Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 51개
이 노트북은 Binance 무기한 선물 데이터로 프리미엄에 따라 계약 순위를 매기고 롱·숏 포지션을 취하는 횡단면 전략을 지원할 수 있는지 평가합니다. 모델을 적합하거나 예측을 수행하지는 않습니다. 대신 펀딩 정산 시점의 선언된 거래 유니버스를 확인하고, 관측된 시장 폭을 전략의 의도된 포지션 규모와 비교하며, 거래소 수수료 대비 가격 변동을 살펴봅니다. 홀드아웃 기간을 유지하면서 개발 이력으로 워크포워드 검증이 가능한지도 평가합니다. 각 계약의 자기상관도…
이 노트북은 가격 변동성, 펀딩 비율, 평균 프리미엄 편차라는 선언된 세 가지 요인을 고정했을 때 암호화폐 무기한 계약의 프리미엄 z점수가 이후 8시간 수익률에 영향을 주는지 추정합니다. 처치가 연속형이므로 목표는 프리미엄 z점수 한 단위당 기대수익률 변화량을 나타내는 기울기입니다. 이 개입 관련 질문을 수익률 예측이나 트레이딩 전략 평가와 구분합니다. 이 방법은 이중 머신러닝을 사용합니다. 교란변수 예측 모델이 교란변수로 결과와 처치를 예측한 뒤, 잔차…
이 설정은 암호화폐 무기한 선물을 위한 롱·숏 전략 연구 워크플로를 정의합니다. 거래량으로 선별한 19개 자산 투자 대상군, 8시간 펀딩 정산에 맞춘 의사결정, 펀딩 시점 체결을 설정합니다. 주요 목표는 8시간 선행 수익률이며 수익률 및 방향 변형도 포함합니다. 펀딩, 프리미엄, 가격 변동성, 횡단면 특성과 캐리, 평균회귀, 모멘텀, 변동성 가설도 설명합니다. 백테스트 계획은 상위 순위 신호와 포트폴리오 배분기를 비교하고, 거래 비용 민감도를 평가하며,…
이 시연은 USD 현물 브로커에 연결해 지속적으로 실행되는 암호화폐 전략의 운영 구조를 설명합니다. 더 큰 무기한 선물 사례 연구 대상군을 이용 가능한 더 적은 현물 페어로 매핑한 다음, 모멘텀 z 점수 프록시를 브로커와 연동되는 루프로 전달합니다. 또한 펀딩 확인 시 타임스탬프를 UTC로 정규화해야 한다고 설명하고, 반복되는 펀딩 시점을 무기한 포지션의 시간 기준으로 제시합니다. 신호는 명시적으로 대용치입니다. 참고 전략의 동기가 된 무기한 계약과 현물 간…
이 노트북은 암호화폐 무기한 선물 시장의 시간봉에 걸쳐 고정된 매도 주문을 배분하는 강화학습 에이전트를 학습합니다. 상태에는 시차 수익률, 변동성, 직전 시간 거래량, 현물 대비 무기한 계약 프리미엄, 펀딩 정산까지 남은 시간이 포함됩니다. 날짜를 기준으로 학습과 평가를 나누고, 동일한 평가 구간에서 여러 체결 일정을 대응 차이와 표준오차로 비교합니다. 프리미엄과 펀딩이 매도자의 체결 조건에 어떤 영향을 줄 수 있는지 설명하면서, 이를 가격 방향 신호가 아닌…
이 노트북은 전처리나 특성 공학 전에 금융 데이터셋을 반복해서 진단할 수 있는 점검 절차를 만듭니다. 시간 인덱스 자료형, 비어 있는 타임스탬프, 정렬과 고유성을 확인하고, 완전히 같은 중복과 키 기준 중복을 찾으며, 필드·자산·날짜별 결측값을 측정하고, 공백·이상치·도메인 위반·데이터셋별 달력 문제를 살펴봅니다. 진단 결과는 원본 데이터를 바꾸거나 정리하지 않고 문제를 보고합니다. 점검 대상은 ETF, US 주식, 가상자산, 선물, FX, 기업 특성입니다.…
