[알고리즘 트레이딩] 보조지표는 정말 필요한가? 머신러닝 트레이딩에서의 새로운 시선
“머신러닝은 인간이 쉽게 파악하지 못하는 복잡한 패턴을 찾아낸다.
그렇다면 인간이 만들어낸 보조지표를 굳이 써야 할까?”
이런 질문을 스스로 던져본 적 있다면, 당신은 이미 머신러닝 트레이딩의 본질에 한 발짝 다가간 것이다. 이번 글에서는 보조지표의 유용성에 대한 통찰과 함께, 머신러닝 트레이딩에서 어떤 데이터를 어떻게 활용해야 하는지 고민해보자.
📦 OHLCV와 보조지표의 관계
암호화폐나 주식 시장에서 가장 기본이 되는 데이터는 바로 OHLCV다.
-
O: 시가 (Open)
-
H: 고가 (High)
-
L: 저가 (Low)
-
C: 종가 (Close)
-
V: 거래량 (Volume)
우리가 흔히 사용하는 보조지표(technical indicators) 들은 대부분 이 OHLCV 데이터를 가공해 만든다.
예:
-
RSI, MACD, EMA, 볼린저 밴드, 스토캐스틱, OBV 등
이 지표들은 기본적으로 "과거 가격 흐름"을 해석해 일정한 규칙을 정하고,
사람이 직관적으로 이해할 수 있는 신호를 만들어내기 위해 고안되었다.
🤖 그런데 머신러닝은 왜 다를까?
머신러닝의 핵심은 데이터에서 스스로 패턴을 찾아내는 능력이다.
이는 곧, 인간이 정의한 규칙을 따를 필요 없이 복잡한 비선형 구조도 모델링할 수 있다는 뜻이다.
📌 보조지표는 인간의 '가설'일 뿐이다.
머신러닝에게 이 가설을 강제로 입력해주는 것이 과연 최선일까?
이러한 이유로, 최근 많은 연구자들과 퀀트 트레이더들은 보조지표 없이도 학습 가능한 모델을 탐색하고 있다.
📉 그럼 보조지표는 전혀 필요 없을까?
꼭 그렇지는 않다. 실제 트레이딩 시스템에서는 다음과 같은 이유로 보조지표가 여전히 활용되고 있다.
1. 📈 학습 속도 & 성능 향상
보조지표는 요약된 통계 정보로서, 머신러닝 모델이 의미 있는 feature를 빠르게 학습하게 도와준다.
특히 초기 모델 설계나 데이터가 많지 않을 때는 효과가 크다.
2. 🔍 해석 가능성 (Explainability)
트레이딩 결과를 이해하고 전략을 설명할 수 있다는 점은 실전에서 매우 중요하다.
“왜 이 날 샀는가?”에 대해 보조지표 기반 설명이 있는 전략은 더 신뢰를 받는다.
3. ⚙️ Feature Engineering의 재료
보조지표를 그대로 쓰기보다는,
-
지표 간의 차이
-
기울기
-
변화율
등을 파생 feature로 가공하면, 오히려 raw data보다 더 강력한 입력이 되기도 한다.
🧠 요즘은 어떤 방식이 쓰일까?
| 방식 | 설명 |
|---|---|
| ✅ Raw OHLCV + 딥러닝 | LSTM, Transformer, CNN 등을 활용해 가격 시계열 자체에서 feature 추출 |
| ✅ 보조지표 + 머신러닝 | 전통적인 방식. 성능 안정적, 설명 가능 |
| ✅ 혼합형 모델 | Raw data + 지표 혼합 입력. 중요도 분석 또는 AutoML로 최적 feature 선택 |
| ✅ 비지도 학습 기반 feature 추출 | Autoencoder나 Attention으로 latent vector 생성 |
🔚 결론: 보조지표를 버릴 필요도, 맹신할 필요도 없다
-
머신러닝 모델은 보조지표 없이도 학습할 수 있다.
-
하지만 보조지표는 학습 효율을 높이고, 설명 가능성을 확보하며, 특정 상황에서는 성능 향상도 가능하다.
-
핵심은 어떤 지표가 정말 유의미한 feature인지 판단하는 실험과 분석이다.
댓글
댓글 쓰기