5분봉 ML/DL 분석

목차

  1. 분석 목표
    1. 데이터셋
  2. 1시간봉 vs 5분봉 비교
  3. Tree-Based 모델 성능
  4. Deep Learning 모델 성능
  5. Walk-Forward Validation
  6. Top 20 중요 피처
    1. 1시간봉 vs 5분봉 피처 비교
  7. 왜 5분봉 ML이 작동하지 않는가?
    1. 1. 노이즈 대비 신호 비율
    2. 2. 시장 미세구조
    3. 3. 피처 유효성
  8. 결론 및 권장사항
    1. ML 기반 필터 적용
    2. 5분봉 전략 운용
    3. 하이브리드 접근
  9. 추가 실험 제안

분석 목표

5분봉 데이터에서 SL(손절) vs TP(익절) 거래를 사전에 예측할 수 있는가?

데이터셋

항목 값
전략 설정 MA48, TP2%, SL1.5%
총 샘플 수 620 거래
SL (Label=1) 340 (54.8%)
TP (Label=0) 280 (45.2%)
피처 수 177개

1시간봉(165개)보다 3.8배 많은 샘플을 확보했으나, 클래스 분포가 더 균형적입니다.

1시간봉 vs 5분봉 비교

항목 1시간봉 5분봉
샘플 수 165 620
클래스 비율 (SL:TP) 77:23 55:45
최고 AUC (Tree) 0.62 0.55
최고 AUC (DL) 0.64 0.48
예측력 의미있음 예측력 없음

5분봉은 ML 예측에 적합하지 않습니다.

샘플 수는 4배 많지만, 예측력(AUC)은 오히려 감소했습니다. 이는 5분봉의 높은 노이즈로 인한 것입니다.

Tree-Based 모델 성능

Model Accuracy Precision Recall F1 AUC-ROC
XGBoost 56.5% 53.7% 61.0% 0.57 0.55
RandomForest 42.7% 41.4% 49.2% 0.45 0.47
LightGBM 41.9% 41.3% 52.5% 0.46 0.42
LogisticRegression 46.0% 43.9% 49.2% 0.46 0.41

XGBoost가 AUC 0.55로 가장 높지만, 0.55는 랜덤 추측(0.5)과 거의 차이가 없습니다.

Deep Learning 모델 성능

Model Accuracy Precision Recall F1 AUC-ROC
MultiScaleCNN 47.6% 47.6% 100% 0.64 0.48
CandleCNN 47.6% 44.8% 44.1% 0.44 0.48
BiLSTM 48.4% 45.6% 44.1% 0.45 0.45

모든 DL 모델의 AUC가 0.5 미만 또는 근접합니다. 이는 모델이 SL/TP를 구분하지 못함을 의미합니다.

Walk-Forward Validation

Model AUC-ROC (mean ± std)
XGBoost 0.56 ± 0.05
RandomForest 0.52 ± 0.05
LightGBM 0.52 ± 0.05
LogisticRegression 0.46 ± 0.03

Walk-forward에서도 XGBoost가 최선이지만, 실전 적용에는 여전히 불충분합니다.

Top 20 중요 피처

순위 피처 중요도 카테고리
1 candle_body_pct_last 29.76 캔들 패턴
2 price_change_5_last 28.85 모멘텀
3 ultimate_osc_std 22.57 오실레이터
4 ma_100_dist_pct_last 22.56 이평선 이격도
5 vol_ma_ratio_std 21.57 거래량
6 vol_change_std 21.21 거래량
7 rsi_slope_std 20.02 모멘텀
8 adx_std 18.77 추세
9 lower_shadow_pct_mean 17.39 캔들 패턴
10 ma_50_dist_pct_std 17.15 이평선 이격도
11 candle_body_pct_mean 17.02 캔들 패턴
12 vwap_dist_pct_std 16.76 가격 위치
13 ma_200_slope_std 16.56 이평선 기울기
14 atr_pct_std 16.10 변동성
15 adx_slope_last 15.78 추세

1시간봉 vs 5분봉 피처 비교

1시간봉 Top 피처 5분봉 Top 피처
ma_100_dist_pct candle_body_pct
ma_400_dist_pct price_change_5
bb_width_std ultimate_osc_std
price_change_3 ma_100_dist_pct

피처 중요도 패턴이 다릅니다:

  • 1시간봉: 이평선 이격도 중심
  • 5분봉: 캔들 패턴 + 단기 모멘텀 중심

5분봉에서는 장기 추세보다 단기 가격 움직임이 더 중요합니다.

왜 5분봉 ML이 작동하지 않는가?

1. 노이즈 대비 신호 비율 

1시간봉: 신호 > 노이즈 → 패턴 학습 가능
5분봉:   노이즈 >> 신호 → 패턴 학습 어려움

2. 시장 미세구조

  • 5분봉에서는 랜덤 변동이 SL/TP 결과를 좌우
  • 기술적 지표의 예측력이 단기에서 급격히 감소
  • HFT/알고리즘 거래의 노이즈가 지배적

3. 피처 유효성

피처 유형 1시간봉 5분봉
장기 MA 이격도 유효 약함
BB 폭 유효 약함
캔들 패턴 보통 보통
RSI/MACD 유효 약함

결론 및 권장사항

ML 기반 필터 적용

ML 필터는 1시간봉에서만 사용하세요.

타임프레임 ML 필터 적용 권장도
1시간봉 O (AUC 0.62) 권장
5분봉 X (AUC 0.55) 비권장

5분봉 전략 운용

5분봉에서 ML 없이 운용 시:

  1. 단순 규칙 기반 진입/청산만 사용
  2. 리스크 관리에 집중 (적은 TP/SL)
  3. 포지션 크기 축소

하이브리드 접근 

# 1시간봉에서 ML 필터로 진입 여부 결정
if hourly_ml_filter.predict(hourly_features) == "TP_LIKELY":
    # 5분봉에서 정밀 진입 타이밍 결정
    wait_for_5m_entry_signal()

추가 실험 제안

  1. 피처 엔지니어링: 5분봉 전용 피처 개발 (HFT 시그널, 호가창 데이터)
  2. 앙상블: 1시간봉 + 5분봉 모델 결합
  3. 시간대 필터: 변동성 높은 시간대만 분석
  4. 대안 모델: Transformer 기반 시계열 모델 시도