과거 데이터로 테스트했을 때는 엄청난 수익률을 보여줬는데... 왜 실전 투자만 하면 결과가 다를까?"
"최적의 파라미터를 찾았다고 생각했는데, 시장이 조금만 바뀌어도 금방 손실로 전환되네..."

정말 속상하고 답답한 순간이죠.
마치 정성껏 만든 모래성이 파도 한 번에 무너지는 기분이랄까요?
이런 '과거에만 잘 맞는' 전략의 함정을 피하고, '미래에도 통할 가능성이 높은' 견고한 전략을 만들기 위한 깊은 고민이 바로 오늘 이야기할 코드의 핵심 철학이랍니다.

이 코드는 단순히 수익률 높은 지점을 찾는 데 그치지 않고,
변화무쌍한 시장 속에서 어떻게 하면 꾸준히 살아남을 수 있을지에 대한 진지한 해답을 제시하고 있어요.
그럼 지금부터 그 깊은 철학의 세계로 함께 떠나볼까요?

오늘 이야기의 핵심 철학

• 1. 앵커드-롤링 윈도우(Anchored-Rolling Window): 과거의 큰 지혜(앵커)를 잊지 않으면서도, 최신 시장의 변화(롤링)에 끊임없이 적응하는 유연한 접근 방식입니다. 시장의 장기적 특성과 단기적 변화를 모두 존중하기 위함이죠.
• 2. 견고한 최적화 (Best of N & 고원 찾기): 단 한 번의 '운 좋은' 최적값을 믿지 않습니다. 여러 번의 시도(Best of N)를 통해 반복적으로 좋은 성과를 내는 '실력 있는' 파라미터 영역(고원)을 찾아내어 전략의 안정성을 극대화합니다.
• 3. 시간 가중치 부여: 모든 과거가 똑같이 중요하지 않다는 것을 인정합니다. '최근' 시장의 목소리에 더 귀 기울여, 미래와 더 관련성 높은 데이터에 가중치를 부여하는 현실적인 분석 철학입니다.

📋 목차

• - 백테스팅의 영원한 숙제, '과최적화' 딜레마
• - 앵커드-롤링 WFA: 과거의 지혜와 현재의 흐름을 잇다
• - '한 번의 1등'이 아닌 '꾸준한 실력자'를 찾는 여정, Best of N
• - 뾰족한 산봉우리가 아닌, 넓은 고원을 찾아라! '고원 찾기'
• - 모든 과거는 동등하지 않다: '시간 가중치'의 철학
• - 종합: 견고함과 적응성을 향한 끊임없는 탐구

백테스팅의 영원한 숙제, '과최적화' 딜레마

혹시 '과최적화' (Overfitting) 라는 말 들어보셨나요?
마치 시험공부를 할 때,
연습문제 답만 달달 외운 학생과 같아요.

그 학생은 연습문제와 똑같은 문제가 나오면 100점을 맞지만,
숫자나 단어가 조금만 바뀌어 응용 문제가 나오면 손도 못 대죠.

우리가 만든 트레이딩 전략도 마찬가지랍니다.
과거 데이터라는 '연습문제'에 너무 완벽하게 들어맞도록 전략을 짜면,
실제 시장이라는 '본시험'의 작은 변화에도 쉽게 무너져버리는 거예요.

이 코드는 바로 이 '과최적화'라는 딜레마를 피하기 위한
깊은 고민에서부터 출발합니다.
단순히 과거 데이터에서 가장 보기 좋은 곡선을 만드는 게 목표가 아닌 거죠.

---

앵커드-롤링 WFA: 과거의 지혜와 현재의 흐름을 잇다

이 문제를 해결하기 위해 도입된 첫 번째 철학이 바로 '앵커드-롤링(Anchored-Rolling)' 워크 포워드 분석(WFA)입니다.
이름이 조금 어렵죠?
바다를 항해하는 노련한 선장에 비유하면 쉬워요.

