지식 라이브러리

이 노트북은 모델이 자산 순위를 정한 뒤 배분 규칙이 ETF 전략에 미치는 영향을 살펴봅니다. 예측 집합과 리밸런싱 달력은 고정하고, 각 비교에서 동일한 상위 K개 바스켓을 선택한 뒤 바스켓 내 가중치만 바꿉니다. 방법에는 동일 가중, 점수 가중, 역변동성, 리스크 패리티, 평균·분산 최적화, 계층적 리스크 패리티가 포함됩니다. 보유 펀드 수에 따라 가중치가 달라질 여지가 달라지므로 바스켓 집중도도 함께 바꿔봅니다. 분석은 배분 방식의 효과가 신호가 선택한…

이 노트북은 거래 비용으로 손실을 보는 모든 봉 단위 NASDAQ-100 전략을 포트폴리오 구성으로 만회할 수 있는지 테스트합니다. 선언된 선택 유니버스에서 기준선 예측을 추린 다음 전체 유니버스에서 배분을 비교합니다. 보유 종목 수를 바꾸고 15분 거래 주기는 고정한 채 동일 가중, 점수 가중, 역변동성 포지션 크기를 비교합니다. 테스트한 모든 배분 방식의 결과가 상당한 손실로 남았다는 결론을 보고하며, 따라서 배분 선택과 집중도보다 회전율 부담이 더…

이 노트북은 동일 가중 신호 단계 기준선에서 검증 예측 설정을 추린 뒤, 같은 예측에 다른 자산 배분 방법을 테스트합니다. 점수 기반 및 적합도 가중치와 역변동성, 리스크 패리티, 평균·분산 최적화, 계층적 리스크 패리티를 비교하고 보유 종목 수를 바꿔봅니다. 검증 샤프 지수로 설정을 추려, 체크포인트가 촘촘한 구성이 후보 목록에서 지나치게 큰 비중을 차지하지 않도록 각 구성에서 전체 구간을 포괄하는 최적 체크포인트를 사용합니다. 이 비교는 각 계보의 동일…

이 장은 백테스트, 모의투자, 실거래 환경에서 실행할 수 있는 전략 로직을 바탕으로 연구에서 실거래 실행까지 이어지는 과정을 설명합니다. 브로커 및 플랫폼 통합, 배포 절차, 데이터와 특성의 일치 여부 점검, 주문 수명 주기 처리, 운영 준비를 다룹니다. 주문 흐름은 상태 기계로 모델링해 부분 체결, 취소, 거부, 중단 후 복구를 명시적으로 처리할 수 있습니다. 리스크 관리에는 주문 및 포지션 한도, 오래된 데이터 확인, 섀도 트레이딩, 대사, 킬 스위치가…

이 노트북은 US 주식 패널에서 정렬된 주식 특성 구간으로 수익률을 예측하는 LSTM 모델을 설명합니다. 평면형 표 형식 모델과 달리 LSTM는 세션을 순차적으로 처리하고 각 구간에 걸쳐 은닉 상태를 유지합니다. 학습된 게이트는 새 정보 중 어떤 것을 상태에 넣을지, 기존 정보 중 어떤 것을 버릴지, 다음 단계에 무엇을 전달할지 조절합니다. 설정에는 여러 순환 계층이 쌓이며, 각 구성마다 여러 에포크 체크포인트를 저장합니다. 학습 예제는 같은 종목의 세션이…

이 노트북은 합성 금융 시계열을 생성하는 순환 생성적 적대 신경망인 TimeGAN을 소개합니다. 다섯 가지 모듈이 임베딩과 복원을 학습하고, 다음 잠재 상태를 예측하며, 노이즈에서 시계열을 생성하고, 생성된 시계열과 실제 시계열을 구별합니다. 학습은 표현 학습, 시간적 지도 학습, 공동 적대 학습 순으로 진행됩니다. 예제에서는 US 주식 패널의 일별 로그 수익률을 사용하고, 평가를 위해 데이터의 가장 최근 구간을 홀드아웃합니다. 평가에서는 분포 점검,…