이 장은 퀀트 트레이딩 연구에서 인과 주장을 평가하는 틀을 제시합니다. 처치, 결과, 추정 대상, 반사실, 조정 집합을 명확히 정의한 다음 연구 질문에 맞는 방법을 연결합니다. 연속 노출에는 이중 머신러닝(DML), 개별 사건에는 베이지안 구조적 시계열, 관측 자료에서 후보 관계를 찾는 데는 인과 발견 방법을 사용합니다. DAG와 식별 설계를 바탕으로 조정 변수를 선택하며, 시간 교차 적합과 처치 전 시점 설정은 추정 과정의 누출 방지에 도움이 됩니다.…
이 평가 노트북은 금융 및 모델 기반 특성이 가상자산 무기한 선물의 다음 8시간 수익률과 어떤 관계가 있는지 선별합니다. 워크포워드 검증 구간으로 평가 표본을 구성하고 최종 홀드아웃은 분석에서 제외하며, 각 결제 시점의 횡단면 순위 상관으로 특성별 점수를 매깁니다. 의존성을 고려한 불확실성 추정치로 평균 정보계수를 요약하고, 검증 연도별 성과를 확인하며, 다중 비교에 맞춰 유의성 검정을 조정합니다. 특성 원장에는 근거와 판단을 기록하지만, 모델 입력에서 열을…
이 문서는 무기한 선물 펀딩 패널 데이터를 모델링하는 데 TabM을 사용하는 이유를 설명합니다. 공유 신경망 백본은 모든 입력 특징을 결합하고 비선형 층은 상호작용을 표현할 수 있습니다. 각 분할에서 하나의 특징을 선택하는 트리와 달리 이 설계는 상관된 열을 함께 사용할 수 있습니다. TabM 앙상블 구성원은 네트워크 대부분을 공유하면서 별도의 스케일링 벡터와 출력층을 유지하므로 개별 네트워크를 학습하는 것보다 낮은 비용으로 평균을 낼 수 있습니다. 회귀,…
이 노트북은 암호화폐 무기한 선물의 수익률과 방향을 예측하는 그래디언트 부스팅 모델을 연구합니다. 탐색 격자는 트리 용량과 제곱 오차, 절대 오차, 후버 목적 함수 등 손실 함수를 바꾸며 학습 중 여러 시점에서 모델을 평가합니다. 트리가 거의 중복된 프리미엄 특징을 반복해서 분할하면 정보를 더하지 않은 채 학습 표본의 세부 사항에 맞춰질 수 있는 이유를 설명합니다. 후보는 서로 다른 예측 목표끼리 비교하는 대신 각 레이블별로 비교합니다. 노트북은 탐색 횟수…
이 노트북은 주식, ETF, 선물, 외환, 암호화폐 무기한 선물 전반의 거래 비용을 측정하는 단위 인식 프레임워크를 개발합니다. 먼저 거래량과 달러 거래대금으로 환산할 수 없는 활동 지표를 구분하고, 거래 내역으로 환산 근거를 확인할 때까지 각 거래소의 수수료 분모를 유지합니다. 수수료, 스프레드, 시장 충격, 주식 차입료를 나누고, 주어진 회전율에서 전략이 달성해야 하는 연간 총수익률과 거래당 비용을 연결합니다. 노트북은 일별 시장 데이터와 공개된 수수료…
이 노트북은 이미 선택된 암호화폐 무기한 선물 설정에 체결 비용이 미치는 영향을 측정합니다. 모형, 체크포인트, 진입 규칙, 배분, 위험 통제를 고정하고 거래 명목금액에 대한 왕복 비용 격자에서 백테스트를 다시 실행합니다. 결과로 각 레이블의 비용에 따른 성과 감소 곡선을 제시해 다른 설정을 선택하는 대신 성과 변화와 손익분기 지점을 보여줍니다. 비용률과 회전율에 따라 변하는 체결 비용과 포지션 보유에서 발생하며 격자 전반에서 바뀌지 않는 펀딩 지급액을…