선장은 수십 년간 쌓아온 바다 전체에 대한 지식(앵커, Anchored)을 바탕으로 큰 방향을 잡습니다.
동시에, 바로 지금 눈앞에 몰아치는 파도와 바람(롤링, Rolling)을 보며 미세하게 뱃머리를 조정하죠.

이 전략도 마찬가지입니다.
과거의 장기적인 데이터를 '닻(앵커)'처럼 삼아 전략의 큰 틀을 유지하면서도,
최근 N개월의 데이터를 '굴러가는 창문(롤링 윈도우)'처럼 계속 업데이트하며
최신 시장 상황에 대한 적응력을 테스트하는 방식이에요.
이를 통해 장기적인 안정성과 단기적인 적응력을 동시에 추구하는 것입니다.

구분	핵심 철학	역할
⚓ 앵커드 (Anchored)	시장의 장기적인 특성을 존중한다.	전략의 '훈련' 기간을 점진적으로 계속 늘려나가며, 더 많은 데이터를 학습하게 합니다.
🔄 롤링 (Rolling)	최신 시장의 변화에 민감하게 반응한다.	최신 N개월치 데이터로 '검증'하며, 전략이 최근 시장에서도 유효한지 지속적으로 확인합니다.

---

'한 번의 1등'이 아닌 '꾸준한 실력자'를 찾는 여정, Best of N

최적의 파라미터를 찾는 과정은 마치 보물찾기와 같아요.
그런데 딱 한 번 실행해서 찾은 '최고의 값'이
정말 실력일까요, 아니면 우연한 행운이었을까요?

이 코드는 '우연한 행운'을 철저히 배제하고자 합니다.
그래서 'Best of N' 이라는 철학을 도입했어요.

마치 농구 선수를 스카우트할 때,
어쩌다 한 번 성공시킨 하프라인 슛을 보고 뽑지 않는 것과 같아요.
여러 번(N번)의 최적화 과정을 실행해서,
그중 반복적으로 가장 안정적이고 좋은 성과를 내는 파라미터를 최종 선택하는 거죠.

한 번의 반짝이는 성과가 아니라,
여러 번의 시도 속에서 검증된 꾸준함을 신뢰하겠다는 의미입니다.

💎 핵심 포인트:
'Best of N'은 최적화 과정 자체에 무작위성을 부여하고 여러 번 실행함으로써, 단 한 번의 결과에 매몰되는 위험을 줄여줍니다. 이는 '운'의 요소를 줄이고 '실력' 있는 파라미터를 찾기 위한 매우 중요한 철학적 장치입니다.

뾰족한 산봉우리가 아닌, 넓은 고원을 찾아라! '고원 찾기'

'Best of N'을 통해 꾸준한 실력자를 찾기로 했다면,
이제 어떤 종류의 실력자를 찾을지 정해야 합니다.

여기 두 종류의 등산가가 있어요.
한 명은 아무도 오르지 못한, 얼음으로 뒤덮인 '뾰족한 산봉우리'에 겨우 서 있는 사람입니다.
최고 높이에 도달했지만, 바람 한 번만 불면 바로 미끄러질 위태로운 상태죠.

다른 한 명은 그보다 조금 낮지만, 축구장처럼 넓고 평평한 '고원'에 안정적으로 서 있는 사람입니다.
웬만한 비바람에도 끄떡없을 안전한 공간이죠.

파라미터 최적화도 마찬가지입니다.
아주 약간의 조건만 바뀌어도 성능이 급격히 나빠지는 '뾰족한 산봉우리' 같은 파라미터 값은 피해야 합니다.
대신, 주변의 파라미터 값이 조금씩 바뀌어도 성능이 크게 변하지 않는 안정적인 '고원' 같은 영역을 찾아야 하죠.
이것이 바로 '고원 찾기(Plateau Seeking)'의 핵심 철학입니다.

