🚀 [기능개선][AI] 모델별 목적 기반 재학습 및 시장 기준선 초과 전략 탐색 #371

📝 현재 문제점

• 현재 운영 기준 Transformer 단독 전략은 강한 성과를 보였지만, 이를 바로 모든 신규 모델/앙상블의 절대 기준으로 삼기에는 난이도가 높습니다.
• TCN, PatchTST, iTransformer는 각각 단기 패턴, 중기 랭킹, 거시/시장 상태 해석이라는 목적이 다르므로 단순 loss나 단일 수익률만으로 성능을 판단하기 어렵습니다.
• 기존 실험에서는 평가 체계와 백테스트 구조를 마련했지만, 모델별 목적에 맞춘 본격적인 성능 개선 실험은 별도 브랜치에서 진행할 필요가 있습니다.
• 이번 단계에서는 Transformer를 최상위 reference로 유지하되, 우선 시장 기본 Buy & Hold 및 운영 후보군 동일비중 전략을 이기는 다양한 모델/전략 후보를 발굴하는 것을 목표로 합니다.

🛠️ 해결 방안 / 제안 기능

• 기존 평가 체계를 활용하여 모델별 목적에 맞는 성능 개선 실험을 진행합니다.
• iTransformer는 기존 TensorFlow 버전을 유지하면서, 논문 구조에 맞춘 PyTorch 기반 새 버전을 별도 구현합니다.
• TCN, PatchTST, iTransformer 각각의 목적에 맞게 피처셋, 파라미터, 학습 설정, 손실 함수, 앙상블/게이팅 전략을 조정합니다.
• 시장 기본 Buy & Hold, 운영 후보군 동일비중, 운영 Transformer reference를 기준선으로 두고 성능을 비교합니다.
• 최종적으로 시장 기준선을 이기는 후보 전략들을 정리하고, Transformer reference에 근접하거나 위험 조정 성과가 더 나은 후보를 선별합니다.
• 2025 이후 구간은 최종 검증용으로 남겨두고, 앞당긴 검증 구간에서 후보를 충분히 만든 뒤 제한적으로 도전합니다.

⚙️ 작업 내용

• 서버 운영 Transformer reference 조건 정리
• 시장 Buy & Hold 기준선 정의 및 계산 방식 고정
• 운영 후보군 동일비중 기준선 정의 및 계산 방식 고정
• 앞당긴 검증용 holdout 구간 설정
• 모델별 objective metric 재점검
• Transformer 대비 지표, 시장 대비 초과수익, MDD 개선 지표 보강
• iTransformer PyTorch v2 아키텍처 설계 및 구현
• iTransformer v2 wrapper, train, metadata, scaler 계약 구현
• TCN 단기 피처/파라미터 개선 실험
• PatchTST 중기 ranking/swing 피처/파라미터 개선 실험
• iTransformer 거시/시장 상태 피처/파라미터 개선 실험
• 모델별 smoke 학습 및 진단
• 모델별 OOS 평가 및 leaderboard 생성
• 시장 Buy & Hold 초과 전략 후보 선별
• 단순 앙상블 후보 실험
• 규칙 기반 gating 후보 실험
• MoE 또는 soft gating 후보 실험
• 실패 원인 기록 후 재실험 루프 정리
• 최종 후보군 성능 요약
• 노션 보고용 실험 결과 정리

🙋‍♂️ 담당자

• AI : 김지형