문서 상태

• Status: draft, common-period artifact-backed
• Date: 2026-07-10
• Scope: TSP-Stat local candidate, TSP-MTS active/local curves, 기존 Offline RL active backtest curves
• Primary artifacts: artifacts/model_common_metrics.csv, artifacts/symbol_family_common_metrics.csv, artifacts/family_summary.csv, artifacts/family_symbol_median_curves.csv, artifacts/data_sources.json

질문

토큰 통계 lookup으로 만든 TSP-Stat 후보를 TSP-MTS, 기존 Offline RL 운용 후보와 같은 날짜 구간에 놓으면 어떤 성격의 전략으로 보이는가?

실험 설정

비교 대상은 13개 심볼이다: BTCUSDT, ETHUSDT, SOLUSDT, XRPUSDT, DOGEUSDT, SPYUSDT, QQQUSDT, EWYUSDT, COPPERUSDT, XAUUSDT, XAGUSDT, CLUSDT, NATGASUSDT.

모델 수는 TSP-Stat 65개, TSP-MTS 51개, Offline RL 54개다. TSP-Stat은 2026-07-10에 생성한 local candidate artifact이고 아직 registry active 모델이 아니다. TSP-MTS는 기존 TSP-MTS vs Offline RL 리포트에서 사용한 local full_5y_curve.csv와 같은 모델 집합을 사용했다. Offline RL은 DB의 agent_backtest_report_symbol.chart_payload에서 동일 report id를 다시 읽었다.

비교는 심볼별 공통 날짜 교집합으로 수행했다. 각 모델 equity를 심볼별 공통 시작일에 1.0으로 rebasing한 뒤, family curve는 해당 family 모델들의 날짜별 median equity로 만들었다. 공통 기간은 심볼별로 다르며 전체적으로 2021-06-02부터 2026-06-05 사이에 있다. 최근 1년은 각 심볼의 공통 날짜 안에서 마지막 252개 관측치다.

중요한 차이는 학습/생성 원리다. Offline RL은 synthetic/world-model transition에서 학습된 운용 후보이고, TSP-MTS는 token sequence policy 계열이다. 반면 TSP-Stat은 실제 과거 구간의 토큰별 forward-return 통계를 lookup하는 local candidate다. 따라서 TSP-Stat의 장기 누적 우위는 운용 우위로 바로 해석하면 안 되고, 우선 통계 lookup이 얼마나 강한 in-sample 신호를 만들 수 있는지 보는 진단값으로 읽어야 한다.

차트

Figure 1. 심볼별 최근 252 관측치 family median curve를 다시 0부터 rebasing한 뒤, 13개 심볼의 중앙값과 IQR을 표시했다. Source: family_symbol_median_curves.csv.

Figure 2. 심볼별 전체 공통구간 family median 누적수익률 line chart. Source: family_symbol_median_curves.csv.

Figure 3. 심볼별 최근 252 관측치 수익률 비교. Source: symbol_family_common_metrics.csv.

Figure 4. 심볼별 전체 공통구간 수익률 비교. Source: symbol_family_common_metrics.csv.

Figure 5. 13개 심볼 기준 family별 중앙값 수익률. Source: family_summary.csv.

Figure 6. TSP-Stat 심볼별 5개 variant의 exposure correlation과 holdout return. Source: tsp_stat_symbol_diversity_summary.csv.

결과

최근 252 관측치에서는 Offline RL이 가장 강했다. 심볼별 winner count는 Offline RL 8개, TSP-MTS 4개, TSP-Stat 1개다. TSP-Stat은 XRPUSDT에서만 최근 252 기준 최고 수익률을 냈고, NATGASUSDT, DOGEUSDT, ETHUSDT, COPPERUSDT에서는 Offline RL 대비 큰 차이로 밀렸다.

직전 252 관측치에서는 TSP-Stat이 8/13개 심볼에서 가장 높았다. 이 구간의 TSP-Stat median return은 5.39%로 Offline RL 2.52%, TSP-MTS 1.30%보다 높다.

