레버리지 ETF 퀀트 트레이딩 시뮬레이션

💡 핵심 특징

주요 기능

📊 데이터 수집

🎯 퍼센트 기반 트레이딩 전략 (주요 전략)

📈 기술적 지표 기반 전략 (레거시)

🔬 백테스팅 엔진

📊 성과 분석

📉 시각화

프로젝트 구조

.
├── config.yaml # ⭐ 설정 파일
├── src/
│ ├── data/
│ │ ├── __init__.py
│ │ ├── data_fetcher.py # 데이터 수집
│ │ └── database.py # SQLite 데이터베이스
│ ├── strategies/
│ │ ├── __init__.py
│ │ ├── base_strategy.py # 기본 전략 클래스
│ │ ├── percentage_strategy.py # ⭐ 퍼센트 기반 전략 (주요)
│ │ ├── momentum_strategy.py # 모멘텀 전략 (레거시)
│ │ ├── mean_reversion_strategy.py # 평균 회귀 전략 (레거시)
│ │ ├── rsi_strategy.py # RSI 전략 (레거시)
│ │ └── macd_strategy.py # MACD 전략 (레거시)
│ ├── backtesting/
│ │ ├── __init__.py
│ │ ├── backtester.py # 백테스팅 엔진
│ │ └── performance.py # 성과 분석
│ └── utils/
│ ├── __init__.py
│ ├── config.py # ⭐ 설정 로더
│ ├── indicators.py # 기술적 지표 (레거시)
│ └── visualization.py # 시각화
├── examples/
│ ├── daily_accumulation_test.py # ⭐ 일일 DCA 전략 (config 사용)
│ ├── percentage_strategy_example.py # 퍼센트 전략 예제
│ ├── custom_percentage_test.py # 커스텀 조건 테스트
│ ├── basic_example.py # 기본 예제
│ ├── strategy_comparison.py # 전략 비교
│ └── parameter_optimization.py # 파라미터 최적화
├── tests/
├── requirements.txt
├── README.md
├── DCA_STRATEGY_GUIDE.md # DailyDCA 전략 가이드
└── DATABASE_GUIDE.md # 데이터베이스 가이드

설치 방법

1. 저장소 클론

git clone <repository-url>
cd DEV_SAMPLE

2. 가상환경 생성 (권장)

python -m venv venv
# Linux/Mac
source venv/bin/activate
# Windows
venv\Scripts\activate

3. 필요한 패키지 설치

pip install -r requirements.txt

4. 설정 파일 확인 및 수정

# config.yaml
data:
 default_symbol: TQQQ # 기본 종목
 period: 1y # 데이터 기간
 symbols: # 수집할 종목 리스트
 - TQQQ
 - SOXL
 - UPRO
backtest:
 initial_capital: 10000 # 초기 자본
 commission: 0.001 # 수수료
 slippage: 0.001 # 슬리피지
strategies:
 daily_dca:
 max_positions: 10
 profit_target_percent: 3.0
 # ... 기타 파라미터

사용 방법

⭐ 설정 파일 기반 사용 (추천)

1. config.yaml 설정

# 데이터 수집 설정
data:
 default_symbol: TQQQ # 테스트할 종목
 period: 1y # 1년치 데이터
# 백테스트 설정
backtest:
 initial_capital: 10000 # 초기 자본 10,000ドル
# 전략 설정
strategies:
 daily_dca:
 max_positions: 10
 profit_target_percent: 3.0
 position_scaling: true
 depth_threshold: 5.0

2. 프리셋 사용

from src.utils.config import Config
from src.strategies.percentage_strategy import DailyDCAStrategy
# Config 로드
config = Config()
# 프리셋 사용
strategy_config = config.get_daily_dca_config('aggressive')
strategy = DailyDCAStrategy(**strategy_config)

