AI 트레이딩 모델은 얼마나 자주 재학습해야 할까? 고정 모델과 이동 구간 재학습 비교

고정 모델도 새로운 가격을 읽는다

모델 고정은 학습한 계수와 전처리 통계를 유지한다는 뜻이다. 어제 입력이나 예측을 반복한다는 뜻이 아니다. 고정 모델도 갱신 모델과 같은 새로 확정된 일별 특성을 받는다. 다른 것은 학습이 일어나는 날짜뿐이다.

경제적 질문은 학습한 관계를 최근 관측의 추정으로 바꾸면 불안정성과 거래 비용을 보상할 만큼 판단이 좋아지는지다. 새 자료는 낡은 관계를 보완할 수 있지만 잡음 많은 추정을 다른 잡음 많은 추정으로 바꾸는 것이 자동 개선은 아니다. 학습 빈도와 학습 구간 길이는 별도 설계 선택이다.

미래 정보 누출 없는 기계학습 백테스트를 통제된 일정 비교로 확장한다. 지도학습 로지스틱 회귀이며 ChatGPT나 Claude의 기반 모델을 다시 학습하는 작업이 아니다. 프롬프트 변경, 언어 모델 신버전과 소형 거래 분류기의 정기 재추정은 다른 개입이다.

먼저 일정을 바꾸고 학습 구간의 영향은 분리한다

추가 비교를 실행하기 전에 네 정책을 기록하고 모든 결과를 보존했다. 월간 이동 구간 정책과 이 시장 이력은 기존 발행 연구에서 이미 검토했다. 실행 전 새 비교를 기록하면 이번 연습 안의 승자 중심 변경을 막지만 기초 평가 기간이 새롭거나 미사용인 것은 아니다.

첫 세 정책은 2024년 1월 1일 종가 확정 시 같은 학습으로 시작한다. 각 학습은 직전 730역일의 특성 구간을 쓰고 미확정 라벨을 제외하며 새 스케일러와 모델을 추정한다. 고정 정책은 첫 추정을 유지한다. 주간은 1월 1일부터 7역일마다이며 수익 차트에서 고른 일정이 아니다. 월간은 매월 첫 UTC 날짜의 종가 확정 시점이다.

네 번째는 월간 학습의 기억 범위만 바꾼다. 구간 이동에 따라 옛 날짜를 버리는 대신 2022년 1월 1일 이후 적격 특성 날짜를 유지한다. 초기 학습 행렬은 나머지와 같다. 마지막 월간 학습의 확장 이력에는 성숙한 행 1,425개, 이동 구간에는 725개가 있다. 고정 정규화 설정에서도 표본 확대는 추정 문제를 바꾸므로 달력 빈도만의 순수한 시험은 아니다.

정보 시계와 계좌 규칙을 그대로 둔다

모든 학습은 StandardScaler 다음 LogisticRegression을 쓰며 C = 1, lbfgs, max_iter = 2000, 기록된 난수 시드 6142026을 적용한다. 여섯 입력은 확정 종가의 1·5·20일 수익률, 최근 20개 일별 수익의 모집단 표준편차, 확정 고가–저가를 종가로 나눈 값, 거래량을 직전 20일 평균으로 나눈 뒤 하나를 뺀 값이다. 변환은 각 학습 자료에서만 추정한다. Scikit-learn 누출 지침과 추정기 문서는 이런 구현 선택을 뒷받침한다. [1][2]

이진 목표는 open[t+6] / open[t+1] − 1이 양수인지다. 학습 행은 학습일보다 앞서야 하고 라벨이 끝나는 시가가 이미 알려져야 한다. 따라서 2024년 1월 1일에는 모두 2022년 1월 1일부터 2023년 12월 26일까지 725행으로 학습하며 최신 라벨은 1월 1일 시가에서 끝난다. 최근 다섯 특성 행은 결과가 미확정이라 제외한다. 네 초기 확률은 모두 0.452770으로 고정 거래 임계값 0.55보다 낮다.

각 경로는 독립적으로 10,000 USDT로 시작한다. 포지션이 없고 확률이 0.55 이상이면 다음 시가 매수와 open[t+6] 강제 매도를 예약한다. 시가 간 다섯 날을 보유한다. 매수 규모는 진입 수수료를 포함해 가용 현금의 90%를 쓴다. 레버리지, 공매도, 중복 보유와 청산 체결일의 신규 신호는 없다. 매수·매도 각각 가정 수수료 10베이시스포인트와 불리한 체결 5베이시스포인트를 적용하고 스프레드를 따로 빼지 않는다. 모델 가정이지 실제 요금이나 실행 가능 가격 보장이 아니다.

