Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 327개
이 노트북은 같은 예측 순위로 선정한 ETF 포트폴리오의 가중치를 정하는 여섯 가지 방법을 비교합니다. 동일 가중, 점수 가중, 역변동성, 리스크 패리티, 평균-분산 최적화, 계층적 리스크 패리티입니다. 선택하는 펀드 수와 배분 방식을 함께 바꿉니다. 집중된 바스켓에서는 가중 방식별 차이가 작을 수 있고, 위험 특성이 서로 다른 펀드가 포함되면 차이가 커질 수 있기 때문입니다. 비교에는 신호 단계 백테스트에서 샤프 기준으로 선택해 다음 단계로 올린 예측…
이 노트북은 여러 트레이딩 사례 연구에 등록된 이중 머신러닝 추정치를 모아 불확실성과 진단 결과를 비교합니다. 각 연구 레지스트리의 최신 행을 불러와 레지스트리 무결성과 라벨 고유성을 확인하고, 커버리지를 명시하며, HAC 통계량과 신뢰 구간을 도출합니다. 추정된 효과는 각각의 고유 단위가 다르므로 포레스트 플롯은 효과 크기를 그대로 순위화하는 대신 무차원 HAC 통계량을 비교합니다. 또한 순진한 OLS 계수와 직교화 추정치를 대조하고, 교란 편향 측정값과…
이 노트북은 S&P 500 옵션 연구의 예측을 위해 명시된 LSTM 모델을 적합합니다. 네트워크는 각 종목 이력의 시간순 구간을 입력받고, 직접 설계한 특성에만 의존하는 대신 게이트 순환 상태를 사용해 여러 세션에 걸친 정보를 표현합니다. 설정된 룩백, 네트워크 크기, 드롭아웃, 배치 크기, 학습 체크포인트가 모델 요청을 정의합니다. 공통 워크플로가 폴드 구성, 검증 간격, 체크포인트, 재시작, 예측이 적격 행만 정확히 포함하는지 확인하는 절차를 처리합니다.…
이 노트북은 PPO 에이전트를 학습시켜 시간별 무기한 선물 봉에 걸쳐 부모 매도 주문을 집행할 시점을 정합니다. 가격과 거래량 이력에 무기한 선물 프리미엄과 다음 펀딩 정산까지 남은 시간을 추가하고, 각 시간별 결정 시점에 아직 알 수 없는 정보는 시차를 둡니다. 학습 기간과 평가 기간은 날짜별로 분리하고 분할을 확인합니다. 학습된 스케줄을 동일한 평가 구간의 고정 스케줄 및 규칙 기반 스케줄과 비교하고, 짝지은 차이와 표준 오차로 비교 결과를 설명합니다.…
이 노트북은 SEC XBRL 데이터로 분기별 주식 펀더멘털 패널을 구축하고 살펴보는 방법을 설명합니다. 각 관측치에는 해당 회계 기간과 정보가 공개된 신고일이 모두 포함됩니다. 과거 테스트에서는 이 구분이 중요합니다. 기간 종료일만으로 필터링하면 투자자가 아직 알 수 없었던 수치가 포함될 수 있기 때문입니다. 노트북은 개념별 커버리지와 신고 지연을 측정하고, 신고일을 고려한 시점별 조회로 얻은 최신 관측치와 기간 기준 조회 결과를 비교합니다. 예시에서는 매출…
이 노트북은 회계 및 가격 기반 특성이 다음 달 US 주식 수익률을 단독으로 예측하는지 평가합니다. 각 특성과 수익률 라벨 간 월별 횡단면 순위 상관을 계산한 다음 개발 기간의 여러 달에 걸쳐 요약합니다. 이 과정은 별도로 보류한 홀드아웃을 제외하고, 패널 무결성을 확인하며, 최소 커버리지와 횡단면 폭을 요구하고, 워크포워드 학습 및 검증 기간에도 연관성이 지속되는지 살펴봅니다. 관련된 월별 관측치와 다수 후보 테스트에서 생기는 불확실성을 반영하고, 어떤…
