필터와 셋업: 정의와 핵심 차이
트레이딩 시스템 설계에서 필터는 거래에 진입하기 전에 활성화되어야 하는 지표나 조건입니다. 이는 흔히 트레이딩 시스템의 열 가지 핵심 구성 요소 중 하나로 꼽힙니다. 필터는 과거 시장 행동을 설명하는 데 도움이 될 수 있지만, 일반적으로 실시간 트레이딩 결정을 개선하지는 않습니다. 그 이유는 필터가 보통 진입 신호가 사용하는 것과 동일한 가격 데이터에서 파생되기 때문입니다. 여러 필터가 동일한 기초 데이터에 기반해 구축되면, 새로운 정보를 추가하지 않은 채 서로를 확인하는 경향이 있고, 곡선맞춤을 부추깁니다. 반면 셋업은 시간, 거래량, 시장 폭, 변동성, 또는 펀더멘털 수급과 같은 다른 유형의 데이터에 기반한 조건입니다. 셋업은 독립적인 정보를 활용하므로 진정한 가치를 더할 수 있습니다. 학습 노트는 강조합니다: 필터는 일반적으로 동일한 데이터를 사용하므로 피해야 하며, 서로 다르고 신뢰할 수 있는 데이터에 기반한 셋업은 일반적으로 유용하고, 그러한 셋업이 많을수록 더 좋습니다. 이 구분은 복잡성에 관한 것이 아니라 정보 다양성에 관한 것입니다. 하나의 단순한 가격 진입과 두 개의 독립적인 셋업을 가진 시스템이 열 개의 가격 기반 필터를 가진 시스템보다 더 견고할 수 있습니다. 이 글의 나머지 부분은 필터와 셋업의 작동 방식, 셋업이 효과가 있을 때와 실패할 때, 그리고 흔한 오용을 설명합니다.
사후 편향의 함정: 곡선맞춤과 과최적화
역사적 데이터를 검토할 때, 데이터에 맞추기 위해 사용하는 지표가 많을수록 그 지표들이 모든 과거 변동을 더 완벽하게 예측하는 것처럼 보입니다. 대부분의 트레이딩 소프트웨어는 수백 가지 지표를 제공하며, 이를 자동으로 적용해 과거 시장 행동에 거의 완벽하게 맞는 곡선맞춤을 만들어낼 수 있습니다. 예를 들어, 오실레이터, 이동평균, 주기를 결합하면 거의 모든 과거 가격 변동을 설명할 수 있습니다. 이는 엄청난 확신을 만들어내지만, 오늘날의 시장을 트레이딩하려고 하면 고도로 최적화된 지표는 아무 도움도 주지 않습니다. 일부 트레이더는 최근 몇 달 같은 단기 데이터로 최적화하여 이를 극복하려고 하며, 최근에 통했던 것이 오늘날 시장을 반영할 것이라고 기대합니다. 이러한 노력은 보통 헛수고입니다. 너무 많은 지표가 사용되기 때문입니다. 일반적으로 시스템은 단순할수록 더 잘 작동합니다—예외는 있지만요. 각 지표가 서로 다른 유형의 데이터에 기반한다면, 많은 서로 다른 지표가 도움이 될 수 있습니다. 이것이 필터와 셋업을 구분하는 핵심입니다. 필터는 보통 동일한 데이터에 기반하므로 피해야 합니다. 서로 다른 데이터에 기반한 셋업은 매우 유용합니다. 셋업이 서로 다르지만 신뢰할 수 있는 데이터에 기반하는 한, 많을수록 일반적으로 더 좋습니다. 함정은 지표가 많은 것이 아니라, 모두 같은 것을 측정하는 지표가 많은 것입니다. 가격 기반 진입에 열 개의 가격 기반 필터를 추가하는 트레이더는 정보를 더하는 것이 아니라 중복과 과적합 위험을 더하는 것입니다.
시간 셋업: 다른 데이터 차원의 활용
시간은 가격과는 다른 유형의 데이터입니다. 다양한 모델이 존재하기 때문에, 움직임이 언제 발생할 수 있는지에 대해 어느 정도 지식을 가질 수 있습니다. 따라서 시간 셋업은 유용합니다. 예로는 주기, 계절성, 점성술적 영향이 있습니다. 시간 셋업은 움직임의 방향을 알려주지 않고, 언제 주목해야 하는지를 알려줍니다. 예를 들어, 계절 패턴은 특정 원자재가 특정 월에 저점을 형성하는 경향이 있음을 시사할 수 있습니다. 주기 모델은 전환점이 나타날 수 있는 기간을 시사할 수 있습니다. 이들은 가격 기반 신호가 아니므로 독립적인 정보를 더합니다. 그러나 시간 셋업은 신중하게 사용해야 합니다. 주기는 변할 수 있고, 계절 패턴은 실패할 수 있으며, 점성술적 영향은 보편적으로 신뢰할 수 있는 것으로 받아들여지지 않습니다. 학습 노트는 이를 시간 기반 셋업의 예로 제시하며, 보장된 예측 도구로 제시하지 않습니다. 시간 셋업의 가치는 가격 기반 진입과 결합할 수 있다는 점입니다: 시간 셋업은 기간을 정의하고, 가격 움직임은 방아쇠를 정의합니다. 가격 방아쇠가 없으면 시간 셋업만으로는 너무 이른 진입으로 이어질 수 있습니다. 또한 시간 셋업에 지나치게 의존하면 주기를 과거 데이터에 최적화할 경우 곡선맞춤으로 이어질 수 있습니다. 핵심은 시간을 여러 차원 중 하나로 사용하고, 행동하기 전에 다른 데이터 유형의 확인을 요구하는 것입니다. 시간 셋업은 미래를 예측하는 것이 아니라, 거래를 고려할 가치가 있는 기간을 좁히는 것입니다.
가격 순서 셋업: 가격 배열에 담긴 논리
가격 순서 셋업은 가격 데이터가 특정 순서로 나타나는 것을 요구합니다. 그 순서가 시장이 따르는 경향이 있는 높은 확률의 관계에 기반한다면, 그 순서는 단순한 가격 판독보다 종종 더 가치가 있습니다. 되돌림 셋업이 전형적인 예입니다. 이는 순서에 기반해 구축됩니다: 첫째, 시장이 추세를 형성합니다; 둘째, 되돌림이 발생합니다; 셋째, 시장이 원래 추세 방향으로 움직임을 보입니다. 각 단계는 가격 데이터이지만, 논리는 순서와 관계에 있습니다. 반면 단순 이동평균 교차는 역시 가격 데이터이지만 순서를 요구하지 않습니다. 순서 셋업은 구조를 더합니다. 또 다른 예는 돌파 이후 이전 지지선을 유지하는 되돌림일 수 있습니다. 확률은 되돌림 후 추세가 재개되는 경향에서 나오지만, 이는 보장되지 않습니다. 추세가 약하거나 되돌림이 반전이 되면 셋업은 실패할 수 있습니다. 또한 이 셋업은 여전히 가격 데이터에 기반하므로, 이미 많은 가격 기반 필터를 사용하는 시스템에 추가해도 많은 독립적 정보를 더하지 못할 수 있습니다. 차이는 순서 셋업이 단순한 필터가 아니라, 전개되어야 하는 논리적 조건이라는 점입니다. 더 큰 견고성을 위해 시간, 거래량, 변동성 셋업과 결합할 수 있습니다. 가격 순서 셋업은 곡선에 맞추기보다 시장 논리를 부호화하는 방식입니다.
