Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 252개
이 노트북은 거래량 참여 한도가 각 시장 구간에서 체결될 수 있는 부모 주문의 수량을 어떻게 제한하는지 설명합니다. 브로커는 관측된 거래량으로 허용 수량을 계산하고 미체결 잔량을 다음 구간으로 넘깁니다. 참여 한도가 낮으면 시장 영향은 줄지만 완료 시간이 길어지고, 한도가 높으면 체결 속도가 빨라지는 대신 시장 충격에 더 노출됩니다. 최소 거래량 기준을 두면 특히 유동성이 낮은 시간대의 거래를 막을 수 있습니다. 이 시연은 실제 NASDAQ-100 분봉…
이 문서는 모멘텀 및 자산 간 연구를 위한 후보군으로 쓰이는 일별 ETF 데이터셋을 설명합니다. US와 해외 주식, 채권, 원자재, 특수 펀드, 통화 등 9개 범주를 다룹니다. 데이터는 Yahoo Finance에서 가져오며, 함께 제공되는 워크플로는 데이터를 내려받고 저장하고 불러오고 필터링한 뒤 프로파일링합니다. 종목 및 범주별 커버리지를 확인해 이력과 거래량의 차이를 파악할 수 있습니다. 이 투자 종목군은 바로 거래할 포트폴리오로 제시되지 않습니다. 이후…
이 노트북은 실제 ETF 데이터와 가격 기반 모멘텀 사례를 사용해 단일 요인을 평가합니다. 선행 수익률에 대한 횡단면 스피어만 정보계수를 측정하고, 기간을 비교하며, 일별 횡단면 IC의 평균과 전체 표본 상관계수 계산의 차이를 설명합니다. ICIR, 통계적 불확실성, 분위수 수익률, 상위-하위 스프레드, 단조성, 회전율, 신호 감쇠도 다룹니다. 커버리지와 오래된 값 점검으로 요인이 예상대로 존재하고 갱신되는지 확인합니다. 이 장은 폴드 정보를 반영한 평가를…
이 사례 연구는 NASDAQ-100 미시구조 전략의 선행 수익률과 비교해 금융 및 모델 기반 후보 특성을 선별합니다. 시간에 따른 횡단면 순위 정보계수를 계산하고, 의존성과 다중 검정을 반영해 추론을 조정하며, 분위수별 수익률 형태와 특성 중복성을 살펴봅니다. 커버리지와 오래된 값 점검으로 값이 지나치게 희소하거나 변하지 않아 신뢰성 있게 해석하기 어려운 특성을 찾아냅니다. 근거와 함께 진행, 수정, 중단 판단을 선별 기록표에 남깁니다. 각 선행 레이블을…
이 장에서는 근거 없는 주장과 환각의 비용이 클 수 있는 개방형 금융 리서치에서 언어 모델의 유용성을 높이는 방법으로 검색 증강 생성을 소개합니다. 문서 수집과 구조를 고려한 분할부터 메타데이터, 도메인별 임베딩, 어휘 및 의미 기반 하이브리드 검색, 재순위화, 증거에 근거한 생성까지 시스템을 설명합니다. 추적성과 수치 신뢰성을 높이기 위해 인용 제약과 도구로 검증된 계산도 포함합니다. 이 장은 평가를 진단 과정으로 다룹니다. 팀은 검색 실패를 맥락, 종합,…
이 노트북은 분봉과 NBBO 호가를 사용해 NASDAQ-100 종목의 장중 선행 수익률 레이블을 구성하는 방법을 설명합니다. 신호 다음 봉부터 지정된 미래 시점까지의 수익률을 정의하고, 매수·매도 호가 바운스를 줄이기 위해 호가 중간값을 사용하며, 스프레드는 별도의 마찰 비용 추정치로 다룹니다. 거래소 일정을 기준으로 각 구간을 제한해 레이블이 세션을 넘거나 조기 폐장 후 오래된 패딩 봉을 사용하지 않도록 합니다. 선언된 시간 구간은 관측된 시간 격자를…
