25-2 KHU Capstone Design Project – ML-driven Database Optimization for Quantitative Backtesting

QuantiMizer는 복잡한 퀀트 투자 전략을 누구나 손쉽게 생성하고, 머신러닝 기반 DB 튜닝을 통해 초고속 백테스팅을 수행할 수 있도록 설계된 통합 플랫폼이다. 사용자는 블록코딩(Blockly) 기반 노코드 전략 빌더로 전략을 만들고, 백엔드는 이를 고성능 SQL로 자동 변환하여 PostgreSQL에서 실행한다. 또한 PilotScope 기반 ML 튜닝 엔진이 쿼리 워크로드를 학습해 DB 성능을 자동 최적화한다.

본 프로젝트는 DB 튜닝 연구와 실제 금융 도메인을 결합한 실증적 시스템으로, 특히 고회전율(High-turnover) 전략의 백테스팅 속도를 24.8s → 1.8s (13.5배 향상) 시켰다.

• 드래그 앤 드롭으로 가치/모멘텀/기술적 지표 기반 전략 생성
• 유니버스 설정, 팩터 조합(가중치 적용), 포트폴리오 규칙을 시각적으로 구성
• 전략은 JSON 형태로 저장 → 백엔드가 SQL로 자동 변환

• 전략 JSON → Dynamic SQL Compiler
• 완전한 PIT(Look-ahead bias-free) 백테스팅 보장
• Window Functions, LATERAL JOIN, Z-score 정규화, Weighted Score 합성 자동 생성
• 백테스팅 결과를 Equity Curve / MDD / CAGR 형태로 제공

• 실제 금융 전략 워크로드 3종(Fundamental / Momentum / High-turnover)을 자동 생성
• PilotScope가 워크로드 실행 로그를 분석해 최적 Knob을 추천
• work_mem 증가, JIT 최적화, random_page_cost 조정 등 자동 적용
• 결과: High-turnover 전략에서 13.5× 성능 향상

• 300개+ 재무/기술적/거시 지표 기반
• 사용자가 Feature / Hyperparameter 설정 후 직접 학습 가능
• shap 기반 Feature Importance 시각화
• MAPE 6.82%, R² 0.94 성능 확보

• 백테스트한 전략을 게시글로 공유
• 다른 사용자는 Fork하여 전략을 재사용 및 확장
• 집단지성을 통한 전략 개선 흐름 제공

• Frontend: React + Blockly
• Backend API: FastAPI
• DB: PostgreSQL + PilotScope 튜닝 루프
• Strategy Engine: JSON → SQL 변환 및 시뮬레이션
• ML Optimization Loop: Workload Generator + PilotScope + Admin Service

• stocks_daily_info: 약 850만 건 OHLCV + 기술적 지표
• financials_quarterly: LATERAL JOIN 기반 시점 매칭
• fundamentals_daily: PER/PBR 등 일별 밸류에이션

• strategies: 블록코딩 전략 트리(JSONB)
• backtest_settings: 동일 전략으로 기간/자본 조건을 다르게 실험
• backtest_results: Equity Curve, Metrics 저장(JSONB)

• 워크로드 실행 기록
• DB 설정 스냅샷
• PilotScope 튜닝 로그

핵심 원인:

• work_mem 증가 → Disk Sort 제거
• 비용 상수 조정 → 인덱스 활용 향상
• JIT 활성화

Momentum / Fundamental은 18~40ms 정도의 작은 지연 발생했으나 UX 영향 없음. ML 튜닝의 목적 함수가 “전체 지연 최소화”이므로 High-turnover의 개선이 최적 전략.

Frontend: React, TypeScript, Tailwind, Blockly Backend: FastAPI, SQLAlchemy DB: PostgreSQL 17, Parquet Staging ML/Optimization: PilotScope, MLflow, TFT, LlamaTune/SMAC/Lero Infra: Azure VM, Docker Compose

본 프로젝트는 다음과 같은 중요한 기여를 달성하였다:

금융 시계열·리밸런싱·대규모 윈도우 연산 환경에서 ML 튜닝의 효과 검증

24초 수준의 고복잡도 쿼리를 1초 내외로 단축하여 실시간 전략 실험 가능

데이터 크기 제약 없이 고회전·대형 연산 전략까지 검증 가능

(jklee3409@khu.ac.kr)