전체 공통구간에서는 TSP-Stat이 13/13개 심볼에서 가장 높다. Median full common return은 TSP-Stat 130.70%, TSP-MTS 21.82%, Offline RL 21.75%다. 그러나 이 결과는 TSP-Stat이 실제 과거 forward-return 통계를 직접 lookup한다는 구조를 강하게 반영한다.

TSP-Stat 5개 variant가 같은 포지셔닝을 하는 문제는 이번 run에서는 크지 않았다. 심볼별 평균 exposure correlation은 대략 0.04~0.28 범위였고, 최대 correlation도 0.12~0.45 범위였다. 모든 TSP-Stat candidate는 short exposure를 포함했다.

해석

TSP-Stat은 “가격 token별 과거 통계가 실제로 강한 신호를 품고 있는가?”라는 질문에는 긍정적인 진단을 준다. 특히 전체 공통구간과 직전 252 관측치에서는 token-stat lookup이 강하게 작동했다.

하지만 최근 252 관측치에서 Offline RL이 더 강한 것은 중요하다. 주식/자산시장은 예측보다 대응이라는 관점에서 보면, 과거 전체 구간의 통계 우위보다 최근 regime에서의 둔화가 더 큰 리스크다. TSP-Stat은 장기 통계가 강한 대신 regime change에 뒤늦게 반응할 수 있다.

TSP-MTS는 두 극단 사이에 있다. 최근 252에서는 Offline RL보다 약하지만 TSP-Stat보다는 안정적이고, 전체 공통구간은 Offline RL과 비슷한 중앙값을 냈다. 다만 지난 TSP-MTS vs Offline RL 리포트와 마찬가지로 최근 1년 대응력에서는 Offline RL 우위가 남는다.

운용 관점의 결론은 보수적이어야 한다. TSP-Stat은 바로 active 전략으로 올릴 대상이라기보다, TSP-MTS와 Offline RL에 줄 수 있는 regime prior 또는 ensemble feature 후보에 가깝다. 예를 들어 token-stat score가 높지만 Offline RL이 flat인 구간, 또는 token-stat이 급격히 short로 바뀌는 구간을 약한 regime detector로 쓸 수 있다.

제한사항

이 비교는 백테스트 artifact 비교이며 live PnL이 아니다. 주문 체결, 실시간 inference 실패, Binance order constraint, 계좌 단위 리스크 제어는 포함하지 않는다.

TSP-Stat은 아직 registry active 모델이 아니다. 이번 artifact는 local candidate run이며, 실제 과거 forward-return 통계를 사용한다. 그러므로 전체 공통구간 누적수익률을 운용 성능 개선 claim으로 쓰면 안 된다.

세 family의 artifact source가 다르다. TSP-Stat과 TSP-MTS는 local CSV curve, Offline RL은 DB chart payload다. 날짜 교집합과 rebasing으로 비교 단위를 맞췄지만, 생성 경로 차이는 남아 있다.

최근 252 관측치 비교는 각 심볼별 마지막 공통 날짜 기준이다. common_end는 심볼별로 2026-05-29부터 2026-06-05 사이에 분포한다. TSP-Stat이 보유한 2026-07-10 생성 시점 이후의 일부 최신 가격 구간은 이 비교에서 제외했다.

다음 작업

1. TSP-Stat을 active로 올리기 전에 walk-forward로 다시 만든다. 각 평가 구간의 token-stat table은 해당 구간 이전 데이터만 사용해야 한다. 2. TSP-Stat score를 별도 운용 모델이 아니라 Offline RL/TSP-MTS ensemble gating feature로 넣는 실험을 먼저 한다. 3. 최근 252에서 TSP-Stat이 크게 밀린 NATGASUSDT, DOGEUSDT, ETHUSDT, COPPERUSDT의 token distribution drift를 따로 시각화한다. 4. 다음 비교에서는 family별 live inference row와 backtest artifact를 같이 묶어 candidate와 active 운용 상태를 분리한다.