'고원 찾기'는 최고의 수익률이라는 하나의 점(Point)을 찾는 것이 아니라, 안정적인 수익률을 보장하는 넓은 영역(Area)을 찾는 과정입니다. 이는 전략의 '견고함'과 '신뢰성'을 확보하는 가장 확실한 방법 중 하나입니다.

---

모든 과거는 동등하지 않다: '시간 가중치'의 철학

마지막으로, 이 코드는 과거 데이터를 바라보는 관점 자체에 대한 중요한 질문을 던집니다.
"10년 전의 시장과 오늘의 시장이 과연 같을까?"
당연히 아니겠죠.

시장은 살아있는 생물처럼 끊임없이 진화하고 변합니다.
그렇다면 10년 전 데이터와 바로 어제 데이터에 똑같은 중요도를 부여하는 것이 과연 합리적일까요?

이러한 고민에서 '시간 가중치(Time Weighting)' 철학이 탄생했습니다.
오래된 데이터의 가치는 점차 감소시키고(마치 반감기처럼),
가장 최신 데이터에 가장 높은 가중치를 부여하여
미래를 예측하는 데 더 유의미한 정보를 적극적으로 활용하는 것입니다.

전통적 방식	시간 가중치 방식
모든 과거 데이터는 동등한 1의 가치를 가진다. (2015년 데이터 = 2024년 데이터)	최신 데이터일수록 더 높은 가치를 가진다. (2015년 데이터 < 2024년 데이터)
시장의 '변화'를 충분히 반영하기 어려울 수 있다.	시장의 '최신 트렌드'와 '현재 상태'를 더 중요하게 여겨 현실 적합성을 높인다.

---

종합: 견고함과 적응성을 향한 끊임없는 탐구

결국 이 모든 철학들은 하나의 목표를 향해 달려갑니다.
그것은 바로 '견고함(Robustness)'과 '적응성(Adaptability)'입니다.

단순히 과거 데이터에서 가장 높은 수익률을 기록한 '스타 플레이어'를 찾는 것이 아닙니다.
미래의 어떤 시장 상황이 닥쳐도 쉽게 부러지지 않고,
꾸준히 자신의 역할을 해낼 수 있는 '믿음직한 올라운더'를 키워내는 과정에 가깝습니다.

이 코드에 담긴 최종 철학을 정리하면 다음과 같습니다.

✅ 시장은 변한다: 그러므로 우리의 전략도 끊임없이 검증하고 적응해야 한다. (앵커드-롤링 WFA)
✅ 최근의 변화가 더 중요하다: 그러므로 과거의 모든 목소리를 똑같은 크기로 듣지 않는다. (시간 가중치)
✅ 우연한 성공을 믿지 않는다: 그러므로 반복적인 검증을 통해 실력을 증명해야 한다. (Best of N)
✅ 최고보다 최선을 추구한다: 그러므로 아슬아슬한 최고점보다 안정적인 고지대를 선호한다. (고원 찾기)

FAQ (자주 묻는 질문)

이런 복잡한 방식을 사용하면 항상 수익을 낼 수 있나요?

아니요, 절대적 수익을 보장하는 방법은 세상에 없습니다. 이 접근 방식의 핵심은 '수익 보장'이 아니라, 시장의 변화에도 쉽게 무너지지 않는 '견고한 전략'을 만들고 '성공 확률'을 높이는 데 있습니다. 미래는 예측할 수 없기에, 우리는 그 불확실성 속에서 살아남을 가능성을 높이는 데 집중하는 것입니다.

개념은 좋은데, 개인이 구현하기에는 너무 어려운 것 아닌가요?