이 노트북은 CME 선물 사례 연구에서 후보 특성을 선별해 미래 수익률과 비교합니다. 각 특성의 값과 이후 수익률 간 횡단면 순위 상관을 계산하고, 날짜별 상관을 요약하며, 중첩된 수익률 기간에 따른 불확실성을 조정하고, 테스트한 전체 항목에 벤저미니-호크버그 거짓 발견률 제어를 적용합니다. 커버리지와 오래된 데이터 여부를 확인하고, 워크포워드 검증 연도와 대체 라벨 기간에 걸친 일관성을 살펴보며, 근거와 함께 진행·수정·중단 평가를 기록합니다. 이후 확인…
이 노트북은 비트코인 무기한 계약 시장 데이터에 롱 전용 RSI 평균 회귀 규칙을 적용해 VectorBT의 벡터화 백테스팅을 소개합니다. 종가 기준 RSI를 계산하고, 전날 값이 낮은 임계값보다 낮으면 진입하며 높은 임계값을 넘으면 청산합니다. 신호를 한 시점 늦춰 다음 UTC일 시가부터 적용하고, 시뮬레이션에서는 체결에 수수료와 슬리피지를 반영합니다. 거래 기록, 포트폴리오 가치, 드로다운, 매개변수 민감도를 살펴보고 체결 가정을 맞춘 바이앤드홀드…
이 노트북은 포지션 규모 조정을 최대 불리·유리 익스커션 분석과 연결합니다. 고정 비율 포지션 규모 조정에서는 거래별 위험 예산과 진입가부터 손절가까지의 거리에 따라 주식 수를 정하며, 여기에 집중도 상한을 적용합니다. 또한 시차를 둔 개별 변동성으로 롱 전용 역변동성 배분을 구성합니다. 이 휴리스틱은 상관관계를 무시하므로 공분산을 고려하는 리스크 패리티가 아니라는 점을 강조합니다. 거래 진단을 위해 익스커션 분포를 살펴 손절 및 목표가 선택에 참고하고,…
이 노트북은 SHAP 패널의 릿지 회귀 예측을 ETF로 해석하는 방법을 설명합니다. 선형 모델에서 각 특성의 기여도는 계수에 학습 배경 평균으로부터의 특성 편차를 곱한 값이므로, 폐쇄형 계산과 대조해 확인할 수 있습니다. 전체 기여도 크기, 개별 예측에 대한 워터폴 설명, 확신도가 높았던 예측 중 정답과 오답의 비교, 워크포워드 폴드 간 중요도 안정성을 다룹니다. 또한 시간 폴드 간 중요도 변화와 한 폴드 안에서의 표본 추출 불확실성이라는 두 가지 불확실성을…
이 노트북은 조건부 오토인코더가 계측 주성분 모델을 어떻게 확장하는지 설명합니다. 신경망이 주식 특성을 요인 노출로 매핑하며, 노출과 요인 수익률을 곱하는 구조는 그대로 유지합니다. 학습 구간별로 설정된 미래 수익률 라벨을 재구성하도록 모델을 적합한 다음, 고정된 요인 평균을 검증일의 노출에 적용해 다음 구간에서 주식 순위를 매기는지 평가합니다. 재구성에 나중에 정보계수로 점수화하는 동일 라벨을 사용하므로, 양의 점수가 독립적인 발견은 아닙니다. 그래도 검증…
이 노트북은 기준 선별 절차를 이미 통과한 암호화폐 무기한 계약 전략에서 여섯 가지 배분 방식을 비교합니다. 각 전략의 예측과 진입 규칙은 고정한 채 자본 배분 방식만 바꿉니다. 한 배분기는 모델 점수를 사용하고, 여러 방식은 자산 변동성이나 공분산을 사용하며, 다른 하나는 과거 예측 불확실성을 사용합니다. 공분산 행렬을 추정하는 방식은 역변동성보다 사용 가능한 수익률 이력에서 더 많은 모수를 추정해야 하므로 가중치가 더 불안정할 수 있습니다. 노트북은 검증…