3. 예제 실행

cd examples
python daily_accumulation_test.py # config.yaml 설정 자동 사용

퍼센트 기반 전략 예제 (코드에서 직접 설정)

from src.data.data_fetcher import DataFetcher
from src.strategies.percentage_strategy import PercentageDropBuyStrategy
from src.backtesting.backtester import Backtester
# 1. 데이터 수집
fetcher = DataFetcher()
data = fetcher.fetch_data('TQQQ', period='2y')
# 2. 전략 설정: 5% 하락 시 매수, 3% 상승 시 매도
strategy = PercentageDropBuyStrategy(
 drop_percent=5.0, # 5% 하락 시 매수
 sell_profit_percent=3.0 # 3% 상승 시 매도
)
# 3. 백테스트 실행
backtester = Backtester(initial_capital=10000)
results = backtester.run(strategy, data)
# 4. 결과 출력
backtester.print_summary()

💰 피라미딩 전략 (하락 시 비중 늘리기)

from src.strategies.percentage_strategy import PyramidingStrategy
# 하락폭에 따라 단계적으로 비중 증가
strategy = PyramidingStrategy(
 buy_levels=[
 (3.0, 0.2), # 3% 하락 → 20% 투자
 (5.0, 0.3), # 5% 하락 → 30% 투자
 (8.0, 0.3), # 8% 하락 → 30% 투자
 (12.0, 0.2) # 12% 하락 → 20% 투자
 ],
 sell_profit_percent=5.0 # 5% 수익 시 전량 매도
)

📊 복합 전략 (매수/매도 단계별 조절)

from src.strategies.percentage_strategy import CombinedPercentageStrategy
strategy = CombinedPercentageStrategy(
 buy_conditions=[
 (5.0, 0.4), # 5% 하락 → 40% 매수
 (10.0, 0.6), # 10% 하락 → 60% 매수
 (15.0, 1.0) # 15% 하락 → 100% 매수
 ],
 sell_conditions=[
 (8.0, 0.5), # 8% 상승 → 50% 매도
 (15.0, 1.0) # 15% 상승 → 100% 매도
 ]
)

⭐ 일일 DCA + 회차별 익절 + 트레일링 매수 + 포지션 스케일링 (NEW!)

from src.strategies.percentage_strategy import DailyDCAStrategy
# 균형잡힌 설정 (추천) ⭐ 포지션 스케일링 활성화
strategy = DailyDCAStrategy(
 max_positions=10, # 최대 10회까지 매수
 profit_target_percent=3.0, # 각 회차별 3% 익절
 first_day_buy=True, # 첫날 무조건 매수
 lookback_days=7, # 최근 7일 고점 추적
 pullback_percent=3.0, # 고점 대비 3% 하락 시 매수
 position_scaling=True, # ⭐ 포지션 스케일링 활성화
 base_quantity=1, # 기본 1주
 depth_threshold=5.0, # 평균가 대비 5%마다 수량 증가
 max_quantity_multiplier=5 # 최대 5배
)
# 공격적 설정 (빈번한 매수 + 빠른 스케일링)
strategy_aggressive = DailyDCAStrategy(
 max_positions=15,
 profit_target_percent=2.0,
 lookback_days=5,
 pullback_percent=2.0,
 position_scaling=True,
 depth_threshold=3.0, # 평균가 대비 3%마다 수량 증가
 max_quantity_multiplier=10 # 최대 10배
)
# 보수적 설정 (선별적 매수 + 느린 스케일링)
strategy_conservative = DailyDCAStrategy(
 max_positions=10,
 profit_target_percent=5.0,
 lookback_days=10,
 pullback_percent=5.0,
 position_scaling=True,
 depth_threshold=10.0, # 평균가 대비 10%마다 수량 증가
 max_quantity_multiplier=3 # 최대 3배
)
# 스케일링 OFF (고정 수량)
strategy_fixed = DailyDCAStrategy(
 max_positions=10,
 profit_target_percent=3.0,
 position_scaling=False, # 스케일링 비활성화
 base_quantity=1 # 항상 1주씩만 매수
)
# 동작 방식 (평균 매수가 기준 포지션 스케일링):
# - 1일차: 100ドル에 1주 매수 (평균가 100ドル)
# - 2일차: 95ドル → 평균(100ドル) 대비 5% 하락 → 2주 매수 (평균가 96ドル.67)
# - 3일차: 90ドル → 평균(96ドル.67) 대비 6.9% 하락 → 2주 매수 (평균가 93ドル.75)
# - 4일차: 97ドル (+7.7%) → 3% 이상 수익난 회차 개별 매도 (1일차, 2일차 매도)
# - 5일차: 93ドル → 남은 평균가 대비 조정 → 수량 재계산하여 매수
# - 각 회차별 매수가를 개별 추적하여 수익난 회차만 먼저 매도
# - ⭐ 평균 매수가 대비 하락 깊이로 수량 자동 증가 → 평균 단가 빠르게 낮춤

