✅ 추가 가능한 전략적 개선 제안
1. 포트폴리오 최적화 (Multi-symbol 배분 전략)
- 현재는 각 종목에 동일 자산 배분
- → 예측 정확도, 변동성, 샤프 지수 기반으로 자산 비율 가중치 설정
- 예시:
-
python복사편집asset_weight = normalize(accuracy * sharpe / volatility)
2. 드로우다운 제한 청산 (Dynamic Stop)
- MDD가 특정 % 초과시 전 포지션 청산
- 자산 보존 우선 전략
- 예시:
-
python복사편집if current_drawdown > max_allowed_dd: 청산
3. 모델 리트레이닝 또는 슬라이딩 윈도우
- 현 구조는 과거 전체로 학습
- → 최근 60~120일 기준 슬라이딩 학습으로 적응력 향상
- 예시:
-
python복사편집for i in range(window, len(df)): train_ensemble(df.iloc[i-window:i])
4. 시간 필터링 (요일/시간 기반 무역 제한)
- Crypto는 주말에도 변동성이 심함
- → 일요일 제외, 혹은 특정 시간대만 진입
- 예시:
-
python복사편집df['hour'] = df.index.hour if not (hour in trade_hours): continue
5. 추가 피처 엔지니어링
- 현재는 이동평균/RSI/Volatility 정도
- → MACD, %K, %D (Stochastic), CCI, OBV 등 기술지표 추가
- 또는:
- 이동평균 기울기
- 최근 고점/저점 돌파
- 평균 거래량 대비 급등락 감지
6. 트레이딩 룰 강화: 전략 혼합
- Rule-based + ML 기반 신호를 혼합 (예: 둘 다 만족할 때만 진입)
- 예시:
-
python복사편집if alpha[i] > 0.6 and signal[i] == 1: 진입
7. 수익실현 전략 (TP 조건 도입)
- 현재는 예측 변화 or 손절로만 포지션 종료
- → 목표 수익률 도달 시 분할청산 전략 추가
8. 강화학습 기반 의사결정 (심화)
- stable-baselines3 등 라이브러리를 이용해
포지션 비율, 진입 타이밍을 학습하는 방법으로 확장 가능
💡 적용 순서 추천
- 포트폴리오 자산 비중 최적화
- MACD, CCI 등 추가 기술지표
- 슬라이딩 윈도우 기반 재학습
- 요일/시간대 진입 제한
- 드로우다운 기준 청산
- 수익실현 TP 도입