지금 모델은 기본적인 구조를 잘 갖췄지만, 실전 예측 성능을 높이려면 아래와 같은 개선 포인트들을 고려해보는 게 좋아.
이건 실제 트레이딩 시나 하이브리드 시계열 모델에서 검증된 방식
✅ 1. 데이터 전처리 개선
- Log return 사용
log(close_t / close_t-1)은 일반적인 return보다 더 안정적이고 정규분포에 가까워짐 - 피처 정규화
volume, price 등은 MinMaxScaler 또는 StandardScaler로 정규화하고 학습에 사용
→ 각 피처의 크기 차이를 줄여 학습 안정화 가능
✅ 2. 라벨 구조 개선 (클래스 불균형 완화)
- 급등/급락 비율이 너무 적으면 분류 모델이 "보통"만 예측하려 함
- 라벨을 5분봉 대신 30분봉 등으로 바꾸면 급등/급락 빈도가 증가해 불균형이 완화됨
- 또는 focal loss나 class weight를 적용해 학습 밸런싱 가능
✅ 3. 모델 구조 개선
- Conv1D + Transformer 조합
Conv로 로컬 패턴을 먼저 잡고, Transformer로 시계열 전체 문맥 이해 - LayerNormalization 위치 조정 (Pre-Norm vs Post-Norm)
안정성 개선에 영향 있음 - Dropout 추가 조정
오버피팅 방지 (특히 작은 데이터셋에서는 효과적)
✅ 4. Custom Metric / Loss
- Custom classification F1-score metric: 정확도 외의 균형 지표 필요
- 하이브리드 risk-adjusted loss
급등/급락 예측 실패에 더 큰 패널티를 주는 방식 고려
✅ 5. 후처리 + 시각화 개선
- 예측값의 direction (상승/하락) 일치율 분석
→ 실제 가격 방향성과 모델 예측이 얼마나 맞는지 확인 - 예측 변동률을 바탕으로 가상 수익률 계산 시뮬레이션
추천 우선순위 TOP 3
우선순위내용이유
| 1 | 라벨 불균형 보정 (윈도우 길이, class weight 등) | 분류 성능 크게 개선 가능 |
| 2 | Conv1D + Transformer 구조 | 성능과 연산 효율 동시 확보 |
| 3 | 가상 수익률 분석 | 실전 적용 가능성 평가 가능 |