Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 507개
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 노트북은 9개의 요인 및 자산군 수익률 시계열의 공동 움직임을 기준으로 월을 그룹화하는 가우시안 혼합 모델을 사용합니다. 월별 관측치를 표준화하고 결측 월을 제거한 뒤 BIC, AIC, 실루엣 점수로 후보 군집 수를 비교합니다. 이후 날짜가 확인된 시장 이벤트에 비춰 군집을 해석하고 각 그룹 내 요인 성과를 살펴봅니다. 이를 통해 환경별 차이가 통합 평균에 가려질 수 있음을 보여줍니다. 증거는 1927년에 시작되는 AQR의 월별 요인 수익률 기록에서…
이 노트북은 추론과 행동을 ReAct 루프에서 번갈아 수행하는 예측 에이전트를 만듭니다. 행동 범위는 의도적으로 작게 제한해 에이전트가 증거를 검색하거나 확률 예측을 제출할 수 있습니다. 공통된 두 메서드 인터페이스로 루프가 여러 언어 모델 공급자를 사용할 수 있으며, 스키마 검증으로 각 모델 응답이 행동을 일으키기 전에 확인합니다. 잘못된 응답은 수정하도록 되돌려 보내고 단계 예산으로 예측 없이 계속할 수 있는 시간을 제한합니다. 예시는 아직 결과가…
이 노트북은 알려진 시뮬레이터 계열 내 패턴 학습의 벤치마크로 ADIA Lab 인과 발견 챌린지를 살펴봅니다. 이 과제는 알려진 방향 비순환 그래프와 짝지은 여러 합성 데이터셋을 제공하고, 각 변수가 처치 및 결과와 관련해 어떤 역할을 하는지 모델이 분류하도록 평가합니다. 지도학습 모델이 이 설정에서 좋은 결과를 낼 수 있는 이유도 설명합니다. 시뮬레이션 데이터와 역할 레이블 사이의 반복되는 연관성을 학습하고, 하이브리드 방식은 고전적 발견 기법의 결과를…
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 위험가치(VaR)와 기대부족액(ES)을 목표로 금융 수익률 시나리오를 생성하는 생성적 적대 네트워크 방식인 Tail-GAN을 설명합니다. 미분 가능한 정렬을 사용해 분위수 추정치를 통한 기울기 전달이 가능하고, VaR와 ES의 관계를 나타내는 제약 조건에 위험 추정치를 투영합니다. ETF 수익률을 롤링 시나리오로 배열하고 무작위 롱·숏 포트폴리오 가중치와 결합해 손익 예시를 만듭니다. 극단값을 표현할 수 있도록 입력값을 생성기의 출력 클램프…
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…
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 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 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 여러 자산 시계열이 필요한 특성을 개발합니다. 엥글-그레인저와 요한센 공적분 검정을 비교하고, 단순한 동행만으로는 정상적인 스프레드가 보장되지 않는 이유를 설명하며, 전체 표본 회귀와 순방향으로 갱신되는 칼만 필터로 헤지 비율을 추정합니다. 평균 회귀 반감기를 학습 데이터만으로 추정해 신호 구간을 설정함으로써 그 선택에 미래 정보가 쓰이지 않도록 합니다. 시간에 따른 측정치를 횡단면 순위, 벤치마크 대비 값, 전체 투자 가능 종목군의 국면…
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 문서는 선물 상품을 선택해 주간 CFTC 트레이더 포지션 데이터인 Commitment of Traders를 가져오고, 상품별 이력을 Parquet 파일로 저장하는 방법을 설명합니다. COT 보고서는 화요일 포지션을 담아 금요일에 공개되며, 트레이더 범주는 금융 선물과 상품 선물에서 다릅니다. 생성된 데이터에는 보고서 날짜, 미결제 약정, 롱·숏·순포지션이 포함되며 선물 조사 과정에서 포지션 또는 심리 특성으로 활용할 수 있습니다. 다운로더에서 상품과 연도…
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 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…