이 노트북은 유럽형 콜옵션 매도 포지션의 딥 헤징을 보여줍니다. 기하 브라운 운동으로 기초자산 가격 경로를 시뮬레이션하고, 벤치마크로 블랙-숄즈 델타를 계산하며, 헤지 포지션을 선택하는 준순환 신경망을 학습합니다. 학습 목표는 만기 손실의 조건부 위험가치를 최소화하는 것입니다. 손익 계산에는 헤지 개시, 각 리밸런싱, 만기 청산에 비례 비용을 부과해 동일한 가정 아래 이산 델타 헤징과 비교할 수 있습니다. 학습된 트레이딩이 델타 벤치마크에 가까워질수록 덜…
이 모듈은 검증 단계와 전략 라벨 전반에서 홀드아웃 선택 기준을 구성하는 방법을 정의합니다. 고정된 후보 집합과 실시간 재구성이 서로 다른 설정을 선택하거나, 후속 분석에서 우승 설정과 다른 라벨을 사용하는 불일치를 다룹니다. 공통 구성에는 명시된 라벨 전반의 신호, 배분, 리스크 오버레이 단계가 포함되며, 후속 분석에는 선택된 결과의 라벨을 사용합니다. 기록된 후보 집합이 있으면 모듈은 그 안의 백테스트 결과에서 선택합니다. 없으면 적격 집합을 다시…
이 노트북은 주성분 10개가 포착한 광범위한 움직임을 통제한 뒤, 포트폴리오 운용 전략 4개가 SPY 수익률에 설명력을 더하는지 검정하는 방법을 보여줍니다. 후보 포트폴리오는 ETF의 최근 모멘텀, 낮은 변동성 또는 단기 반전을 기준으로 순위를 매기고, 시차 수익률로 롱·숏 바스켓을 구성합니다. 각 요인의 조정 전 SPY 로딩을 두 번의 LASSO 회귀로 통제 변수를 선택한 뒤 추정한 조건부 로딩과 비교합니다. 확장 시계열 교차 검증과 폴드별 스케일링 및…
이 문서는 ETF 수익률을 모델링하기 위한 계측 주성분 분석을 설명합니다. 각 펀드에 고정된 요인 노출을 부여하는 일반 PCA와 달리, IPCA는 각 펀드의 노출을 관측 가능한 특성의 공통 선형 함수로 모델링합니다. 교대 최소제곱법을 통해 특성에서 노출로 이어지는 매핑과 요인 수익률을 함께 추정합니다. 제안된 제약은 펀드와 날짜 전반의 정보를 통합하지만, 특성과 노출의 관계를 선형으로 가정한다는 한계가 있습니다. 이 노트북은 워크포워드 폴드에서 5일 및…
이 노트북은 기대 로그 자산을 극대화해 이진 베팅의 켈리 투자 규모를 도출한 뒤, 베팅액이 시뮬레이션 자산 경로의 분포를 어떻게 바꾸는지 보여줍니다. 이 프레임워크를 연속 수익률과 다중 자산 포트폴리오로 확장합니다. 이때 익숙한 평균 대비 분산 식은 로그 함수의 절단 전개에 의존합니다. 포트폴리오 해법에서 내재 레버리지와 자본을 소진시킬 수 있는 불리한 움직임도 살펴봅니다. 롤링 추정은 시장 데이터로 기대수익률과 공분산을 추정할 때 포지션 규모가 얼마나…
이 노트북은 이전에 선택된 ETF 전략을 따로 확보한 홀드아웃 기간에서 평가합니다. 학습 식별자와 체크포인트가 일치하는 예측을 가져오고, 앞서 정한 전략 명세와 거래 비용을 적용한 뒤 백테스트를 등록합니다. 집중도, 배분, 리스크 오버레이, 리밸런싱 주기를 포함한 설정은 홀드아웃 실행 전에 고정합니다. 배분이 컨포멀 구간 너비에 따라 달라지는 경우에는 검증 잔차로 너비를 계산하고, 선행 수익률 레이블이 홀드아웃과 겹치는 잔차를 제외합니다. 보고된 근거에는…
