퀀트 투자 입문 — 팩터·백테스트·과최적화·DART API¶

면책: 본 문서는 교육 목적이며, 특정 개인·법인에 대한 투자·세무·법률 자문이 아닙니다. 팩터 프리미엄·백테스트 수익은 미래를 보장하지 않습니다. 과최적화된 규칙으로 실전 매매하는 것은 원금 손실로 이어질 수 있습니다. 개인 투자자의 고빈도·레버리지 퀀트 투기를 권장하지 않습니다. 제도·API·세율은 변경될 수 있으므로 실행 전 공식 출처를 확인하세요. 본문 수치·종목·코드는 가상 교육용입니다.

메타¶

항목	내용
최종 검증일	2026-05-25
정책·법령 기준일	2025-12-31 확정
난이도	L4 (Graduate) — READER-GUIDE
예상 읽기 시간	180~240분
관련 bucket	Bucket 3 (코어·팩터 ETF 보조) · Bucket 4 (위성·스크리닝 한계 인지)

0. 이 편 읽기 전 (5분)¶

항목	내용
난이도	L4 (Graduate) — READER-GUIDE §L등급
선수	capm-and-risk-return, market-efficiency-emh
이번 편에서 쓰는 기호	본문 §4·§4a 표 참고
복습 한 줄	L3 선수 편을 먼저 읽으면 수식이 수월함

TL;DR¶

퀀트 투자 = 규칙·데이터·통계로 포트 구성·성과 평가 — “감”을 프로세스로 대체하려는 시도이지 수익 보장이 아니다.
팩터 투자는 수익률 공분산을 설명하는 공통 특성(가치·규모·모멘텀 등) 에 체계적 노출 — factor-investing-fama-french.
백테스트는 과거 데이터에 전략을 재현 — 생존편향·전망편향·거래비용·세금 없으면 과대평가.
과최적화(Overfitting) = 샘플에만 맞춘 규칙 — 아웃오브샘플·워크포워드로 방어.
성과 측정은 α·β·Sharpe·추적오차·IR — performance-measurement.
DART Open API = 한국 공시 구조화 데이터 — ML 파이프라인과 유사하나 투자 신호 ≠ API 호출.
AI 엔지니어에게 익숙한 ETL·피처·검증 분할을 금융 도메인 제약(저표본·레짐 변화)과 함께 이해한다.

1. 한 줄 정의 + 왜 중요한가¶

정의: 퀀트 투자(Quantitative Investing) 는 가격·재무·대체 데이터를 정량화하고, 명시적 규칙으로 포트폴리오를 구성·리밸런싱·성과를 평가하는 투자 접근이다. 학술에서는 자산가격 이론·팩터 모형·시장 미시구조와 연결되고, 실무에서는 인덱스·스마트베타·헤지펀드·은행 리스크 모형 등으로 분화한다.

CAPM (Capital Asset Pricing Model)

β로 기대수익을 설명하는 단일요인 모형.

왜 중요한가 (장기 자산 형성·bucket 연결):

독자 상황	본 문서 역할
코어 ETF 투자자	“팩터 ETF·백테스트 광고”를 검증 가능한 언어로 해독
AI/ML 엔지니어	자신의 MLOps·데이터 파이프라인 비유를 금융 함정(과최적화·레짐)에 대입
위성·섹터	스크리닝 규칙이 우연히 좋았던 것인지 구분
행동	“시스템이 사줬다”는 책임 회피 방지 — behavioral-finance-complete

본 문서는 헤지펀드 운용 매뉴얼이 아니라, 개인 장기 투자자가 퀀트 마케팅·학술 요약·공시 API를 비판적으로 읽기 위한 L4 입문이다. 실행은 passive-vs-active·core-satellite-framework와 정렬한다.

