AI 주식 매매 프로그램 3편|백테스트의 착시 줄이기

공시 시점과 거래비용으로 과거 전략 검증하기

기술2026.11.18·11분 읽기

AI가 작성한 콘텐츠입니다. 실제 AI 기술에 근거하며, 활용 장면·인물·미래 상황에는 허구가 포함될 수 있습니다.

공시 공개 시점과 이후 주가를 구분한 시간축 삽화
공시와 시세를 같은 시간축에 맞추기

후보 목록에 오른 날부터 주가가 올랐다고 해도, 공시가 언제 공개됐고 실제로 어느 가격에서 거래할 수 있었는지를 따로 확인해야 한다. 백테스트는 과거 데이터를 이용해 규칙을 재현하는 방법이다. 3편에서는 2편 후보표를 날짜별로 되돌려 만들고, 비용과 비교 지수까지 포함한 거래 기록을 만든다. 첫 실습에서는 수익률이 높아 보이는 규칙을 찾기보다 같은 입력으로 같은 결과를 다시 계산할 수 있는지를 확인한다.

1. 실제 자료로 공시와 시세의 날짜를 맞춘다

OpenDART 공시검색에서 회사와 기간을 정해 최초 공시와 정정 공시를 함께 가져온다. 접수번호 rcept_no와 접수일 rcept_dt를 저장한다. 공시검색의 접수일은 날짜 형식이다. 장 시작 전후를 가를 공개 시각을 쓸 수 없다면, 일봉 실습에서 해당 접수일 다음 거래일의 장 시작 이후부터 자료를 사용할 수 있게 정한다. 토요일이나 휴장일을 넘길 때 달력에서 하루를 더하는 대신 거래일 목록에서 다음 날짜를 찾는다. 이 규칙은 공시 시각을 모르는 경우의 실습 가정이다. OpenDART 공시검색 개발가이드

시점 확인에는 1편에서 다룬 삼성전자 2024년 사업보고서를 써 볼 수 있다. 회사 공식 공개 페이지에서 보고서 표지의 2025년 3월 11일을 확인한다. OpenDART에서 해당 접수일과 접수번호를 대조한 뒤, 거래일 자료에서 그 날짜 다음 세션을 찾는다. 보고서가 다루는 2024년 12월 31일과 2025년 3월의 제출일은 역할이 다르다. 2024년 12월 31일자 가격에 이 사업보고서를 근거로 한 거래를 넣으면, 이후 제출된 보고서를 과거에 사용한 셈이다. 이전에 나온 잠정실적을 시험하고 싶다면 그 공시의 접수번호와 이용 가능 시점을 별도로 기록한다. 삼성전자 2024년 사업보고서 공시

시세는 한국거래소 정보데이터시스템의 ‘주식 → 종목시세 → 개별종목 시세 추이’에서 내려받는다. 지수를 비교하려면 지수 메뉴에서 해당 기간의 데이터를 따로 받는다. 첫 실습의 시세 표는 거래일, 종목코드, 시가, 종가, 거래량이면 된다. 공시 표는 종목코드, 접수번호, 최초 사용 가능일, 정정 관계로 연결한다. 엑셀에서 코드를 열 때 앞자리 0이 있는 열은 텍스트로 지정한다. 한국거래소 정보데이터시스템

입력 필수 값 확인 방법
공시 종목코드, 접수번호, 접수일, 사용 가능일 날짜를 앞으로 돌리면 이후 공시가 제외되는지 확인
시세 거래일, 종목코드, 시가, 종가, 거래량 거래정지와 데이터 누락을 구별
후보표 판단일, 상태, 원문 근거, 규칙 버전 당시 적용한 필터와 그 이유를 다시 읽을 수 있는지 확인
거래기록 신호일, 체결일, 수량, 적용 가격, 비용 한 줄을 손으로 재계산해 동일한지 확인
자산기록 거래일별 현금, 보유 평가액, 지수 출발일과 평가 기준이 같은지 확인

2. 신호가 생긴 날과 체결되는 날을 기록한다

처음에는 가상의 한 가지 규칙만 정한다. 2편 후보표에서 회계자료와 AI 근거가 모두 확인된 기업을 매주 마지막 거래일 장 마감 후 검토한다. 선정된 기업은 다음 거래일 시가로 체결을 가정한다. 해당 종목의 거래가 정지되어 시가가 없으면 ‘미체결’로 기록한다. 5거래일 보유를 시험하려면 기준을 명시한다. 예를 들어 체결일을 첫째 날로 세고 다섯째 거래일 종가에 청산을 가정한다. 청산일에 거래할 수 없는 경우에는 보유와 현금 상태를 유지한 뒤 규칙에 따라 다음 거래 가능일에 처리한다. 가격이 없는 날의 수익률과 평가 방법도 미리 적는다.

