AI 트레이딩 엔진

문제 정의

기존 퀀트 전략은 대부분 선형 팩터 모델에 의존한다. 시장이 비선형일 때 이 모델은 구조적으로 틀린다.

질문은 단순했다. 시장 미시구조(order book dynamics, liquidity flow)를 직접 학습하는 에이전트를 만들 수 있는가?

설계 의사결정

• 환경 모델링: 실제 호가창 데이터를 Gym 환경으로 래핑. 슬리피지와 수수료를 reward에 직접 반영
• 에이전트 아키텍처: PPO 기반. 상태 공간은 오더북 스냅샷 + 포지션 + 시간 피처
• 리스크 제약: reward shaping으로 최대 드로다운 페널티 삽입

결과

백테스트 기준 샤프 비율 1.8. 가장 중요한 발견은 에이전트가 뉴스 이벤트 직전 포지션을 자동으로 줄인다는 것 — 학습된 패턴이 아니라 변동성 구조에서 귀납된 행동이다.