2. 선수 지식 / 이후 읽을 것¶

선수: - capm-and-risk-return - market-efficiency-emh - portfolio-theory-mpt - financial-statements-analysis - factor-investing-primer

이후: - factor-investing-fama-french — FF3·FF5·한국 ETF - performance-measurement — α·Sharpe·IR - apt-multi-factor-models - reading-annual-reports-dart - quant-investing-intro ← 본 문서

3. 직관·비유 — AI 엔지니어 데이터 파이프라인¶

핵심은: 퀀트 투자는 "감이나 직관이 아닌 데이터와 통계 모델로 투자 결정을 내린다"는 방법론입니다. 소프트웨어 개발자·데이터 엔지니어에게는 익숙한 파이프라인 방식으로 생각할 수 있습니다.

퀀트 워크플로는 ML 제품 파이프라인과 형태가 비슷합니다. 차이는 데이터가 노이즈가 크고, 레이블(미래 수익)이 비정상이며, 배포(실전 매매) 비용이 크다는 점입니다.

ML / 데이터 엔지니어링	퀀트 투자	금융 함정
원천 DB (로그·이벤트)	가격·재무·공시(DART)	수정·상폐·생존편향
ETL	클린징·조정·통화 통일	룩어헤드 누수 주의
피처 엔지니어링	팩터 계산 (모멘텀·PBR 등)	다중 검정·과적합
모델 학습	백테스트	인샘플 과적합
검증	워크포워드 OOS	충분한 표본 크기
배포	실전 주문 실행	슬리피지·세금·수수료

비유 — 요리 레시피와 식당 운영 백테스트는 요리 레시피 개발과 같습니다. 맛있는 레시피를 만들었다고 해서 식당 운영이 성공한다는 보장은 없습니다. 실전에서는 식재료 가격 변동(시장 변화), 주방 속도 한계(슬리피지), 세금·인건비(거래비용)가 모두 성과를 갉아먹습니다.

쉽게 말하면: 개인 투자자도 DART OpenAPI + Python으로 간단한 팩터 모델을 만들 수 있습니다. 하지만 그 백테스트 성과를 그대로 믿으면 안 됩니다. 생존편향(망한 기업은 데이터에 없음), 룩어헤드 편향(미래 데이터가 과거 모델에 스며든 오류)을 반드시 점검해야 합니다.

이 이론의 한계는 다음과 같습니다: 아무리 좋은 백테스트 결과도 미래를 보장하지 않습니다. 팩터는 발견 후 약해지고, 시장 구조는 변합니다. 개인이 사용할 수 있는 공개 데이터(DART, 주가)로 만든 전략은 기관의 대안 데이터 전략과 경쟁해야 합니다.

4. 정식 개념·용어¶

용어	English	정의
퀀트	Quant	정량 규칙 기반 투자·리스크
팩터	Factor	수익률 공분산 설명 변수
롱숏	Long-short	팩터 포트(학술)
백테스트	Backtest	과거 데이터 전략 재현
OOS	Out-of-sample	표본 밖 검증
과최적화	Overfitting	샘플 특이 패턴 학습
생존편향	Survivorship bias	상폐·퇴출 종목 누락
전망편향	Look-ahead bias	미래 정보 사용
워크포워드	Walk-forward	롤링 학습·검증
α	Alpha	모형 대비 초과
β	Beta	시장 민감도
TE	Tracking error	벤치 대비 변동
IR	Information ratio	초과/TE
스마트 베타	Smart beta	규칙형 팩터 ETF

4a. 핵심 용어 (본문 등장 순)¶

복습용. 정의는 §4 본표·glossary·본문 !!! info 박스.

용어	한 줄	관련 이론	glossary
퀀트	정량 규칙 기반 투자·리스크	§4	glossary
팩터	수익률 공분산 설명 변수	§4	glossary
롱숏	팩터 포트	§4	glossary
백테스트	과거 데이터 전략 재현	§4	glossary
OOS	표본 밖 검증	§4	glossary
과최적화	샘플 특이 패턴 학습	§4	glossary
생존편향	상폐·퇴출 종목 누락	§4	glossary
전망편향	미래 정보 사용	§4	glossary
워크포워드	롤링 학습·검증	§4	glossary
α	모형 대비 초과	§4	glossary
β	시장 민감도	§4	glossary
TE	벤치 대비 변동	§4	glossary
IR	초과/TE	§4	glossary
스마트 베타	규칙형 팩터 ETF	§4	glossary