이 노트북은 1년 동안 두 가지 US 주식 선형 모델 설정에서 나온 실제 검증 예측 오차에 순차 감지기 두 개를 적용합니다. 두 구간 평균 변화 감지기는 오차 크기의 변화를 찾고, 오답 빈도 모니터는 방향 예측이 틀리는 빈도를 추적합니다. 각 감지기는 초기 기간에 보정한 뒤 이후 세션을 모니터링하므로 평가 대상 기간에 맞춰 임계값을 조정하지 않습니다. 경보를 롤링 변동성 기반 시장 혼란 대리 지표와 비교하고, 혼란 구간까지의 부호 있는 거리를 기록해 조기…

이 문서는 TWAP와 VWAP가 거래 세션 동안 대규모 부모 주문을 여러 자식 주문으로 나누는 방법을 설명합니다. TWAP는 각 시간 구간에 동일한 수량을 배정하고, VWAP는 구간별 거래량 예측에 비례해 수량을 배정합니다. 노트북은 과거 분봉 데이터로 거래량을 예측한 다음, 이후 NASDAQ-100 세션에서 두 일정을 테스트합니다. 각 구간의 거래량 가중 가격으로 체결을 시뮬레이션하고, 가용 거래량 중 해당 주문 조각의 비중에 따라 제곱근 시장 충격 비용을…

이 노트북은 ETF의 선행 수익률을 예측하는 지도 오토인코더를 소개합니다. 네트워크는 펀드의 특성 행을 저차원 표현으로 압축하고, 그 표현에서 직접 수익률을 예측합니다. 같은 모델 계열의 조건부 오토인코더와 달리, 수익률이 소수의 공통 팩터에서 생성된다고 가정하지 않습니다. 재구성 손실과 수익률 예측 손실을 함께 학습하므로 목표 레이블을 바꾸면 별도로 적합한 모델이 만들어집니다. 노트북은 예정된 각 학습 체크포인트에서 예측값을 공개하고, 검증 정보계수로…

이 노트북은 트레이딩 신호나 공시 같은 이벤트가 시장 기준수익률을 넘어서는 수익률을 예측하는지 테스트하는 방법을 설명합니다. 유동성 높은 ETF의 모멘텀 돌파를 예시로 워크플로를 보여줍니다. 이벤트 전 수익률로 시장 모델을 추정하고, 이벤트 구간의 비정상 수익률을 계산한 뒤, 일별 평균을 신뢰구간 및 유의성 통계와 함께 누적 평균 비정상 수익률(CAAR)로 합산합니다. 중요한 구현 세부 사항은 이벤트 구간이 상대적인 행 오프셋을 사용하도록 자산과 기준지수를…

이 노트북은 일별 트레이딩 의사결정을 위한 느리게 변하는 맥락 특징인 재무 비율, 거시경제 여건, 달력 효과의 표현 방식을 설명합니다. 이익수익률, 수익성, 발생액, 레버리지, 현금흐름 수익률과 같은 가치 및 품질 지표를 소개하고, 발표일과 기준 시점 조인을 사용해 분기별 재무 정보를 일별 관측치에 맞춥니다. 거시 시계열에는 발표 지연과 전방 채우기가 필요하며, 달력 패턴에는 주기 인코딩과 이벤트까지 남은 시간 변수를 사용할 수 있습니다. 핵심 우려는 시점…

이 문서는 관측일의 수정 종가와 이후 거래 세션의 가격을 사용해 ETF의 일별 선행 수익률 레이블을 만드는 방법을 설명합니다. 월 단위 기본 레이블과 더 짧은 주 단위 변형을 만들며, 적격성 필터를 적용하기 전에 각 심볼의 전체 정렬 가격 이력을 바탕으로 레이블을 계산합니다. 단언문으로 미완성 후반 구간, 이례적으로 긴 달력상 기간, 심볼 경계, 레이블 유형을 확인합니다. 노트북은 결과 기간의 중첩, 수익률 구간이 홀드아웃 내에서 끝나는 개발 행의 제거,…