예제 스크립트 실행

cd examples
# ⭐ 일일 누적 매수 전략 테스트 (NEW!)
python daily_accumulation_test.py
# ⭐ 퍼센트 전략 종합 테스트 (추천)
python percentage_strategy_example.py
# ⭐ 커스텀 조건으로 테스트 (추천)
python custom_percentage_test.py
# 기본 예제
python basic_example.py
# 여러 전략 비교
python strategy_comparison.py
# 파라미터 최적화
python parameter_optimization.py

🎯 그리드 트레이딩 전략 상세 가이드

📖 그리드 트레이딩이란?

💡 작동 원리

중심 가격: 100ドル
매도 그리드:
├─ 115ドル (15% ↑) ─ 매도 주문
├─ 112ドル (12% ↑) ─ 매도 주문
├─ 109ドル (9% ↑) ─ 매도 주문
├─ 106ドル (6% ↑) ─ 매도 주문
├─ 103ドル (3% ↑) ─ 매도 주문
│
└─ 100ドル (중심)
│
매수 그리드:
├─ 97ドル (3% ↓) ─ 매수 주문
├─ 94ドル (6% ↓) ─ 매수 주문
├─ 91ドル (9% ↓) ─ 매수 주문
├─ 88ドル (12% ↓) ─ 매수 주문
└─ 85ドル (15% ↓) ─ 매수 주문

✅ 장점

⚠️ 주의사항

🚀 레버리지 ETF에 최적인 이유

# TQQQ 예시 (실제 데이터 기반)
# 하루 변동폭: 평균 7~12%
# 한 주 변동폭: 20~30%
# 3% 간격 그리드 설정 시
# → 하루에 2~4회 거래 발생 가능
# → 각 거래마다 3~6% 수익

📊 실전 예제

예제 1: 기본 그리드 트레이딩

from src.data.data_fetcher import DataFetcher
from src.strategies.percentage_strategy import GridTradingStrategy
from src.backtesting.backtester import Backtester
# 데이터 수집
fetcher = DataFetcher()
data = fetcher.fetch_data('TQQQ', period='1y')
# 그리드 전략 설정
strategy = GridTradingStrategy(
 grid_size=3.0, # 3% 간격
 num_grids=10, # 10개 그리드 (상/하 각 5개)
 center_price=None # None이면 시작 가격을 중심으로
)
# 백테스트 실행
backtester = Backtester(initial_capital=10000)
results = backtester.run(strategy, data)
backtester.print_summary()

예제 2: 보수적 설정 (큰 간격)

# 큰 변동에만 반응 - 안정적이지만 거래 빈도 낮음
strategy = GridTradingStrategy(
 grid_size=5.0, # 5% 간격 (보수적)
 num_grids=8, # 8개 그리드
)

예제 3: 공격적 설정 (작은 간격)

# 작은 변동에도 반응 - 거래 빈도 높음, 수수료 주의
strategy = GridTradingStrategy(
 grid_size=2.0, # 2% 간격 (공격적)
 num_grids=15, # 15개 그리드
)

예제 4: 중심 가격 고정

# 현재 가격이 50ドル이라고 가정
strategy = GridTradingStrategy(
 grid_size=3.0,
 num_grids=10,
 center_price=50.0 # 50ドル을 중심으로 그리드 생성
)

🎨 파라미터 선택 가이드

grid_size (그리드 간격)

num_grids (그리드 개수)