예정 청산이 2025년 12월 31일 뒤라면 진입을 막아 전략 계좌는 포지션 없이 끝난다. 보유 기준은 재고를 남겨 최종 종가로 평가한다. 낙폭은 일별 종가 순자산으로 측정한다. 계산·감시 비용, 세금, 지연, 수량 필터와 시장 충격은 모델링하지 않는다. 특히 직전 종가에 형성한 신호는 실제 체결이 일별 시가 가정과 다를 수 있다.

재사용 관측을 밝히고 미래 정보를 쓰지 않는 구현을 확인한다

입력은 2020년 2월 20일부터 2025년 12월 31일까지 보관한 2,142일 시계열이다. humblefool06이 CC BY 4.0으로 공개한 아카이브 리비전 9f491eb5340dd6a24f27fde24edf098e1e785443에서 집계했다. UTC 일봉은 첫 시가, 최고 고가, 최저 저가, 마지막 종가와 거래량 합계를 쓴다. 정규화 입력 SHA-256은 43655a51e6cb41c2ee087bd947f4cefb7dd4151617a29d7f75a3cda471ae5cbb이며 이번 확장 실행 때 확인했다. [3]

평가 봉 731개, 즉 OHLCV 값 3,655개가 모두 Binance 일별 엔드포인트와 정확히 일치했다는 10월 18일 기록을 이어받는다. 외부 검사를 다시 수행하지는 않았다. 게시자는 원자료 거래소를 명시적으로 확정하지 않으며 이전 학습 관측도 외부 미검증 상태다. 엔드포인트 일치가 독립적인 거래소 표본을 뜻하지는 않는다. Binance는 시가 타임스탬프로 봉을 식별하며 여기 날짜는 해당 UTC 세션이다. [4]

실행에는 Python 3.13.3, NumPy 2.2.6, pandas 2.2.3, scikit-learn 1.6.1을 사용했다. 매 학습에서 라벨 성숙도, 양쪽 클래스 존재, 학습 자료만의 스케일러 평균과 최적화 수렴을 검사한다. 저장 계수로 복원한 예측은 파이프라인 확률과 일치한다. 2024년 6월 15일 이후 모든 가격·거래량을 바꿔도 각 정책의 이전 예측·추정 파라미터는 같았다. 월간 이동 구간 확률은 보존한 원 엔진과 정확히 일치하고, 별도 십진 계좌 재계산은 네 기말 잔액 모두 0.0000001 USDT 이내로 일치한다. 이 검사는 해당 시간·회계 속성을 지지할 뿐 모든 모델링 오류가 없음을 입증하지 않는다.

학습 횟수를 늘려도 결과가 단조롭게 개선되지 않았다

기말 잔액은 고정 13,073.92 USDT, 주간 이동 구간 11,753.42, 월간 이동 구간 9,832.51, 월간 확장 구간 9,548.20이다. 다른 임계값을 골라 결과를 폐기하거나 손보지 않았다. 같은 비용과 초기 배분 90%의 보유 기준은 19,627.85 USDT로 끝나 평가 수익 +96.28%, 일별 종가 낙폭 30.86%다. 무이자 현금은 10,000에 머문다. 이는 정의한 회계 대안이지 USDT가 무위험이라는 뜻이 아니다.

비용 전 성과는 같은 예측·규칙에서 가정 수수료와 슬리피지를 영으로 둔 새 계좌 시뮬레이션이다. 순수익에 마지막 비용 비율을 더한 값이 아니다. 비용은 매수 수량과 이후 복리를 바꾼다. 고정 모델은 낙폭과 노출도 더 낮으므로 보유 기준과의 차이를 위험조정 알파로 추정할 수 없다.

주간 정책은 완료 거래가 고정의 33건에 비해 70건이고 평균 시가평가 투자 비율은 20.33%에 비해 43.10%다. 월간 이동 구간은 40.63%, 확장 구간은 27.07%, 보유는 94.29%다. 학습 일정이 임계값을 넘는 신호를 바꾸고 계좌 경로를 바꾼다. 학습 자체가 시장 거래를 요구하는 것은 아니다.

