본문으로 건너뛰기

지식 라이브러리

Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.

라이브러리 검색

문서 119개

Machine Learning for Trading

이 노트북은 시간가중평균가격(TWAP) 체결 규칙의 시연을 사용해 행동 모방과 역강화학습(IRL)을 비교합니다. 행동 모방은 관측한 시장 상태를 행동에 직접 대응시키고, IRL는 체결 피처에 대한 선형 보상을 적합해 추론한 목적 함수에서 정책을 도출합니다. TWAP은 알려진 기준 목적을 제공합니다. 거래를 균등하게 분산해 단계별 시장 충격을 낮추는 동시에 시간에 따른 가격 변동 노출의 균형을 맞춥니다. 노트북은 두 가지 보상 적합 방법을 설명합니다. 고정된…

주문 집행머신러닝통계리스크 관리
Machine Learning for Trading

이 시연은 하나의 이중 이동평균 교차 구현이 백테스트 및 실거래 엔진에서 일치하는 신호를 내는지 확인합니다. 두 엔진에 동일하게 준비한 ETF 봉을 입력하고 같은 전략 매개변수와 체결 규칙을 사용하므로, 비교는 엔진 동작 차이에 초점을 둡니다. 단기 이동평균이 장기 이동평균을 웃돌고 롱 포지션이 없으면 매수하며, 보유 중 역방향 교차가 발생하면 매도합니다. 노트북은 두 신호 기록을 필드별로 비교하며 불일치가 있으면 동등성 검사를 실패로 처리합니다. 근거는…

주식백테스트주문 집행기술 지표
Machine Learning for Trading

이 분석은 ITCH 추가, 삭제, 부분 취소, 주문 정정, 체결 메시지로 개별 NASDAQ 지정가 주문을 재구성합니다. 정확한 타임스탬프와 로그 스케일로 표현한 주문 유지 시간 분포를 사용해 주문의 취소 또는 체결 여부와 해당 상태에 도달하는 데 걸린 시간을 측정합니다. 세션 종료 시 호가창에 남은 주문을 이미 체결되었거나 수정된 주문과 구분하고, 단일 종목의 생애주기 분석을 더 광범위한 메시지 개수 분석과 분리합니다. 핵심 결과는 취소율과 체결률이 서로…

주식시장 미시구조주문 집행고빈도 매매
Machine Learning for Trading

이 문서는 금융 시계열 데이터를 사용하는 데이터베이스 엔진의 벤치마크를 설명합니다. 대량 쓰기, 전체 스캔, 시간 범위 조회, OHLCV 집계, 거래 및 호가 데이터의 시점 기준 조인을 비교합니다. 방법론에서는 클라이언트 측 변환을 쓰기 비용에 포함하고, 데이터가 영구 저장되어 조회 가능해질 때까지 기다리며, 결과 개수를 정확히 검증해 잘린 조회 결과가 인위적으로 빠르게 보이지 않게 합니다. 읽기는 워밍업 후 반복 측정하며, 임베디드 엔진과 서버에서 사용할…

시장 미시구조주문 집행백테스트통계
Machine Learning for Trading

이 노트북은 오프라인 머신러닝 파이프라인과 QuantConnect의 LEAN 엔진 사이의 배포 경계를 보여줍니다. ETF 사례 레지스트리에서 예측 집합을 선택하고 학습 및 예측 출처를 검증한 뒤, 플랫폼이 사용할 수 있는 JSON 구조로 표본 외 홀드아웃 예측을 내보냅니다. 플랫폼 알고리즘은 모델 추론 파이프라인을 재현하지 않고 해당 점수에 포트폴리오 규칙을 적용합니다. 예측을 고정하면 연구자가 재학습 없이 임계값, 포지션 한도, 리밸런싱 규칙을 시험할 수도…

머신러닝주문 집행백테스트포트폴리오 구성
Machine Learning for Trading

이 노트북은 선정된 실제 사례 연구 전략에서 Backtrader, Zipline Reloaded, 내부 트레이딩 프레임워크 간 패리티 비교 결과를 보고합니다. 두 외부 엔진의 ETF 및 US 주식 패널 비교와 Backtrader의 CME 선물 및 USD 표시 FX 비교를 포함합니다. 감사에서는 체결 가격과 수량, 평가 시점, 계좌 가치를 센트 단위 정밀도로 확인합니다. 지원되지 않는 자산 모델은 성공적인 비교로 간주하지 않고 별도로 나열하며, 이 감사에서는…

백테스트주문 집행시장 미시구조주식
Machine Learning for Trading

위험 조정 모멘텀 점수, 즉 연환산 실현 변동성으로 나눈 직전 기간 누적 수익률을 사용해 월간 ETF 배분 기준 전략을 정의합니다. 10년물 금리에서 2년물 금리를 뺀 수익률 곡선 기울기가 임계값을 넘으면 순위가 가장 높은 자산을 선택하고, 그렇지 않으면 종합 채권과 장기 국채 사이에 방어적으로 배분합니다. 유니버스에는 광범위 주식, 해외 자산, 부동산, 금, 원자재 펀드도 포함됩니다. 비교 기준으로 동일 가중, 역변동성, 고정 주식·채권 포트폴리오도…