네, 처음부터 모든 것을 직접 코딩하는 것은 분명 어려운 일일 수 있습니다. 하지만 중요한 것은 코드 한 줄 한 줄을 외우는 것보다 그 안에 담긴 '철학'을 이해하는 것입니다. 왜 이런 방식을 쓰는지 이해한다면, 기존에 공개된 백테스팅 툴을 사용하더라도 어떤 옵션을 선택하고 어떤 결과를 신뢰해야 할지 판단하는 자신만의 기준을 세울 수 있습니다.

일반적인 워크 포워드 분석(WFA)과는 무엇이 다른가요?

전통적인 WFA는 단순히 훈련/검증 기간을 앞으로 한 칸씩 옮기는(Sliding) 방식이 많습니다. 하지만 '앵커드-롤링'은 과거 데이터 전체를 계속 학습에 포함(Anchored)하면서 최신 데이터로 검증(Rolling)하여 장기적 안정성을 놓치지 않습니다. 여기에 'Best of N'과 '고원 찾기'를 결합하여 결과의 신뢰도를 한 차원 더 높인, 매우 보수적이고 안정성을 지향하는 접근법입니다.

볼린저 밴드 전략에만 적용할 수 있는 철학인가요?

전혀 그렇지 않습니다! 이것이 바로 이 철학의 가장 큰 장점입니다. 오늘 예시로 든 코드는 볼린저 밴드 전략을 사용했지만, '앵커드-롤링 WFA', 'Best of N', '고원 찾기', '시간 가중치'의 개념은 RSI, 이동평균선, MACD 등 파라미터 최적화가 필요한 모든 종류의 트레이딩 전략에 동일하게 적용할 수 있는 범용적인 방법론입니다.

실전 투자용 최종 파라미터는 한 번 정하면 계속 사용해도 되나요?

아닙니다. 시장은 계속 변하기 때문에 '한 번 정한 완벽한 값'은 존재하지 않습니다. 이 프로세스를 통해 찾은 파라미터도 영원할 수는 없죠. 따라서 분기별 또는 반기별 등 자신만의 주기를 정해 이 전체 과정을 다시 실행하여 파라미터를 재검증하고, 필요하다면 업데이트해주는 과정이 반드시 필요합니다.

'고원 찾기'를 하면 수익률이 가장 높은 파라미터를 놓칠 수도 있지 않나요?

맞습니다. '고원 찾기'는 의도적으로 가장 '뾰족한' 최고 수익률 지점을 포기하는 전략입니다. 대신 그보다 약간 낮더라도 훨씬 더 넓고 안정적인 성능을 보이는 영역을 선택하죠. 이는 단기적인 최대 수익률보다는 장기적인 '생존'과 '안정성'을 더 높은 가치로 두는 철학적 선택입니다.

마무리하며: 철학이 담긴 백테스팅을 향하여

오늘 이야기는 조금은 무겁고 복잡하게 느껴지셨을 수도 있어요.
하지만 단순히 '수익률이 높은' 전략을 넘어, '오래 살아남는' 전략을 만들기 위해서는
이처럼 깊은 철학적 고민이 반드시 필요하다고 생각합니다.

시장을 경외하고, 끊임없이 의심하며, 우연한 행운이 아닌 검증된 실력을 믿는 것.
이것이 바로 변화무쌍한 시장에서 우리를 지켜줄 가장 튼튼한 갑옷이 아닐까요?

오늘 이야기가 여러분의 트레이딩 여정에 작은 등불이 되었으면 좋겠습니다.
단순한 기술적 분석을 넘어, 자신만의 확고한 전략 개발 철학을 세우는 데 도움이 되기를 진심으로 바랍니다.

여러분은 어떤 백테스팅 방식을 사용하고 계신가요?
혹은 오늘 내용 중 가장 인상 깊었던 철학은 무엇이었나요?
여러분의 소중한 생각과 경험을 댓글로 함께 나눠주세요!

---

WFA, 백테스팅, 트레이딩 전략, 시스템 트레이딩, 앵커드 롤링, Optuna, 파라미터 최적화, 고원 찾기, Best of N, 퀀트