GodFin LSTM 트레이딩 봇이 Walk-Forward 검증과 Subprocess 메모리 격리로 67% 종목에서 매매 수익 추월

Context

일반적인 정량 거래 모델은 과거 정보 누출(data leakage)을 방지하지 못한 부정확한 백테스트로 신뢰할 수 없는 성과를 보인다. 또한 PyTorch 메모리 관리 미흡으로 단일 프로세스에서 5-6개 종목 학습 후 RAM 사용량이 12GB를 초과하며 시스템이 충돌했다.

Technical Solution

• LSTM 2계층(128 숨겨진 유닛) + Multi-Head Self-Attention 스택으로 40개 특성(OHLCV + 기술지표 + 커스텀 신호)을 처리하는 3분류 모델(매수/보유/매도) 구축
• Walk-Forward 검증 도입: 1-6개월로 학습 → 7월 검증 → 1-7개월로 재학습 → 8월 검증 패턴으로 미래 데이터 노출 완전 차단
• 종목별 독립 모델 구성으로 각 주식의 변동성 체계와 특성 관계를 개별 학습
• Subprocess.Popen 격리 방식 적용: 각 종목 학습을 독립 자식 프로세스에서 실행 후 종료 시 OS가 메모리 전체 회수
• Attention 계층이 60개 시계열 타임스텝 중 예측에 중요한 기간에 가중치 집중

Impact

• CZR 종목에서 모델 수익률 +32.14% 대 매매 보유 +6.65%로 알파 +25.49% 달성
• COIN 종목에서 모델 수익률 +24.87% 대 매매 보유 +5.45%로 알파 +19.42% 달성
• HOOD 종목에서 모델 수익률 +18.22% 대 매매 보유 +5.13%로 알파 +13.09% 달성
• 검증 4개 종목 중 3개(75%)에서 양의 알파 달성
• Subprocess 격리로 RAM 사용량을 12GB에서 3GB로 감소하며 20개 이상 종목 안정적 처리
• Attention 계층 도입으로 검증 정확도 약 4% 상승

Key Takeaway

시계열 거래 모델의 신뢰성은 정밀한 검증 방법(Walk-Forward)과 실제 프로덕션 엔지니어링(메모리 격리, 로깅)이 머신러닝 이론만큼 중요하며, 시장의 감정 주도 움직임처럼 기술적 특성이 포착 불가능한 실패 사례를 정직히 공개하는 것이 모델의 신뢰도를 높인다.