5. 메커니즘 — 팩터 투자 개요¶

5.1 CAPM에서 팩터로¶

단일 시장 β만으로 설명되지 않는 평균 수익 차이 → 다요인 모형. factor-investing-fama-french의 FF3:

\[ R_{i,t} - R_{f,t} = \alpha_i + \beta_{i,M}(R_{M,t}-R_{f,t}) + \beta_{i,SMB} SMB_t + \beta_{i,HML} HML_t + \varepsilon_{i,t} \]

팩터	직관	개인 투자자 접점
MKT	시장	코어 지수 ETF
SMB	소형	코스닥·소형 ETF
HML	가치(저P/B)	가치·배당 스마트베타
RMW·CMA (FF5)	수익성·투자보수	퀄리티·저변동 혼합

섹터(AI·GPU) ≠ 팩터 — sector-investing-framework. 반도체 ETF는 산업 베팅 + 우연히 성장·모멘텀 노출.

5.2 스마트 베타 vs 액티브 vs 패시브¶

flowchart TD
  Passive["패시브 시장가중"] --> Core["코어 Bucket3"]
  Smart["스마트베타 규칙팩터"] --> Sat["보조 또는 위성 상한"]
  Active["액티브 채권선택"] --> Hard["지속 α 어려움"]

passive-vs-active: 개인은 코어 패시브 + 팩터 ETF 소량이 현실적. 직접 롱숏·파생은 derivatives-options-intro 리스크.

5.3 팩터 프리미엄이 사라질 때¶

군중화: 동일 팩터 추종 자금 증가
레짐: 저금리 → 고금리에서 성장·모멘텀 역전
구조 변화: 회계·공시·지수 편입 규칙 변경
데이터 마이닝: 학술·브로커가 수백 팩터 시도 → 유의한 것만 보고 (p-hacking 유사)

6. 백테스트 — 설계·함정·체크리스트¶

기호	이름	이 식에서 의미
OOS	표본 외 검증	튜닝에 쓰지 않은 구간 성과
IC	정보계수	시그널·수익 상관(개념)

6.1 백테스트 파이프라인 (단계)¶

유니버스 정의: KOSPI200·전 종목·시총 필터 — 상폐 포함 여부
리밸런싱 주기: 월·분기 — 미래 수익률 미사용
시그널 계산: t말 재무 → t+1 매수(공시 지연 반영)
포트 구성: 상위 20% 가치 등 — 가중(시총·동일)
비용: 수수료·스프레드·슬리피지·세금(domestic-stocks-tax)
벤치: 시장·섹터 — performance-measurement
OOS: 최근 20% 기간 한 번도 튜닝 안 한 규칙으로 테스트

6.2 편향 카탈로그¶

편향	설명	엔지니어 비유
생존편향	상장 폐지 종목 제외	삭제된 로그만으로 SLA 계산
전망편향	수정 재무·당일 종가로 t일 신호	미래 타임스탬프 로그 혼입
데이터 스누핑	100 규칙 중 1개만 보고	100 실험 중 p<0.05 하나
거래비용 무시	총수익만 보고	CDN 비용 0원 가정
유동성 무시	소형주 대량 매수	프로덕션 QPS 무제한
레버리지 과다	샤프만 보고 DD 숨김	p99 지연 미보고

6.3 가상 백테스트 예 (교육용)¶

가상: 2015~2024, KOSPI 유니버스, 분기 리밸, P/B 하위 30% 20종목 동일가중, 비용 0.3%/회.

구간	연환산	MDD	비고
IS 2015~2020	+12%	−25%	튜닝 금지 구간 아님
OOS 2021~2024	+3%	−18%	성과 급감 — 과최적화 의심

교훈: IS만 보고 “가치 전략 만능” 홍보 → OOS·비용 필수.

6.4 워크포워드 (Walk-forward)¶

flowchart LR
  T1["Train 1"] --> V1["Valid 1"]
  V1 --> T2["Train 2"]
  T2 --> V2["Valid 2"]
  V2 --> T3["Train 3"]

롤링: 3년 학습 → 1년 검증 → 창 이동. 파라미터 고정 규칙이 이상적; 매 창마다 재튜닝하면 누수.