확률 예측은 거래 계좌와 별도로 채점한다

각 정책은 일별 예측 731개를 만들지만 평가 기간 내 라벨이 끝나는 것은 725개다. 특성 날짜는 2024년 1월 1일부터 2025년 12월 25일까지다. 네 점수는 정확히 같은 날짜와 양성 결과 390개를 쓴다. 마지막 여섯 예측은 기록에 남기되 확정 목표 채점에서 제외한다. 주간 학습 횟수에는 예정된 12월 29일 재학습도 포함된다. 이 학습은 허용 평가 거래를 시작하기에는 늦다.

로그 손실은 실현 클래스에 부여한 확률을 평가하며 이진 Brier 손실은 확률 오차의 평균제곱이다. 낮을수록 좋다. 각 모델을 당시 가용 학습 자료의 양성 라벨 빈도로 예측하고 다음 학습까지 유지하는 기준과 비교한다. 확률 점수는 예측을 평가하지 거래 이익을 평가하지 않는다. [5][6]

고정 확률은 빈도 기준보다 조금 좋은 점수를 얻었다. 재학습 모델은 두 지표 모두 자체 빈도 기준보다 나빴다. 분류 임계값 0.50의 정확도는 고정 51.59%, 각 갱신 정책 50.76%이며 모든 날짜를 양성으로 예측하면 53.79%다. 반면 거래에는 0.55와 제약된 포지션 상태를 쓴다. 방향 정답률은 손익 크기, 비용이나 미래 정보를 쓰지 않는 거래 원장을 대신하지 못한다.

점수는 기술적 비교이며 독립 시행의 유의성 검정이 아니다. 인접한 5일 목표는 겹치고 모든 정책은 같은 시장 이력을 겪는다. 일반적인 일정 우위에 대한 신뢰할 만한 신뢰구간을 추정하지 않았다.

바뀐 예측을 계좌 상태까지 추적한다

주간과 월간 이동 구간이 0.55 초과 여부에서 처음 달라진 날은 2024년 1월 18일이다. 1월 15일 재학습한 주간은 0.560402, 초기 학습의 월간은 0.545967을 예측한다. 하지만 둘 다 예정 청산일이어서 새 진입이 금지된다. 임계값 신호 차이가 곧바로 거래 차이가 되지는 않는다.

첫 실제 행동 차이는 2월 22일이다. 둘 다 포지션 없이 현금 10,521.989578 USDT를 갖고 있다. 2월 19일 주간 학습은 0.551331로 2월 23일 진입을 예약하고, 2월 1일 월간 학습은 0.523412로 관망한다. 주간 거래의 예정 청산은 2월 28일이다. 이후 차이는 현금, 보유 상태와 청산일 제외를 통해 복합적으로 이어지므로 최종 수익 격차를 예측 불일치 횟수만으로 설명할 수 없다.

첫 거래도 선별한 성공 사례 대신 공통 회계 검사를 제공한다. 1월 12일 신호가 1월 13일 모델 가격 42,804.131370에 0.210050027959 BTC를 사서 1월 18일 42,754.701955에 판다. 모델 체결 기준 가격 손익은 −10.382650 USDT이고 진입·청산 수수료는 8.991009와 8.980626이다. 순손실은 −28.354285, 남은 현금은 9,971.645715다. 슬리피지는 체결에 포함돼 다시 빼지 않는다. 백테스트 거래이지 실제 주문이 아니다.

바뀐 거래 경로가 비용을 얼마나 쓰는지 측정한다

실제 계산된 매수·매도 체결대금 합계를 시작 자본으로 나누면 고정 71.34, 주간 157.72, 월간 이동 구간 122.29, 월간 확장 구간 88.75다. 양쪽을 모두 세는 정의로 반쪽 회전율이 아니다. 대응 모형 수수료는 713.42, 1,577.25, 1,222.92, 887.51 USDT다. 빈번한 갱신 정책이 더 많은 거래를 만들 수 있지만 이 차이는 모델 판단에서 나온 것이지 매번 갱신 때 거래해야 하는 규칙 때문이 아니다.

편도 수수료 10베이시스포인트를 유지하고 편도 불리한 슬리피지를 0, 5, 10, 20베이시스포인트로 바꿔 네 경로를 다시 실행한다. 주간 이동 구간은 영 슬리피지의 +25.18%에서 20베이시스포인트의 −2.71%로 떨어진다. 고정은 시험한 경우 모두 양수지만 조건부 민감도이며 실제 체결이 모델과 같다는 증거는 아니다. 선호 정책을 흑자로 만들려고 슬리피지 가정을 고르지 않는다.