주식멀티에셋모멘텀변동성
Machine Learning for Trading

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…

가상자산무기한 선물현물 시장모멘텀
Machine Learning for Trading

이 개요는 주식, 암호화폐, 외환, 선물, 옵션, 멀티자산 포트폴리오를 아우르는 9개 트레이딩 사례의 설정 데이터를 정리합니다. 각 사례의 투자 대상군, 데이터 빈도, 의사결정 주기, 비용 모형, 신호와 포지션 간 매핑을 비교합니다. 예시는 전략과 데이터셋에 따라 이러한 선택이 어떻게 달라지는지 보여주며, 거래 비용이 특히 큰 영향을 미치는 설정도 다룹니다. 노트북은 워크포워드 학습·검증 구간, 폴드 수, 별도로 보류한 홀드아웃 기간도 요약합니다. 핵심 연구…

멀티에셋백테스트리스크 관리주문 집행
Machine Learning for Trading

이 노트북은 백테스트와 실거래 파이프라인이 일관되게 작동하는지 확인하는 결정론적 프레임워크를 제시합니다. 가격 봉에서 의사결정으로 이어지는 특성 계산, 예측, 신호, 주문 규모 단계를 비교합니다. 고정된 합성 가격 테이프를 사용해 두 파이프라인에 동일한 입력을 제공하므로 시장 변동과 기술적 불일치를 더 쉽게 구분할 수 있습니다. 검사는 릴리스 게이트로 설계되었습니다. 예상하지 못한 차이가 있으면 테스트 묶음이 실패하고, 의도적인 차이는 명시적으로 정의하고…

백테스트주문 집행머신러닝통계
Machine Learning for Trading

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…

가상자산무기한 선물주문 집행머신러닝
Machine Learning for Trading

이 노트북은 NASDAQ ITCH에서 가져온 거래 및 주문 데이터로 미시구조 패턴을 살펴봅니다. 틱 단위 거래 수익률의 음의 1차 자기상관을 중간 가격 수익률과 비교하고, 유동성 수준이 다른 종목을 골라 거래 활동과 장중 변동성을 대조합니다. 주문 도착과 제출 규모도 살펴보며, 데이터 보강이 가능한 경우 취소 메시지의 부분 취소 거래량도 보고합니다. 매수 호가와 매도 호가에서 번갈아 체결되는 거래는 거래 가격을 기계적으로 지그재그로 움직일 수 있습니다.…

주식시장 미시구조통계주문 집행
Machine Learning for Trading

이 데모는 단일 주문 워크플로를 대형 US 주식의 고정 유니버스에 대한 일간 리밸런싱으로 확장합니다. 현재 브로커 포지션을 모델 목표와 비교하고 차이에 대한 주문을 구성한 뒤, 모의 거래 브로커 래퍼를 통해 바스켓 주문을 선택적으로 제출하는 방법을 설명합니다. 연결된 계좌가 모의 거래 계좌인지 확인하고 저장 상태를 브로커 포지션 및 미체결 주문과 대조하며, 포지션·주문·일일 손실 한도를 적용합니다. 워밍업 봉과 시세는 실행에 사용하는 브로커 세션에서…

주식주문 집행리스크 관리시장 미시구조
Machine Learning for Trading

이 사례 연구는 S&P 500 구성 종목의 등가격 스트래들을 매주 진입해 만기까지 보유하고 매일 델타 헤지를 하는 전략을 평가합니다. 만기 보유 수익률을 모형화하는 것이 핵심 방법론입니다. 옵션 포지션에는 진입 스프레드가 발생하지만 청산 스프레드는 없고, 헤지 거래에는 기초자산의 일일 비용이 발생합니다. 수익률과 스프레드가 옵션 프리미엄에 연동되는 경우 명목 금액의 베이시스 포인트로 표시한 비용이 마찰을 크게 과소평가할 수 있다고 설명합니다. 전략의 실행…

옵션변동성백테스트주문 집행
Machine Learning for Trading

이 노트북은 거래 비용 가정이 선택된 S&P 500 주식 및 옵션 배분의 검증 샤프에 미치는 영향을 평가합니다. 고정된 후보 집합에서 선택한 구성이 있으면 그 구성을 이어받고, 거래 명목 금액의 비율로 부과하는 편도 비용과 주당 수수료에 고정된 하프 스프레드를 더한 탐색적 비용을 여러 값으로 적용해 같은 계보를 다시 실행합니다. 선택된 수익률 경로의 불확실성을 보여주기 위해 블록 부트스트랩 구간도 함께 제시합니다. 두 비용 축은 서로 다른 관례를 나타내므로…