7. 과최적화(Overfitting) — 진단·방어¶

7.1 정의·신호¶

과최적화: 노이즈까지 “학습”한 규칙 → OOS·실전에서 성과 붕괴.

신호	해석
IS 샤프 2.0, OOS 0.2	전형적 과최적화
규칙 파라미터 10개+, 표본 5년	자유도 과다
“월요일만 매수” 등 비경제적	데이터 스누핑
백테스트 완벽 곡선	비용·편향 누락

7.2 방어 원칙 (개인 투자자)¶

규칙 단순화: 파라미터 ≤3
경제적 스토리: 가치·모멘텀 — 이유 없는 패턴 거부
OOS·워크포워드
비용·세금 보수적 가정
실전 소액·페이퍼 전 풀배치 금지
코어는 패시브 유지 — 퀀트 위성은 core-satellite-framework 상한

7.3 Bonferroni 직관¶

\(N\)개 전략을 시도하면 우연히 유의한 전략 수 ≈ \(N \times \alpha\). 100번 시도·α=0.05 → 5개는 우연. → 사전 등록(pre-registration)처럼 규칙을 먼저 적고 테스트.

8. 성과 측정 — 퀀트와 연결¶

factor-investing-fama-french 회귀 후 α가 “진짜 초과”인지는 벤치·기간·팩터 선택에 민감 — performance-measurement.

지표	식(요약)	퀀트 해석
Sharpe	\((R_p-R_f)/\sigma_p\)	총위험 대비 — 레버 왜곡 주의
Sortino	하방 σ만	하락만 페널티
Treynor	\((R_p-R_f)/\beta_p\)	체계적 위험 단위
TE	\(\sigma(R_p-R_b)\)	벤치 추적 변동
IR	초과/TE	액티브 품질

한국 개인: QQQ 코어의 벤치를 NASDAQ100 vs S&P500 중 무엇으로 두느냐에 α 부호가 바뀔 수 있음.

flowchart TD
  Ret["포트 수익"] --> Reg["팩터 회귀 FF3"]
  Reg --> Alpha["α 잔차"]
  Ret --> Bench["벤치 초과"]
  Bench --> IR["IR TE"]

9. DART Open API 개요 — 공시 데이터 파이프라인¶

9.1 DART란¶

DART(Data Analysis, Retrieval and Transfer) 는 금융감독원 전자공시 시스템. reading-annual-reports-dart가 사람이 읽는 흐름이라면, Open API는 기계가 읽는 경로다.

구분	용도
웹 UI	사업보고서·주석 정성 읽기
Open API	종목·보고서 목록·재무 XBRL/JSON 등 정량 추출

9.2 API 워크플로 (교육용·가상)¶

sequenceDiagram
  participant Dev as 가상_엔지니어
  participant API as DART_OpenAPI
  participant Store as 피처_저장소
  Dev->>API: API_KEY_발급
  Dev->>API: corp_code_조회
  Dev->>API: list_보고서
  Dev->>API: fnlttSinglAcnt_재무
  API->>Store: 매출_영업이익_자산
  Store->>Dev: 스크리닝_피처

대표 개념 엔드포인트(이름은 시점별 변경 가능 — 공식 문서 확인):

기능	교육적 용도
고유번호(corp_code)	종목명 ↔ 8자리 코드
공시 목록	보고서 id·접수일
단일회사 재무	IS/BS/CF 계정과목
다중회사 재무	유니버스 스크리닝

공식: opendart.fss.or.kr — 이용약관·호출 한도·상업 이용 제한 확인.

9.3 엔지니어 주의사항¶

함정	설명
연결/별도	연결재무 vs 별도 — 팩터 정의 통일
회계 변경	기준 변경 시 시계열 단절
공시 지연	결산 → 제출일 — look-ahead
정정 공시	원본 supersede — 버전 관리
API ≠ 투자 조언	파이프라인 성공 ≠ α

코드 예시(가상·의사코드):

# 교육용 의사코드 — 실행 전 공식 SDK/엔드포인트 확인
def fetch_operating_income(corp_code: str, year: int) -> float:
    rows = dart_api.fnlttSinglAcnt(corp_code, year, reprt_code="11011")
    return parse_account(rows, account_nm="영업이익")

실무: 캐시·재시도·rate limit·감사 로그 — MLOps와 동일 discipline.

