지원과제 2. AI 활용 검증 자료

(주)엠씨투자자문 데이터 퀀트·AI 리서치 및 주니어 운용역 지원 · 양진용

요구사항은 AI를 활용하여 직접 만든 산출물 한 건과 그 과정에 대한 설명이며, 무엇을 어떤 도구와 프롬프트로 어떻게 풀었는지를 정리하였습니다.

산출물: AI로 구축한 「퀀트 백테스트·편향제거·통계검증 파이프라인」 (Quantamental Ace)

백테스트 수익률은 과최적화·편향(생존편향·미래참조)이 있으면 무의미하다고 판단, 화려한 수치보다 "가짜 알파를 제거하고 통계적으로 검증된 성과"를 목표로 삼았습니다.

도구: LLM(Claude) + Python(pandas·yfinance) + SQLite + Git/PR 협업
핵심 프롬프트 전략 (AI를 '기술 허들 돌파'에 사용):
*"이 백테스트의 생존편향·미래참조 리스크를 진단하고, PIT(Point-in-Time) 유니버스와 T+1 시가체결로 교정하는 설계를 제안해줘"*
*"Deflated Sharpe와 블록 부트스트랩 신뢰구간 검증 코드를 작성해줘"*
*"재현 결과가 기준 체크섬과 Sharpe ±0.05를 벗어나면 원인을 분석해줘"*

1. 편향 진단: AI로 코드의 편향 요소를 점검 → 생존편향·룩어헤드 발견

2. 교정 구현: PIT 유니버스, 실제 공시일 반영, T+1 시가 체결, 시장별 거래비용·양도세까지 반영

3. 검증 설계: PSR·Deflated Sharpe 98.8%·부트스트랩 90% CI [0.90, 1.74] 로 "운이 아님"을 통계적으로 입증

4. 사람의 판단: AI 산출물을 맹신하지 않고 재현 체크섬으로 교차검증, 멘데이트(운용 규칙) 문서화로 재현성 확보

AI는 판단의 대체가 아니라 허들을 넘는 도구 — 반드시 검증으로 신뢰를 확보해야 함을 체득했습니다.
이 방식은 공고의 "AI 활용 시장정보 요약·리포트 자동화", "퀀트 백테스팅·모델링 보조" 에 즉시 적용 가능합니다.
동일한 접근으로 학습자료 자동분류 파이프라인(Python·자동 스케줄링), 다국어 학습 웹앱 borgen.world(데이터 생성기+CI/CD 배포) 도 직접 구축했습니다.

*본 자료의 성과·검증 수치는 첨부한 전략 발표자료에서 확인하실 수 있습니다.*