알파 풀

1) 문제 인식

단일 알파는 특정 regime에 편향되어 regime-independent 수익 불가능. 알파풀 설계가 필요함. 기존 방식의 correlation threshold만 보고 제출하게 되면 구조적 다양성 없이 사후 filter만 의존하게 되므로, 의도된 분산이 아닌 우연에 기대는 설계임.

2) 축 선정 과정

2-1) 초기 가설 (기각된 선택지들)

2-2) 핵심 교훈

• Regime 사이클은 Brain 플랫폼 내에서 정량 확인 불가 (컨설턴트 레벨에서도)
• 대신 의미론적 카테고리 분류로 접근
• 균등 분산이 원칙, 지나친 bias 금지

2-3) 최종 축 확정

• 정성적 다양성

  • 축1: 수익원 (Source of Return)
    민겸님 거시 regime과 차별화, finding_alphas 철학 부합, OS 강건

  • 축2: 데이터 소스 카테고리
    정성적 다양성, brain_datafields.csv 7개 카테고리 기반 5개로 통합

  • 축3: 금리 민감도 (interest rate)
    거시경제 regime으로부터 알파는 자유로워질 수 없기 떄문에 거시경제에 가장 큰 영향을 미치는 금리에 대한 민감도를 축으로 설정함

• 정량적 다양성

  • 축4: Correlation Threshold
    Correlation은 IS summary와 pnl의 여러 수치적인 정보들의 유사성을 나타내므로, 정량적인 차원의 유사성이라고 볼 수 있음

3) 축 선정 결과

3-1) 축1: 수익원 (균등 20%씩)

3-2) 축2: 데이터 소스 (균등 20%씩)

• Fundamental
• Technical
• Analyst
• Text
• Derived

3-3) 축3: 거시 민감도 (금리로 판단)

각 알파 완성 후 부수 라벨을 달고, 라벨 별로 비중이 50%가 넘어가지 않도록 조정

• 금리 민감도: (+) / (0) / (-)
• 판단 방식
  • 금융적 맥락
  • 연도별 sharpe

3-4) 축4: Correlation 판단

max correlation을 0.5로 설정함

• 풀 초기 (0~15개): 0.6
• 풀 중기 (15~40개): 0.5
• 풀 후기 (40~60개): 0.4

4) 제출 전 판단요소

4-1) Train/Test 둘다 작동하는지

4-2) Parameter Sensitivity

4-3) Sub-universe test

4-4) Merged IS 증가