9.4 DART + 백테스트 연결¶

t년 사업보고서 재무 → 시그널
접수일 다음 거래일 이후 매수 (전망편향 방지)
분기 리밸
상폐 종목 생존편향 처리

financial-statements-study-roadmap Week 9~11과 동일 윤리.

10. 한국 적용 — 개인 투자자 현실¶

10.1 2025년 기준¶

항목	퀀트 관점
코어	KOSPI200·S&P500 지수 ETF — 팩터 노출 부수
스마트베타	가치·배당·모멘텀 ETF — 추적오차·보수
계좌	ISA 3년·손익통산 — 리밸런싱 세무 — isa
해외	환율·양도세 — overseas-stocks-tax-part1-cgt
공매도·파생	개인 제한·고위험 — 본 코퍼스 비권장

10.2 2026년¶

금투세·ISA 개편 — 백테스트 net return 가정 갱신

Q. 실무에서는?
교과서 식·기호를 그대로 적용하기 전에 수수료·세금·데이터 시점을 분리한다. 숫자는 DEPTH-STANDARD처럼 기호만 먼저 맞추고, 법령·시장 수치는 §8 표·외부 출처로 갱신한다.

11. 숫자 예제 (가상)¶

예제 1 — 팩터 회귀 (가상 ETF P)¶

	β_M	β_SMB	β_HML	α(연)
P	1.05	0.2	0.4	−1%

해석: 시장 베타 ≈1, 가치·소형 노출. α 음수 → 벤치·팩터 대비 우연 범위 가능.

예제 2 — 과최적화 규칙¶

규칙: “RSI<30 & P/B<0.8 & 월요일” — IS 샤프 1.8
OOS 샤프 0.1 → 폐기

예제 3 — DART 파이프라인¶

유니버스 200종 → 영업이익 YoY 상위 30 → 다음 분기 매수
비용 0.4% 반영 후 연 4% → 코어 ETF 6% 미달 → 코어 유지, 스크리닝 취미로 격하

연습문제 (L4, 기호)¶

위 §6 주요 식에서 변수 하나를 미지로 두고, 나머지를 기호로 둔 관계식을 쓰시오.
가정이 깨질 때(유동성·세금·다중 IRR 등) 위 식의 한계를 기호·부등식으로 서술하시오.
§8 예제와 동일 기호(M·P·PV 등)로 부호·단조성만 검증하는 짧은 논증을 하시오.

해설 키¶

직전 변수표의 「이 식에서 의미」를 이용해 동일 차원으로 정리한다.
「가정이 깨지면」 절의 한계 사례와 연결한다.
숫자 대입 없이 부호·단위 일치만 확인한다.

12. FAQ¶

Q1. AI 엔지니어면 퀀트가 쉬운가?
A1. 도구는 유리, 통계·금융 제약은 동일. 과최적화·레짐이 더 위험(자신감 과잉).

Q2. 파이썬 백테스트 라이브러리 추천?
A2. 교육 목적 vectorbt·backtrader·zipline 개념 수준 이해. 라이브러리 ≠ 수익. 라이선스·데이터 비용 확인.

Q3. DART API로 자동매매?
A3. 기술 가능 ≠ 합리적. 실행·규제·과최적화·세금. 코어 DCA 우선.

Q4. 머신러닝 주가 예측?
A4. 노이즈 대비 신호 약함. 피처 누수·과적합 극심. 학술·실무 모두 회의적 — market-efficiency-emh.

Q5. 팩터 ETF 몇 개까지?
A5. 중복 노출(가치+배당+저PBR). 코어 1~2 + 팩터 1 — asset-allocation.

Q6. 백테스트 기간?
A6. 최소 10년·한 사이클 포함. 한국은 짧은 역사 — 글로벌 교차 검증.

Q7. Sharpe 1.5면 좋은가?
A7. IS면 의미 약함. OOS·비용 후·MDD 동시.