이 문서는 일일 시장 데이터를 최신 상태로 유지하는 운영 절차를 제시합니다. 초기 이력을 불러오고, 저장 이력과 일부 겹치는 짧은 증분 구간을 가져오고, 누락된 날짜를 확인하며, 최신성과 검증 문제를 모니터링합니다. 겹치는 구간은 공급업체가 최근 봉을 수정한 내용을 반영하는 데 도움이 됩니다. OHLCV 데이터는 공급업체가 불완전하거나 가격 정보가 빠진 세션을 반환할 수 있으므로 업데이트 종료 시점을 현재 날짜가 아니라 마지막으로 완성된 봉에 맞춰야 합니다.…
이 노트북은 S&P 500 주식 및 옵션 연구에서 주요 레이블을 예측하도록 패치 트랜스포머를 적합합니다. 각 주식의 과거 입력 구간을 연속 패치로 나누고 각 패치를 어텐션 토큰으로 취급합니다. 어텐션은 구간 내 멀리 떨어진 부분을 직접 비교할 수 있고, 패치 방식은 시퀀스 길이를 줄입니다. 패치 크기가 클수록 계산 부담은 줄지만 패치 안의 세부 정보가 압축됩니다. 이 모형은 연구의 다른 딥러닝 아키텍처와 동일한 관측 구간 및 학습 일정을 사용합니다. 학습에는…
이 코드는 금융 특성으로 예측하는 지도 오토인코더 아키텍처를 제시합니다. 인코더는 정규화된 입력을 병목 표현으로 압축하고, 디코더는 규제 과제의 일부로 입력을 재구성합니다. 보조 예측 헤드는 재구성 결과를 사용하며, 더 큰 주 네트워크는 스킵 연결을 통해 원래 정규화 특성과 인코딩된 표현을 결합합니다. 모형은 분류와 회귀 출력을 지원합니다. 학습에는 배치 정규화, Swish 활성화, 가우스 입력 잡음, 드롭아웃을 사용합니다. 구현은 배치 정규화 매개변수를…
이 노트북은 여러 펀드의 가격 수익률에 단일 가중치 계열을 맞추는 ETF 확률적 할인 요인 모형을 설명합니다. 펀드 익스포저와 요인 수익률을 각각 추정하는 모형과 달리, 가격 책정 오차를 기준으로 두 개의 신경망을 학습합니다. 하나는 횡단면 데이터에서 할인 요인 가중치를 구성하고 다른 하나는 각 펀드의 익스포저를 추정합니다. 노트북은 예측 수익률 점수도 보고하지만, 목표는 수익률 예측이 아니라 무차익 가격 책정으로 설정합니다. 모형은 맥락 정보로 거시경제…
이 노트북은 이전에 선택한 US 주식 모델 구성으로 홀드아웃 예측을 생성하는 방법을 설명합니다. 모델 선택과 전략 설정에 검증 결과를 사용했으므로, 동일한 결과로 선택의 품질을 독립적으로 입증할 수는 없습니다. 노트북은 사례 연구 구성에서 홀드아웃 날짜를 읽고, 이미 선택된 모델을 확인한 뒤 홀드아웃 시작 전까지 이용 가능한 이력만으로 모델을 다시 적합합니다. 학습 구간은 예측 수익률 기간에 맞춘 완충 구간만큼 홀드아웃보다 앞에서 끝나므로, 평가 구간 중…
이 노트북은 미래 관측값이 과거 값에 영향을 주지 않도록 US 주식 패널의 모델 기반 특성을 구성하는 방법을 설명합니다. 핵심 방법은 추정 일정입니다. 모델은 워밍업 기간을 사용하고, 설명할 구간보다 앞선 데이터만으로 적합하며, 해당 구간의 특성을 산출한 뒤 다음 구간 전에 다시 적합합니다. 노트북은 이 원칙을 시장 국면 거리, 분수 차분 가격, 조건부 변동성에 적용하며, 개별 주식 변동성 모델과 이력이 짧은 경우를 위한 시장 수준 대체 추정치도 다룹니다.…