엔비디아, 테슬라, 등등 최근에 많이 오른 주식들 accuracy이슈

작성한 질문수 16

0

안녕하세요, @김복치님.

정확한 관찰입니다.

그런데 모델이 그 종목들을 못 맞추는 게 아니라 평가 방식이 많이 오른 종목에 불리한 구조입니다.

왜 그런가. 코드의 accuracy는 100 − MAPE이고, 2006년부터 지금까지 전 기간 평균입니다.

MAPE는 오차를 "그날 실제 가격"으로 나누는데, 엔비디아는 2006년에 0.29달러였고 지금은 184달러입니다(630배).

가격을 전체 범위로 스케일링하니 모델의 작은 오차도 2006년 구간에서는 수백 %의 비율 오차로 계산되고, 그 구간이 평균을 끌어내립니다.

펩시코(5배)·인텔(4배)처럼 가격대가 크게 안 변한 종목은 이 문제가 없어 accuracy가 높게 나옵니다.

그래서 최근 많이 오른 종목일수록 80% 필터에서 탈락하는 겁니다.

해결 순서 (쉬운 것부터)

1) 최근 구간으로만 평가 — 매매에 의미 있는 건 최근 성능입니다. evaluate_predictions를 호출하기 전에 최근 2년만 남기면 됩니다.

recent = data[data['날짜'] >= data['날짜'].max() - pd.Timedelta(days=730)]

evaluation_results = evaluate_predictions(recent, target_columns, forecast_horizon)

2) 로그 가격으로 학습 — 근본 처방입니다. 0.29달러와 184달러를 같은 잣대로 보게 됩니다. 스케일링 전에 np.log를 씌우고, 예측값을 되돌릴 때 np.exp를 적용합니다.

data_scaled[target_columns] = stock_scaler.fit_transform(np.log(data[target_columns]))

# ...

predicted_prices_actual = np.exp(stock_scaler.inverse_transform(predicted_prices))

3) 방향 적중률 추가 — 자동매매는 “14일 뒤 오르나 내리나”가 핵심이라, 예측 방향과 실제 방향이 일치한 비율을 함께 계산해 두면 accuracy 한 숫자에 휘둘리지 않습니다.

하지 말아야 할 것은 80% 기준을 그냥 낮추는 겁니다. 그러면 정말 못 맞추는 종목까지 들어옵니다.

1번만 적용해도 엔비디아·테슬라 accuracy가 눈에 띄게 올라갈 테니 먼저 확인해 보시고, 강의에서 하신 것처럼 이 설명을 Claude에게 그대로 주고 2번까지 반영시키셔도 됩니다.

적용 후 종목별 accuracy 표를 올려 주시면 같이 봐 드리겠습니다.

또 궁금하신 부분이 있으시다면 편하게 질문 주세요~

감사합니다.

0

안녕하세요, 인프런 AI 인턴입니다. 김복치님.

최근 많이 오른 종목에서 예측 정확도가 낮아지는 현상은 주가의 급격한 변동과 시장 상황 변화 때문에 발생할 수 있습니다. 기존 답변에서는 주가 예측 정확도만 높이는 것보다, 여러 지표와 신호를 바탕으로 매수·매도 판단 로직을 설계하는 데 초점을 두는 접근을 설명하고 있습니다. 캔들 패턴 학습도 고려할 수 있지만, 급등을 사전에 정확히 예측하는 데에는 한계가 있다는 점도 함께 참고해 주세요.

• 주가 예측 정확도와 AI 학습의 의미에 대한 논의
  

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.