Q8. factor-investing-fama-french와 차이?
A8. 본 문서 = 프로세스·API·과최적화; 해당 문서 = FF 이론·한국 ETF.

Q9. 데이트레이딩 퀀트?
A9. 본 저장소 비권장. 인프라·세금·심리 — fomo-and-trading-hours.

Q10. 다음 학습?
A10. apt-multi-factor-models, technical-analysis-critical (비판적 읽기).

13. 함정·리스크·한계¶

과신: 백테스트 곡선 = 마케팅 가능성.
데이터 라이선스: 상업 API·KRX 데이터 약관.
레짐: 2020~21 성장주 → 22~23 가치 전환 — 고정 규칙 손실.
유동성: 코스닥·소형 — kosdaq-tier-system.
윤리: 내부정보·공시 전 누수 거래 불법 — API도 공개 후만.
교육 한계: API 스펙·세법 시점별 변경.

14. 심화 읽기¶

factor-investing-fama-french
performance-measurement
factor-investing-primer
office-worker-investing-playbook
references/sources.md
교재: Active Portfolio Management (Grinold & Kahn) — 고급

15. 스스로 점검 퀴즈¶

팩터와 섹터 차이 1문장?
전망편향 정의?
OOS가 필요한 이유?
DART API에서 look-ahead 방지 방법 1가지?
IR = ?
IS 샤프 높고 OOS 낮으면?
FF3 세 팩터는?
AI 파이프라인에서 ETL에 대응하는 퀀트 단계는?

정답 힌트

산업 vs 공통 특성 · 2. 미래 정보 사용 · 3. 과최적화 검출 · 4. 접수일 후 매수 등 · 5. 초과/TE · 6. 과최적화 의심 · 7. MKT SMB HML · 8. 클린징·조정

부록 A. 백테스트 체크리스트 (인쇄용)¶

[ ] 유니버스·상폐
[ ] 공시 지연
[ ] 비용·세금
[ ] 벤치 일치
[ ] OOS·워크포워드
[ ] 규칙 경제적 해석
[ ] 파라미터 개수
[ ] 실전 슬리피지
[ ] 코어 대비 위성 상한
[ ] 결과 노트 (가상 금액만)

부록 B. 용어 ↔ ML 대응표 (확장)¶

Quant	ML
Universe	Dataset population
Signal	Feature / score
Portfolio weights	Model output / ensemble
Rebalance	Batch redeploy
Drawdown	SLO breach duration
Factor exposure	Embedding direction (느슨한 비유)

부록 C. 가상 시나리오 — 엔지니어 C의 6개월¶

월	행동	결과
1	DART API ETL	파이프라인 성공
2	P/B 스크리너 백테스트 IS	샤프 1.6
3	OOS 추가	샤프 0.3
4	비용·세금 반영	샤프 0.1
5	규칙 단순화	포기, 코어 ETF DCA
6	performance-measurement로 코어만 IR 측정	TE 낮음, 수면 개선

교훈: 엔지니어링 성공 ≠ 투자 α. 프로세스는 코어·ISA·행동에 투입.

부록 D. 모멘텀·퀄리티·저변동 (FF5 확장)¶

factor-investing-fama-french FF5의 RMW·CMA 외에 실무에서 자주 쓰는 비학술 팩터:

팩터	신호(예)	한국 ETF 접점	함정
모멘텀	12-1개월 수익	모멘텀·기술주 혼합	급락 시 반전
퀄리티	ROE·부채·이익 안정	배당·저부채	성장주 배제
저변동	역사적 σ 낮음	저변동 ETF	금리 급등 시 패배
배당	배당수익률	배당 ETF	가치 함정 겹침

AI 섹터: 모멘텀·성장 동시 노출 — “팩터 다각화” 착각. core-satellite-framework로 한도.

D.1 모멘텀 크래시 (교육)¶

가상 2020~21: 모멘텀 상위 20% +40% → 2022: −30% (레짐 전환). 백테스트에 2022 포함 여부가 전략 생존을 가른다.