이력이 늘자 결과는 바뀌었지만 해결되지는 않았다

월간 이동·확장 구간은 학습 일정, 초기 행렬과 각 학습의 마지막 적격 특성 날짜를 공유한다. 남겨 두는 옛 행이 다르다. 2025년 12월 1일에는 이동 구간이 2023년 12월 2일에 시작하고 확장 구간은 여전히 2022년 1월 1일에 시작한다. 둘 다 2025년 11월 25일에 끝난다. 확장 표본은 성숙 행 1,425개로 거의 두 배지만 이 비교에서는 계좌 결과를 개선하지 못했다.

연도별 내역도 합계가 경로를 가리지 않게 한다. 월간 확장 구간은 2024년 18.75%를 얻고 2025년 19.60%를 잃는다. 연간 재시작이 아니라 한 계좌의 연속 구간이다. 달력 연도는 보고 구분일 뿐 확립된 시장 국면이나 독립 반복 실험이 아니다.

손익은 비대칭이다. 평균 이익/손실은 고정 +511.46/−474.56 USDT, 주간 +430.46/−357.84, 월간 이동 구간 +332.83/−318.18, 확장 구간 +440.27/−322.18이다. 기록의 가산 손익에서 가장 큰 이익 거래 세 개를 빼면 각각 +556.07, −2,034.23, −2,931.61, −3,742.12 USDT가 남는다. 이는 집중도 진단이지 실행 가능한 수정 전략이 아니다. 거래를 지우면 이후 현금과 규모도 바뀌기 때문이다.

후보는 일정에 따라 학습하되 채택에는 근거가 필요하다

실용적인 정책은 후보를 만드는 시점과 배포 모델을 교체하는 시점을 별도로 정의한다. 새 라벨이 성숙한 뒤 일정에 따라 후보를 학습할 수 있다. 채택할 때는 입력 품질, 특성 일관성, 확률 행동, 판단 변화, 순경제성과 운용 한도를 검토한다. 학습 호출 성공이 출시 결정은 아니다.

개념 드리프트는 입력과 목표 사이 관계의 변화다. 한 주 손실이나 입력 평균 변화만으로 그 관계가 바뀌었다고 판단할 수 없다. 원 개념 드리프트 종설은 적응과 평가 문제를 구분한다. [7] 데이터 사고에는 수정, 체결 장애에는 대조가 필요하다. 손상 자료로 재학습해도 둘 다 해결하지 못한다. 드리프트 발동 갱신 정책에는 별도의 인과적 시간순 비교가 필요하며 여기서는 시험하지 않았다.

이 모델의 타당한 다음 단계는 후보 선택·채택 규칙을 고정한 새 전향적 비교다. 최고 회고 수익을 영구 승자로 선언하는 것이 아니다. 기존 스케일러와 모델을 정확히 보존하고 공통 새 관측에서 후보를 그림자 운용하며 개입을 기록하고 되돌릴 경로를 유지한다. 실시간 시험 프로토콜은 운용 배포와 수익성 증거를 분리하는 방법을 설명한다.

ChatGPT나 Claude는 규칙 구체화를, Codex나 Claude Code는 구현 감사를 도울 수 있다. 이번 분석은 AI 지원을 받았고 저장한 학습과 계산은 Python이 실행했다. 제품을 거래 모델로 비교하지 않았다. 수익성 있어 보이는 재학습 간격이 나올 때까지 고치는 대신 전체 일정 탐색과 미확정 라벨의 시간표를 보존하도록 요구한다.

특성, 추정기 설정, 임계값, 정보 시점과 계좌 규칙을 고정하고 선언한 갱신 일정을 비교하세요. 갱신 빈도와 학습 구간 정책을 분리하세요. 학습 때마다 미확정 결과를 제외하고 적격 행만으로 전처리를 추정하세요. 모든 후보, 예측, 학습 날짜와 거래 판단을 보존하세요. 같은 날짜의 확률 점수, 비용 후 계좌 결과, 노출, 회전율과 손실 기간을 보고하세요. 선택과 자료 재사용을 설명하세요. 평가 결과에 맞춰 조정하거나 재사용 기간을 미사용으로 부르지 마세요.