이 가이드는 인과 질문에 맞는 Python 라이브러리를 정리하고, 가정한 인과 구조 아래에서 효과를 추정하는 것과 데이터에서 가능한 구조를 발견하는 것의 차이를 설명합니다. 조정된 처치 효과를 위한 이중 머신러닝, DoWhy를 이용한 그래프 기반 식별과 반증, PCMCI, PC, FCI, GES, LiNGAM, NOTEARS 같은 시계열 또는 횡단면 구조 탐색 방법을 소개합니다. 처치 유형과 추정 대상이 도구 선택에 미치는 영향도 설명합니다. 연속형 처치를…
이 노트북은 가중치를 공유하는 신경망 앙상블 TabM을 암호화폐 무기한 선물 특성 패널에 적용합니다. 구성원은 신경망 백본을 공유하지만 별도의 스케일링 벡터와 출력 계층을 사용해, 효율적인 앙상블과 상관된 입력 간 비선형 상호작용을 결합합니다. 작업 흐름은 회귀, 이진 방향, 3개 클래스 방향 타깃을 처리하며, 불균형 라벨에 대해서는 폴드별 클래스 가중치도 적용합니다. 또한 여러 학습 체크포인트에서 예측을 저장하고 등록해 각 체크포인트를 별도의 후보 모델로…
이 노트북은 RSI 임계값으로 진입과 청산을 결정하는 비트코인 롱온리 전략의 감사 가능한 보고서를 만듭니다. 총수익과 순수익을 비교한 뒤, 동일한 데이터, 워밍업, 익스포저, 체결, 비용을 적용한 바이앤드홀드 벤치마크와 성과를 비교합니다. 조건을 일치시키면 트레이딩 규칙의 효과를 구분하기 쉬워집니다. 보고서는 포트폴리오 수익률, 벤치마크 대비 지표, 시장 익스포저, 청산된 거래 통계를 나눠 보여줍니다. 또한 표본 종료 시점의 자기자본에 영향을 주는 미청산…
이 노트북은 학습된 무기한 선물 펀딩 특성의 시퀀스 표현이 프리미엄, 즉 무기한 선물과 현물 가격 간 격차를 사람이 만든 요약값보다 더 잘 포착하는지 집중적으로 시험합니다. 최근 윈도우 안의 변화에 선형 매핑을 적용하는 NLinear와 순환형 LSTM를 비교합니다. 두 모델은 특성 순서, 폴드, 결측 데이터 규칙, 체크포인트 일정이 같으므로 측정된 차이를 아키텍처에 더 명확히 귀속할 수 있습니다. 노트북은 실험을 정의하고 검증 예측을 기록하며, 전략 선택은…
이 노트북은 모델 순위를 단순한 암호화폐 무기한 선물 포트폴리오로 변환합니다. 각 펀딩 시점에 진입 규칙이 순위 상위 또는 하위 계약을 골라 동일 비중을 배정합니다. 동일 비중은 비교 기준을 제공하므로, 포지션 규모를 일정하게 유지한 채 차이를 순위에 따른 것으로 볼 수 있습니다. 노트북은 선언된 예측 구성을 진입 규칙에 적용하고, 후속 분석을 위해 결과를 등록합니다. 백테스트에서는 해당 시점까지 보유한 포지션을 대상으로 펀딩을 정산한 뒤, 그 시점의 거래를…
이 노트북은 무기한 선물 펀딩 연구를 위해 여러 모델 계열의 검증 예측을 비교합니다. 정보 계수는 예측값과 후속 수익률 간 순위 연관성을, AUC는 상승 또는 하락 라벨에 대한 순위 성능을 측정하며, 로그 손실은 확신에 찬 오답에 큰 페널티를 부과해 확률 예측의 정확성을 평가한다고 설명합니다. 지표마다 답하는 질문이 다르므로 AUC가 개선되는 동안 로그 손실은 악화될 수 있습니다. 어느 순위 지표도 유용한 수익률 규모나 확률 보정을 입증하지 않습니다.…