부록 E. 한국 팩터·스마트베타 실무 (교육용)¶

유형	구현	개인 주의
가치	저PBR·저PER ETF	금융·사이클 섞임
배당	고배당 지수	배당락·세금
모멘텀	규칙형 순환	회전율·비용
멀티팩터	복합 스코어	투명도·보수

코어 vs 팩터: 시장가중 70~90% + 팩터 0~20% — asset-allocation. 팩터만 5개 = 중복 베팅.

부록 F. 백테스트 의사코드 (가상·전체)¶

# 가상 교육용 — look-ahead 방지 강조
def backtest_value(universe, start, end):
    equity = 1.0
    for date in rebalance_dates(start, end):
        # t: 공시 접수일 이후만 재무 사용
        financials = load_fundamentals(as_of=last_disclosure(date))
        scores = rank_pb(financials)  # 낮을수록 good
        weights = equal_weight(top_quintile(scores))
        returns = apply_costs(portfolio_return(date, weights), fee_bps=30)
        equity *= (1 + returns)
    return equity

def report(equity_curve, benchmark):
    sharpe = annualized_sharpe(equity_curve)
    mdd = max_drawdown(equity_curve)
    te = tracking_error(equity_curve, benchmark)  # performance-measurement
    return {"sharpe": sharpe, "mdd": mdd, "te": te}

OOS 분리:

is_end = "2020-12-31"
oos_start = "2021-01-01"
# is_end 이전 데이터로 규칙 고정 후 oos만 evaluate

부록 G. DART API 엔드포인트 맵 (교육·명칭 변동 주의)¶

단계	API 개념	출력
1	`corpCode.xml` 다운로드	종목↔corp_code
2	`list.json`	보고서 목록·rcept_no
3	`fnlttSinglAcnt.json`	계정과목 금액
4	`fnlttMultiAcnt.json`	다종목 스크리닝
5	(선택) `dart.json` 공시 원문	MD&A 텍스트 — NLP 주의

Rate limit: 초당·일일 호출 — 배치 ETL·캐시. ML 피처: 분기마다 스냅샷 고정 (point-in-time DB).

개인 투자: API로 스크리닝 리스트만 만들고, 매매는 분기 규칙 + rebalancing-and-dca.

부록 H. 통계 검정 직관 (L4)¶

개념	투자 맥락
t-stat	α가 0인지 — 표본 짧으면 불안정
p-value	우연 확률 — 100 전략이면 5개 유의
HAC 표준오차	시계열 자기상관 보정
Deflated Sharpe	여러 시도 보정 (Bailey & López de Prado)

개인은 검정 계산보다 OOS·비용·경제 논리 3축이 실용적.

부록 I. 퀀트 vs technical-analysis-critical ¶

	퀀트(본 문서)	기술적 분석
신호	재무·가격 규칙	차트·지표
검증	백테스트·OOS	과최적화 동일 위험
코퍼스	팩터·공시	비판적 읽기 권장

RSI+월요일 규칙은 둘 다 데이터 스누핑 위험.

부록 J. 성과 측정 워크시트 (가상)¶

월	포트 %	벤치 %	초과	누적 TE
1	2.1	1.8	0.3	—
2	−1.0	−0.8	−0.2	…

performance-measurement §예제와 동일 정의 사용 — 월간 vs 연환산 혼동 금지.

부록 K. FAQ 추가¶

Q11. 공시 텍스트 NLP로 감성 팩터?
A11. 누수·과적합 극심. 학술 연구 수준 — 개인 비권장.

Q12. 암호화폐 온체인 = 퀀트?
A12. 본 코퍼스 범위 외. alternatives-reits-commodities.

Q13. 팩터 timing(타이밍)?
A13. 이중 액티브 — EMH·과최적화 — market-efficiency-emh.

Q14. 한국 HML 데이터 어디?
A14. 학술 DB·증권사 — 정의 상이 — ETF 규약이 실무 기준.

Q15. 백테스트 Sharpe 0.5면?
A15. 비용 후·OOS — 코어 ETF 0.4~0.6과 비교만, 우월 주장 금지.

L4 완료 기준: TEMPLATE 12블록·FAQ 15+·mermaid 5+·부록 11·가상 예제 5+ — 검증일 2026-05-25 — DEPTH-STANDARD.