Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 327개
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 노트북은 선택된 CME 선물 모델 설정의 홀드아웃 예측을 생성하는 방법을 설명합니다. 검증 결과로 설정을 선택한 뒤 홀드아웃 기간이 시작되기 전에 끝나는 데이터로 다시 적합합니다. 레이블 버퍼를 두어 선행 레이블 결과가 홀드아웃까지 이어지지 않도록 학습 관측치와 평가 기간을 분리합니다. 또한 기간 시작 전에 추정한 매개변수를 홀드아웃 기간 내내 고정해 모델 기반 특성을 다시 생성합니다. 예측 집합은 실제로 재적합한 학습 실행과 연결되어야 합니다. 검증…
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…
이 가이드는 주간 선물 포지션 데이터 출처로 공개된 CFTC 트레이더 포지션 보고서를 소개합니다. 딜러, 자산 운용사, 레버리지 자금 등의 참여자를 분류하는 Traders in Financial Futures 보고서와 상업 거래자, 운용 자금, 스왑 딜러 등의 범주를 사용하는 원자재 선물용 세분화 보고서를 구분합니다. 상품별 파일에는 보고 날짜, 미결제약정, 트레이더의 매수·매도·순포지션이 들어 있습니다. 포지션 분석, Z 점수, 역발상 신호, 선물 전략…
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 노트북은 신호 규칙, 자산 배분, 리스크 오버레이를 다루는 등록된 검증 백테스트에서 CME 선물 사례 연구를 선택합니다. 두 수익률 구간에 걸쳐 후보를 비교하고 검증 샤프가 가장 높은 설정을 선택합니다. 비용 민감도는 선택 후보군에 후보를 추가하지 않고 선택된 설정만 설명합니다. 재현 가능한 비교를 위해 기준 실행에서 후보 구성을 고정합니다. 그런 다음 선택된 전략의 정확한 전략 사양과 모델 체크포인트를 맞춰 이후 홀드아웃 기간에서 평가합니다. 검증과…
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 사례 연구는 만기까지의 수익률을 예측하는 단기 등가격 스트래들 그래디언트 부스팅 모델을 비교합니다. 트리 용량과 제곱 오차, 절대 오차, 후버 손실의 세 가지 적합 목적을 달리합니다. 변동성 이벤트가 있었던 해를 포함한 두 기간에 워크포워드 검증을 적용하고 정보계수(IC)로 예측을 평가합니다. 각 부스팅 단계에서 자체 예측이 생성되므로 체크포인트를 별도의 모델 후보로 취급합니다. 보고된 양상은 제곱 오차가 다른 목적들과 일관되게 구별되며 IC가 가장…
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 구성은 S&P 500 종목을 대상으로 주간 등가격 스트래들 매도 연구를 설명합니다. 포지션은 금요일에 열어 만기까지 보유하며, 옵션 델타 변화가 발생하면 주식 헤지를 매일 실행합니다. 포트폴리오 자본은 겹치는 코호트에 나누어 배분하며, 주요 성과 지표는 만기까지의 수익률입니다. 평가는 시간순 학습·검증·홀드아웃 기간을 사용하고 여러 포트폴리오 배분 방식과 분산 리스크 프리미엄이 수익률을 설명할 수 있는지 분석합니다. 비용 모형에는 옵션 및 헤지 스프레드,…
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.…