이 구현은 딥러닝 연구에 쓰이는 패널 데이터에서 배치 시퀀스 윈도우를 만드는 방법을 설명합니다. 각 자산의 관측값을 연속된 행으로 압축하지 않고 패널에서 예상되는 달력을 따릅니다. 관측되지 않은 셀과 관측 여부 및 최신성 지표를 사용해 누락된 세션을 표시하므로, 명목상 룩백 기간이 의도보다 더 긴 달력 기간을 조용히 포괄하지 않습니다. 적격성 규칙은 최소 관측 비중을 요구하고 연속 결측 구간을 제한합니다. 효율성을 위해 종목별 특성 및 타깃 배열을…
이 노트북은 폴리마켓의 암호화폐 결제 이벤트 계약과 칼시의 규제 계약을 비교하며, 접근 규칙과 상장 정책이 각 플랫폼의 가격과 질문을 어떻게 좌우하는지 살펴봅니다. 소규모 폴리마켓 스냅샷의 시장 및 날짜 범위를 확인하고 비트코인 가격 기준치 사다리를 찾아 기준치가 높아질수록 가격이 하락하는지 검정합니다. 확률 특성을 구성하고 두 플랫폼에 중복 상장된 연방준비제도 이벤트 시장도 비교합니다. 스냅샷의 시장별 관측치가 적기 때문에 시계열 분석이 아니라 횡단면 및…
이 노트북은 실행 기록에서 학습하기 위해 행동 복제와 역강화학습(IRL)을 비교합니다. 시연은 위험 중립 목적이 알려진 TWAP 일정에서 가져옵니다. 충격을 줄이기 위해 거래를 고르게 분산하되 타이밍 위험 노출을 감수하는 방식입니다. 행동 복제는 상태·행동 쌍에서 직접 행동을 학습하는 반면, IRL는 해당 행동을 설명할 수 있는 보상을 추정하며 다른 환경으로 전이하는 토대가 될 수 있습니다. 노트북은 두 가지 보상 적합 방법을 소개합니다. 고정된 후보 경로…
이 노트북은 실제 전략 감사에서 LEAN 엔진과 이에 맞춘 ML4T Backtest 프로필의 결과를 비교합니다. 고정된 입력이 지원하는 자산군 작업을 식별하고 체결, 평가액, 평가 시점, 주식 자산곡선의 공백, 최종 가치 전반의 동등성 근거를 보고합니다. CME 선물 작업은 이용 가능한 연속 근월물 가격에 네이티브 LEAN 구독에 필요한 날짜별 계약 체인과 롤 매핑이 없어 제외됩니다. 입력 로딩, 추론, 목표 구성, 준비, 보고를 제외하고 엔진 호출 전후를…
이 노트북은 일별 주식과 시간별 암호화폐 무기한 선물의 수집, 검증, 출처 표시, 저장을 아우르는 종단 간 파이프라인을 구성합니다. 주식 예시는 과거 WikiPrices 데이터와 더 최근의 Yahoo 피드를 결합합니다. 공급자마다 주식 분할 조정 이력이 달라 두 피드가 겹치는 날짜에서 가격 재조정 계수를 추정하고, 과거 OHLC 가격에 적용하며 거래량은 역으로 조정한 뒤 겹치지 않는 기간을 결합합니다. 타임스탬프 처리도 표준화하고 감사를 위해 행마다 공급자를…
이 노트북은 처치 전 통제 변수 여섯 개를 조정한 뒤 무기한 선물 프리미엄 Z 점수가 다음 8시간 수익률과 연관되는지 이중 머신러닝으로 추정합니다. 별도 적합과 처치·국면 상호작용을 사용해 고변동성 국면과 저변동성 국면의 효과를 비교합니다. 데이터는 여러 심볼의 패널로 구성되므로 교차 적합, 엠바고 적용, Driscoll–Kraay 표준 오차 계산 시 각 타임스탬프를 하나의 의사결정 기간으로 취급합니다. 노트북은 시간적 지속성을 유지하면서 심볼별 처치값을…