백테스트한 전략의 이동평균 기간, 손절 비율 같은 파라미터를 살짝만 바꿔도 성과가 크게 달라진다면 이걸 어떻게 해석해야 하고, 파라미터 민감도는 어떤 방식으로 점검하나요?

이동평균 기간이나 손절 비율 같은 파라미터를 조금만 바꿔도 성과가 크게 흔들린다면, 그 전략은 시장의 반복 가능한 우위(edge)를 찾은 것이 아니라 과거 데이터의 우연·노이즈에 맞춰진 과최적화(overfitting, curve fitting) 상태일 가능성이 높다고 해석하는 것이 일반적입니다.

강건한(robust) 전략은 파라미터가 합리적 범위 안에서 바뀌어도 성과가 완만하게 변합니다. 이를 성과 지형(performance surface)으로 그려보면, 견고한 전략은 넓고 완만한 고원(plateau) 형태를 보이는 반면 과최적화된 전략은 특정 값에서만 성과가 튀는 뾰족한 봉우리(peak) 형태를 보입니다. 예를 들어(가상의 수치이나) 이동평균 19일에서는 수익률 5%, 20일에서는 25%로 급변한다면 과적합 가능성이 높고^[1], 진짜 효과적인 전략이라면 인접 파라미터에서도 비슷한 성과가 나와야 합니다. 이런 현상은 파라미터를 반복 조정하며 백테스트를 여러 번 돌려 그중 가장 좋은 결과만 고르는 다중 검정·선택 편향에서 비롯되며, 이 경우 노이즈만으로도 최대 성과 지표가 부풀려질 수 있습니다.

파라미터 민감도는 다음과 같은 방식으로 점검합니다. 첫째, 파라미터 민감도 분석은 최적값 주변을 ±10~25% 정도 스윕(sweep)하며 성과를 지형도나 히트맵으로 그려, 고원인지 봉우리인지 확인하는 방법입니다. 둘째, 표본 외(out-of-sample) 검증과 워크포워드 분석(WFA)은 데이터를 훈련 구간과 검증 구간으로 나누고(검증 구간은 전체의 약 30% 확보^[2]), 롤링 윈도우 방식으로 훈련 구간에서 최적화한 파라미터를 다음 검증 구간에서 확인하는 과정을 반복하는 방법입니다. 검증 구간에서 성과가 크게 하락하면 원래 최적화가 과적합이었다는 증거로 봅니다. 셋째, 몬테카를로 시뮬레이션은 거래 순서를 무작위로 섞어 반복 시뮬레이션한 뒤, 순서와 무관하게 수익이 유지되는지 확인하는 방법입니다. 넷째, 통계적 보정 지표로는 다중 검정에 따른 선택 편향과 수익률의 비대칭성을 반영해 성과를 보정한 디플레이트 샤프비율(Deflated Sharpe Ratio)^[4], 그리고 훈련 구간 최적 전략이 검증 구간에서 중앙값 이하 성과를 낼 확률을 계산하는 백테스트 과최적화 확률(Probability of Backtest Overfitting)^[3]이 활용됩니다. 이 두 지표는 Bailey·López de Prado 등의 연구에서 제안된 개념입니다.

실무에서는 파라미터 개수를 최소화하고 검증 기간을 길게 확보하며, 파라미터 후보는 전수 탐색이 아니라 이론적 근거로 좁히고, 거래비용과 슬리피지를 반드시 반영하는 것이 과최적화를 예방하는 원칙으로 제시됩니다. 다만 이런 검증 절차를 거쳐도 미래 성과를 보장하는 것은 아니므로, 최종적인 투자 판단과 그 책임은 투자자 본인에게 있습니다. 본 콘텐츠는 일반적 정보·교육 목적이며 특정 종목의 매수·매도 추천이 아닙니다.