학문을 공부하는 행위는 넓은 범위의 개념에서 좁은 의미로 트리형태의 깊어지는 방식을 의미한다고 생각한다.
전체적인 숲의 그림을 보고 있음과 동시에 각 오브젝트들의 상세 내역들을 기억함으로써 연결점을 분명히 할 수 있고 새로운 연결점 혹은 신-오브젝트를 생성하는데 자유로워진다.
이러한 학습의 개념에서 출발하자면 시장을 공부하는 것도 같은 맥락에 적용될 수 있다.
복잡계로 형성된 모든 인과/상관관계를 이해하는 것은 불가능에 가까움으로 다음의 선택지를 염두해둘 수 있겠다.
1. 자동화 탐색
2. 부분 섹터 탐색
이 학습법의 배경으로 자리잡는 것은 섹터를 기반 하는 종목 발굴(Top-Down) 방식이라는 것이다.
섹터별 모든 종목들의 세부사항을 개별적으로 비교 분석은 시간에 구애받게 되므로, Scraping Pakcage를 이용해 DB에 적재시키고 데이터를 주기적으로 분석하여 Sorting / Filtering 한 데이터만을 Pick up 하는 개념을 적용할 수 있다.
두 번재 방법은 부분적 섹터에 대한 Histroy를 확인하고 주기적인 사이클의 기간과 파동을 패턴화하여 현재의 시장 Position in Cycle을 추출하고 매매에 적용하는 방식이다.
두 가지 모두 각기 장/단점을 가지고 있으며 함께 활용되었을 때 두 가지 토끼를 잡을 수 있다.
종목을 연구하는 방법은 섹터의 컨센서스를 읽고 과거 주가 데이터와 재무제표의 변동점을 도식화하여 Event-Driven을 배제한 Period-Driven 방식의 패턴을 추출한다.
추출된 시계열 데이터로 현 주가의 할인률을 기반한 매매를 진행할 수 있다.
물론 이 모든 방식은 결과에 입각한 피드백을 바탕으로 다시금 최적화 단계를 거쳐야만 한다.
댓글