Brier Loss 기반 ML 옵션 예측 모델의 정량적 Calibration 체계 구축

Context

확률적 예측을 제공하는 ML 모델 운영 시 예측값에 대한 사후 검증 루틴 부재로 인한 모델 성능 개선 피드백 루프 결여.

Technical Solution

• REST API 기반의 ML 예측 데이터 추출 및 CSV 저장 구조를 통한 시계열 Snapshot 아키텍처 설계
• 예측 시점의 Probability-ITM(In-The-Money) 값과 만기 시점의 실제 결과(Realized ITM)를 매핑하는 데이터 파이프라인 구축
• (prob_itm - realized_itm)^2 수식을 활용한 Brier Loss 산출로 확률 예측의 정확도를 정량적으로 측정하는 Calibration 로직 구현
• MCP(Model Context Protocol) 서버와 REST 인터페이스를 병행 제공하여 LLM 기반 클라이언트와 단순 HTTP 클라이언트 모두 수용 가능한 인터페이스 설계
• 무인증 GET 요청 및 IP당 일일 50회 호출 제한을 통한 최소 비용의 데이터 수집 환경 구성