이 노트북은 ETF 미래 수익률 예측에 대해 분할 컨포멀 예측, 컨포멀화 분위수 회귀, 적응형 컨포멀 추론을 비교합니다. 워크포워드 폴드에서는 한 부분으로 학습하고, 다른 부분에서 구간 오차를 보정한 뒤 이후 관측값을 평가합니다. 분할 컨포멀은 보정 잔차 순위를 사용해 구간 너비를 정합니다. CQR는 보정 전에 하한과 상한 분위수 모델을 적합하므로 상황에 따라 구간 너비가 달라질 수 있습니다. ACI는 지연된 결과를 이용할 수 있게 되면 미포함률을…

이 노트북은 검증 예측을 롱온리 주식 포트폴리오로 평가합니다. 각 레이블의 주기에 따라 결정 일정을 정하고, 상위 K개 종목을 동일 비중으로 선택합니다. 시드가 있는 무작위 신호 실행으로 종가부터 다음 시가까지의 사건 순서를 점검한 뒤 같은 백테스트 과정으로 포트폴리오 집중도 선택을 스윕합니다. 옵션에서 파생된 변수는 예측 입력으로 쓰고, 거래 대상은 주식입니다. 이 분석은 검증 날짜 커버리지가 비슷한 예측 세트끼리만 비교하고 비용을 반영합니다. 블록…

이 노트북은 주문장 활동이 NVDA의 단기 수익률을 예측하는지 연구합니다. 주문별 시장 데이터에서 추가, 취소, 체결 정보를 이용해 거리에 따라 가중한 주문장 압력 지표를 만들고, 부호가 있는 활동을 평활화해 중간 가격 부근의 유동성 변화를 나타냅니다. 여러 미래 기간에 걸쳐 주문 흐름 불균형을 평가하고, 중간가, 지연 조정 가격, 실행 가능 가격을 포함한 여러 마크아웃 정의로 수익률 상관관계와 십분위 패턴을 비교합니다. 이 비교는 지연과 매수·매도 호가…

이 사례 연구는 S&P 500 주식 및 옵션 특성 패널에서 시퀀스 모델을 비교합니다. 과거 참조 구간에서 게이트 상태를 유지하는 LSTM와 최신 수준을 제거한 뒤 선형 매핑을 적합하는 N-Linear 기준 모델을 함께 살펴봅니다. 이 기준 모델은 같은 구간을 더 단순하게 매핑하는 것보다 순환 메모리가 가치를 더하는지 평가합니다. 목표에는 미래 주식 수익률과 위험 조정 수익률 레이블이 포함됩니다. 이 연구는 특정 시점의 특성과 워크포워드 폴드에 맞춰 모델…

이 노트북은 TimeGAN의 5개 구성 요소를 설명합니다. 임베더와 복원 네트워크는 원시 관측값과 잠재 공간 사이를 변환하고, 감독자는 시간적 전이를 학습하며, 생성자와 판별자는 적대적으로 학습합니다. 단계별 학습을 설명하고 미국 주식 US 종목 패널의 일별 로그 수익률에 모델을 적용합니다. 수익률을 선택한 이유는 시그모이드로 제한되는 출력 및 최소-최대 스케일링과 관련이 있습니다. 추세를 보이는 가격 수준은 학습 범위를 벗어날 수 있어 홀드아웃 평가를…

이 노트북은 공유 ETF 모멘텀 전략 인터페이스를 Alpaca에 연결하는 방법을 보여주며, 기본적으로 시뮬레이션 오프라인 경로를 제공합니다. 브로커와 시장 데이터 어댑터를 바꿔도 전략, 주문 로그, 섀도 모드 래퍼는 동일하게 유지되는 방식을 설명합니다. 페이퍼 환경의 라이브 연결에 앞서 선택적 SDK 사용 가능 여부, 자격 증명, 계정 상태를 각각 확인합니다. 계정 스냅샷에는 현금, 자산, 포지션이 포함됩니다. 섀도 모드는 주문을 전송하지 않고 제안된 주문을…