이 모듈은 티커 기호가 시간에 따라 서로 다른 증권을 가리킬 수 있을 때 과거 S&P 500 가격을 준비하는 방법을 설명합니다. 기업 활동 조정 계수를 적용하고 증권 식별자를 추적하며 정체성 경계를 표시합니다. 수익률 계산은 정체성이 유지되는 증권 구간 안에서만 수행합니다. 따라서 티커가 재배정된 시점에는 잘못된 시장 움직임을 기록하지 않고 수익률을 정의하지 않습니다. 연속된 가격 수준이 필요한 백테스트 패널에는 후속 구간을 별도로 재조정해 이전 수준과…
이 유틸리티는 기반 계산을 다시 실행하지 않고 백테스트 식별자를 변경하는 마이그레이션의 유효성을 확인하는 방법을 설명합니다. 데이터베이스 스키마를 살펴 등록 주소가 들어 있는 열을 찾습니다. 여기에는 텍스트 문서 안에 포함된 참조도 들어갑니다. 그런 다음 마이그레이션 전후의 끊어진 참조 개수를 비교합니다. 과거 참조 중에는 의도적으로 이미 해결되지 않은 것도 있을 수 있으므로, 중요한 점검은 마이그레이션으로 어느 위치에서든 끊어진 참조가 늘었는지 확인하는…
이 분석은 여러 트레이딩 사례 연구에서 선택한 신호가 후속 활용에 충분히 믿을 만한지 평가합니다. 검증 정보계수(IC)와 홀드아웃 근거를 비교하고 안정성과 재현성을 살펴보며, 예측 품질과 모델 예측으로 구성한 포트폴리오의 샤프 비율을 대조합니다. 히트맵과 계열별 요약은 자산군과 모델 계열에 따라 결과가 어떻게 달라지는지 보여줍니다. 평균 IC와 신호 샤프의 중앙값은 서로 다른 특성을 나타내므로 모델 순위를 다르게 매길 수 있다는 점도 드러냅니다. 검증 결과는…
이 노트북은 호가 스프레드 중 지불한다고 가정한 비율에 따라 S&P 500 옵션 전략의 검증 성과가 어떻게 달라지는지 측정합니다. 모델 계열마다 기준 전략 하나를 선택한 뒤, 스프레드 비용 가정과 전체 등가격 스트래들 대상 집합 및 유동성이 더 높은 부분 집합을 대상으로 각각 다시 실행합니다. 스프레드 비율만 바뀌도록 나머지 수수료와 헤지 비용은 고정합니다. 옵션 프리미엄 대비 비용으로 표현하면 명목금액을 기준으로 삼는 주식 관행보다 옵션 거래에 더…
이 문서는 자동매매 중단을 위한 재사용 가능한 상태 머신을 제시하며, 닫힘·열림·반개방 상태로 구성됩니다. 계좌 드로다운, 일일 손실, 연속 손실 세션, 시스템 지연이라는 네 가지 위험에 동일한 상태 전이 로직을 적용합니다. 복구 대기 시간이 지나면 차단기는 반개방 상태로 전환되어 시험 관측을 허용합니다. 그 결과에 따라 정상 운영을 재개하거나 중단 상태를 다시 엽니다. 별도의 콜백으로 차단 발생 시 알림을 보내고, 복구 확인을 포함한 모든 상태 변경은 감사…
이 노트북은 검증 데이터에서 선택한 설정을 사용해 이전까지 살펴보지 않은 ETF 홀드아웃 구간의 예측을 생성합니다. 학습 명세가 구간 시작보다 레이블 예측 기간 하나만큼 앞서 끝나도록 다시 구성하고, 모델을 재적합한 뒤 선택된 체크포인트를 유지하며, 결과 학습 식별자가 검증 적합 결과와 다른지 확인합니다. 레지스트리 점검으로 표본 외 예측임을 입증할 수 없는 기존 예측 세트를 찾아내고, 같은 구간에 다른 설정을 평가하지 못하게 합니다. 이 노트북은 이러한…