💰 수익 계산 예시

초기 자본: 10,000ドル
그리드 간격: 3%
그리드 개수: 10개 (상/하 각 5개)
각 그리드 투자금: 1,000ドル
시나리오:
1. 가격 3% 하락 → 1,000ドル 매수
2. 가격 6% 상승 → 1,000ドル 매도
3. 수익: 1,000ドル ×ばつ 0.06 = 60ドル
하루 2회 거래 ×ばつ 20 거래일 = 월 40회
월 예상 수익: 60ドル ×ばつ 40 = 2,400ドル (24%)
※(注記) 실제로는 수수료, 슬리피지, 시장 상황에 따라 변동

🔧 최적화 팁

📈 실전 운용 예시

# 실전 추천 설정 (TQQQ 기준)
strategy = GridTradingStrategy(
 grid_size=3.5, # 3.5% 간격 (적당한 거래 빈도)
 num_grids=12, # 12개 그리드 (충분한 대응 범위)
 center_price=None # 시작 가격을 중심으로
)
# 초기 자본 10,000ドル 기준
# - 각 그리드: 약 833ドル
# - 최대 하락 대응: 21% (3.5% ×ばつ 6)
# - 최대 상승 대응: 21% (3.5% ×ばつ 6)
# - 예상 월 거래: 30~50회
# - 목표 월 수익률: 10~20%

지원하는 레버리지 ETF

커스텀 전략 만들기

퍼센트 기반 커스텀 전략

from src.strategies.base_strategy import BaseStrategy
import pandas as pd
class MyPercentageStrategy(BaseStrategy):
 """
 나만의 퍼센트 전략
 예: 연속 2일 하락 후 추가 3% 하락 시 매수
 """
 def __init__(self, drop_threshold=3.0):
 super().__init__(name="MyPercentageStrategy")
 self.drop_threshold = drop_threshold
 def generate_signals(self, data: pd.DataFrame) -> pd.DataFrame:
 df = data.copy()
 # 일일 변동률 계산
 df['Daily_Change'] = df['Close'].pct_change() * 100
 # 2일 연속 하락 확인
 df['Consecutive_Drop'] = (
 (df['Daily_Change'] < 0) &
 (df['Daily_Change'].shift(1) < 0)
 )
 # 시그널 생성
 df['Signal'] = 0
 # 연속 하락 후 threshold 이상 하락 시 매수
 buy_condition = (
 df['Consecutive_Drop'] &
 (df['Daily_Change'] <= -self.drop_threshold)
 )
 df.loc[buy_condition, 'Signal'] = 1
 # 5% 수익 시 매도
 df['Returns_From_Entry'] = (df['Close'] / df['Close'].shift(1) - 1) * 100
 df.loc[df['Returns_From_Entry'] >= 5.0, 'Signal'] = -1
 return df

실전 예제: 나만의 조건 설정

# 예제 1: 급락 구간 물타기 전략
from src.strategies.percentage_strategy import PyramidingStrategy
my_strategy = PyramidingStrategy(
 buy_levels=[
 (5.0, 0.25), # 5% 하락 → 자본의 25% 투자
 (10.0, 0.35), # 10% 하락 → 추가 35% 투자
 (15.0, 0.40), # 15% 하락 → 추가 40% 투자 (총 100%)
 ],
 sell_profit_percent=7.0 # 7% 수익 시 전량 매도
)
# 예제 2: 보수적 전략
from src.strategies.percentage_strategy import PercentageDropBuyStrategy
conservative_strategy = PercentageDropBuyStrategy(
 drop_percent=10.0, # 큰 폭 하락 시에만 매수
 sell_profit_percent=5.0 # 작은 수익에도 매도
)
# 예제 3: 공격적 전략
aggressive_strategy = PercentageDropBuyStrategy(
 drop_percent=3.0, # 작은 하락에도 매수
 sell_profit_percent=10.0 # 큰 수익 노리기
)

성과 지표

수익률 지표

리스크 지표

거래 지표

주의사항

라이선스

기여하기

문의