거래 신호와 다음 시점의 가상 체결을 따로 표시한 삽화신호와 체결은 서로 다른 시점

가령 금요일에 접수된 날짜만 알고 있다면 월요일이 다음 거래일인 경우 월요일부터 그 자료를 후보표에 넣는다. 이 기사에서 정한 주간 마감 신호에는 그다음 주간 검토부터 반영된다. 금요일 종가를 이미 사용했다면 같은 금요일 종가로 새로 매수했다고 기록할 수 없다. 반대로 장이 열리기 전에 확인 가능한 자료만으로 후보를 만들도록 규칙을 별도로 짰다면, 그날 시가 가정의 조건을 처음부터 따로 명시한다.

일봉 시가는 계산 편의를 위한 모의 가격이다. 실제 체결과 비교할 때는 지정가 도달 여부, 거래량, 주문 크기, 거래정지, 체결 지연을 고려한다. 배당을 포함한 수익률을 비교할 경우 포트폴리오와 지수의 배당 처리 기준을 맞춘다. 주식분할 같은 사건이 있으면 과거 시세와 보유 수량을 일관되게 처리한다. 현재 상장된 기업만 골라 과거를 시험하면 당시 존재했으나 이후 상장폐지된 기업이 빠질 수 있으니, 표본을 어떻게 만들었는지 기록한다.

3. 한 건의 수익과 전체 자산 흐름을 따로 계산한다

가상 거래에서 100주를 주당 1만원으로 체결하고 1만400원에 청산한다. 가격 차이만 보면 이익은 4만원이다. 매수 비용 3,000원과 매도 비용 3,000원을 적용하면 순이익은 3만4,000원, 실제 투입으로 가정한 100만3,000원 대비 순수익률은 약 3.39%다. 이 비용은 실습용 가정이다. 실제 모델을 만들 때는 거래 당시의 거래비용과 수수료, 세금 적용 여부를 확인하고, 가정 비용을 높였을 때도 결과를 함께 본다. 시가 대신 불리한 가격을 적용하는 체결 오차를 따로 넣었다면 같은 비용을 중복 차감하지 않는다.

가상 자산곡선의 고점과 낙폭을 살피고 비용을 점검하는 삽화거래비용과 최대낙폭 확인

한 건의 순수익률을 평균 내는 것으로 계좌 성과를 구하기는 어렵다. 같은 기간에 일부 자금만 쓰거나 여러 종목을 보유할 수 있기 때문이다. 매 거래일 마감에 ‘남은 현금 + 보유 종목 평가액’을 기록해 자산곡선을 만든다. 예를 들어 별도의 가상 자산곡선이 100만원 → 108만원 → 99만원 → 103만원이면 최종 수익률은 3%이고, 108만원에서 99만원으로 내려간 최대낙폭은 약 8.33%다. 같은 기간의 지수나 사전에 정한 단순 비교 전략도 나란히 기록한다.

아래 코드는 인터넷 연결 없이 실행할 수 있다. 접수일 다음 거래일을 고르는 함수와 한 건의 순손익, 별도의 자산곡선 최대낙폭을 계산한다. 최대낙폭 함수에는 양의 초기 자산가치로 시작하는 비어 있지 않은 목록을 넣는다.