이 노트북은 롤링 ETF 수익률 구간을 합성곱 신경망용 2채널 이미지로 변환합니다. Gramian Angular Summation Field는 각 구간 내 값을 재조정해 각도로 매핑하고 시간 위치 쌍 사이의 삼각함수 관계를 기록합니다. Markov Transition Field는 구간별 분위수로 값을 나누고 위치 쌍의 구간 간 전이를 나타냅니다. 따라서 두 방법 모두 원래 시퀀스를 그대로 제시하지 않고 위치 간 관계를 인코딩합니다. 실험에서는 5일 ETF…

이 노트북은 선택된 US 기업 특성 전략의 검증 성과가 가정한 수수료와 슬리피지에 따라 어떻게 달라지는지 측정합니다. 동일한 설정을 명시된 비용 그리드 전반에서 다시 실행하고, 총 비용을 수수료와 슬리피지에 균등하게 나눕니다. 전략을 고정하면 샤프 곡선을 통해 거래 비용 가정에 대한 민감도를 분리해 볼 수 있습니다. 비교를 위해 선언된 비용 수준을 스윕 안에 표시하며, 등록된 결과는 다시 계산하지 않고 재사용할 수 있습니다. 전략은 선언된 비용 수준에서 얻은…

이 노트북은 검증 데이터에서 설정을 선택한 뒤, 손대지 않은 홀드아웃 기간의 예측을 생성하는 방법을 설명합니다. 선택한 설정을 확인하고 홀드아웃용 학습 사양을 다시 구성한 다음, 사용 가능한 타임라인과 선택된 레이블의 기간을 바탕으로 학습 구간을 정합니다. 이렇게 확보한 버퍼는 학습 결과가 평가 기간까지 이어지지 않도록 하며, 그 기간의 수익률은 아직 알 수 없었을 것입니다. 노트북은 새 학습 식별 정보를 확인하고 예측 세트를 기록해 재학습이 이루어졌는지…

이 설정은 특정 시점의 NASDAQ-100 투자 종목군에서 주문 흐름 신호를 분석하는 장중 연구를 설명합니다. 각 평가 기간 전에 이용 가능한 유동성 정보로 비용 기준을 통과한 하위 집합을 정하고, 여러 예측 구간의 의사결정 일정을 지정하며, 이를 포지션 모니터링에 쓰는 1분 가격 피드와 구분합니다. 특성군에는 호가 유동성, 마이크로프라이스, 변동성, 주문 흐름, 가격 충격, 기타 미시구조 측정치가 포함됩니다. 세션 내로 제한된 관측 구간과 명시된 시점…

이 특성 엔지니어링 노트북은 펀더멘털, 거시경제 데이터, 달력 맥락을 통해 느린 정보가 빠른 트레이딩 신호에 맥락을 제공하는 방법을 설명합니다. 장부가 대비 시가 비율과 이익수익률 같은 가치 비율, 자기자본이익률과 발생액 같은 품질 지표, 거시 지표와 리스크 국면, 계절성 또는 이벤트 시점을 나타내는 주기 인코딩을 소개합니다. 분기별 재무 데이터의 정렬에는 종목과 발표 날짜를 기준으로 과거 시점에 맞춘 조인을 사용합니다. 따라서 일별 관측치에는 이미 발표된…

이 노트북은 검증 폴드에서 모델과 전략을 선택한 뒤, 선택된 NASDAQ-100 미시구조 설정의 홀드아웃 예측을 생성하는 방법을 설명합니다. 선택된 학습 사양을 재구성하고 사례 연구에서 선언한 기간으로 홀드아웃 폴드를 정한 뒤 이전 데이터만 사용해 모델을 다시 적합합니다. 학습 식별자를 확인해 실제 홀드아웃 재적합과 검증 데이터로 적합한 모델의 예측을 구분합니다. 학습 기간은 홀드아웃 시작 전에 레이블 버퍼를 두고 끝납니다. 이 버퍼는 가장 긴 레이블 구간을…