from datetime import date

def first_session_after(filing_day, sessions):
    return next((day for day in sorted(sessions) if day > filing_day), None)

def round_trip(quantity, entry, exit_price, buy_cost, sell_cost):
    deployed = quantity * entry + buy_cost
    proceeds = quantity * exit_price - sell_cost
    profit = proceeds - deployed
    return profit, profit / deployed

def max_drawdown(values):
    peak = values[0]
    worst = 0.0
    for value in values:
        peak = max(peak, value)
        worst = min(worst, value / peak - 1)
    return worst

sessions = [date(2025, 3, 7), date(2025, 3, 10), date(2025, 3, 11)]
assert first_session_after(date(2025, 3, 7), sessions) == date(2025, 3, 10)
assert first_session_after(date(2025, 3, 11), sessions) is None

profit, net_return = round_trip(100, 10000, 10400, 3000, 3000)
assert profit == 34000
drawdown = max_drawdown([1000000, 1080000, 990000, 1030000])
print(f"순손익 {profit:,}원 / 순수익률 {net_return:.2%}")
print(f"별도 자산곡선 예시의 최대낙폭 {drawdown:.2%}")

기대 출력은 ‘순손익 34,000원 / 순수익률 3.39%’와 ‘최대낙폭 −8.33%’다. 다음에는 비용을 0원과 왕복 1만2,000원으로 각각 바꿔 순손익이 4만원과 2만8,000원으로 달라지는지 확인한다. 공시가 마지막 거래일에 접수되면 데이터 범위 안에는 다음 거래일이 없으므로 결과를 비워 둔다.

4. AI를 썼을 때 추가된 효과를 시간순으로 검증한다

먼저 재무 숫자만 쓰는 규칙을 만든다. 같은 후보와 날짜, 비용 조건에서 AI가 ‘근거 확인’과 ‘중요 공시 검토’를 추가한 버전을 돌린다. 차이가 난 거래를 뽑아 어느 공시가 결과를 바꿨는지 확인한다. AI가 실수로 이후 정정본이나 이후 발표된 뉴스에서 힌트를 얻지 않도록, 요청에 들어간 실제 문서와 모델·요청문 버전을 남긴다. 실제 성과 차이는 다른 요인으로도 생길 수 있어, 이 비교 결과를 AI의 효과로 해석할 때는 거래 건수와 기간을 함께 제시한다.

규칙을 조정하는 기간과 마지막 평가 기간을 시간순으로 나눈다. 예를 들어 앞 구간에서 기준을 결정하고, 뒤 구간에는 변경 없이 적용한다. 검증이 여러 번 필요하면 항상 과거로 학습하고 그 뒤의 기간에서 확인하는 순서로 창을 이동한다. 보유기간이 겹치는 성과를 정답으로 사용하는 학습에서는 훈련 구간의 마지막 정답이 검증 구간의 시세를 참조하지 않도록 사이를 띄운다. scikit-learn의 TimeSeriesSplit 문서에서 시간순 분리와 gap 옵션을 볼 수 있다. 여러 종목을 한꺼번에 다룰 때는 같은 날짜의 종목 행을 한 묶음으로 나눈다. 시계열 데이터 분리 공식 문서

결과표에 거래 건수, 기간, 누적 수익률, 최대낙폭, 비교 지수 수익률, 비용을 높였을 때의 결과를 함께 남긴다. 마지막으로 한 거래를 골라 ‘기준일에 이용 가능한 공시 → 후보표 → 주문 가정 → 체결 가격 → 비용’이 이어지는지 대조한다. 이 기록이 맞으면 가상의 백테스트 체결을 증권사의 모의 주문·체결 기록과 비교해 볼 수 있다.

이 글은 과거 데이터 검증에 관한 일반 정보다. 투자 판단은 개인 상황에 따라 다르며 필요하면 전문가와 상담해야 한다.

AI가 작성한 콘텐츠입니다. 실제 AI 기술에 근거하며, 활용 장면·인물·미래 상황에는 허구가 포함될 수 있습니다.

이미지 3장은 설명용 AI 일러스트이며 실제 촬영 사진이나 실험 기록이 아닙니다.

참고 자료

참고 자료 1개 더 보기

이 글의 이미지는 AI로 생성했습니다

AI와 함께 작성

같은 가지의 다른 글

↑ 상위 글: 기술

작성: ChatGPT (GPT-6) · 검수: ChatGPT (GPT-6) · 이미지: Cloudflare (@cf/black-forest-labs/flux-2-klein-4b)