주식옵션주문 집행백테스트
Machine Learning for Trading

이 노트북은 브로커 래퍼가 주문 규모 및 포지션 한도, 주문 빈도 제한, 자산 제한, 지속형 킬 스위치로 위험한 주문을 거부하는 모습을 보여줍니다. 합성 브로커를 사용해 결정을 관찰할 수 있습니다. 주문 시도는 승인되거나 설명과 함께 차단되어 예제에서 연결 및 시장 데이터 동작과 리스크 검사를 분리해 볼 수 있습니다. 브로커로 주문을 보내지 않고 가상 포트폴리오에 체결과 포지션 취득원가를 기록하는 섀도 모드도 보여줍니다. 예제는 개별 주문 검사와 누적…

리스크 관리포지션 규모 설정주문 집행
Machine Learning for Trading

이 분석은 9개 자산 그룹에 속한 고정된 100 ETF 집합을 프로파일링합니다. 펀드와 연도별 데이터 범위를 확인하고, 가격 패널이 그룹 설정과 일치하는지 검증하며, 결측값과 OHLC 순서를 살펴보고 그룹별 거래량을 비교합니다. 종가가 이미 분할과 배당을 반영해 조정되었으므로 종가에서 바로 수익률을 계산할 수 있다는 점도 설명합니다. 연말 펀드 수는 상품이 출시되면서 증가한 뒤, 선정된 유니버스의 모든 펀드가 계속 상장되어 있어 일정하게 유지됩니다. 이…

멀티에셋통계리스크 관리백테스트
Machine Learning for Trading

이 노트북은 메시지별 주문 데이터를 사용해 단일 종목의 NASDAQ 지정가 주문장을 재구성하는 방법을 설명합니다. 주문 추가, 체결, 취소, 삭제, 대체를 처리하면서 각 활성 주문의 잔여 수량을 유지합니다. 주문 대체는 기존 주문 참조를 종료하고 새 참조를 만들며 이후 메시지가 새 참조를 가리킬 수 있으므로 특별히 처리해야 합니다. 결과 스냅샷에는 초당 주문 흐름 불균형과 함께 최우선 매수·매도호가 및 표시 수량을 기록합니다. 검사 및 해석의 한계도…

주식시장 미시구조주문 집행통계
Machine Learning for Trading

이 소스 모듈은 미국 주가, 지수 데이터, 옵션, 시장 미시구조, 펀더멘털, 기관 보유 데이터를 불러오는 기능을 제공합니다. 가장 자세한 방법론은 장중 거래 데이터의 재표본화입니다. 시가, 고가, 저가, 종가, 거래량에는 각각 적절한 첫 값, 최댓값, 최솟값, 마지막 값, 합계 연산을 적용하고, VWAP는 거래량 가중 평균으로 다시 계산해야 합니다. 특히 시가와 종가 무렵처럼 구간별 거래량이 달라질 때 단순 평균은 잘못된 값입니다. 적격 거래가 없는 구간의…

주식시장 미시구조주문 집행미국 시장
Machine Learning for Trading

이 노트북은 Yahoo Finance, 장기 미국 주식 아카이브, FRED 거시경제 시계열에 공통 OHLCV 인터페이스를 적용합니다. 후속 로테이션 사례 연구에 사용할 ETF 유니버스를 만들고, 과거 데이터와 현재 출처를 결합하는 방법 및 우선순위 기반 대체 방식을 설명합니다. 제공자별 행 수와 가격 수준도 비교해 차이를 드러내고 추적할 수 있게 합니다. 핵심은 차이의 형태와 출처에 따라 이를 해석하는 것입니다. 일별로 작은 차이는 반올림 때문일 수 있고,…

멀티에셋주식미국 시장주문 집행
Machine Learning for Trading

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…

주문 집행시장 미시구조리스크 관리선물
Machine Learning for Trading

이 노트북은 예측, 집중도, 배분 규칙을 고정한 채 성과가 좋은 ETF 배분 설정을 두 가지 비용 격자에서 다시 가격 책정합니다. 주식 수에 따라 ETF 거래 비용이 달라지는 사례 연구의 주당 수수료 및 스프레드 절반 모형과, 거래 금액에 비례해 비용을 부과하는 베이시스포인트 격자를 비교합니다. 여러 비용 수준에 등록된 백테스트를 통해 감소 곡선을 만들고, 순 샤프 지수가 0이 되는 지점이나 시험한 격자 범위에서 교차점이 얼마나 벗어나는지 확인할 수…

주식주문 집행백테스트포트폴리오 구성
Machine Learning for Trading

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…

가상자산무기한 선물주문 집행백테스트
Machine Learning for Trading

이 노트북은 포트폴리오 수익률부터 모의 거래까지 월간 ETF 로테이션 백테스트를 구축합니다. 후행 위험조정수익률을 기준으로 10개 펀드의 순위를 매기고, 미국 국채 수익률 곡선 국면에 따라 상위 펀드와 방어적 채권 배분 중 하나를 선택해 다음 거래일 시가에 체결합니다. 수수료, 현금 한도, 60/40 벤치마크도 동일한 시뮬레이터에서 처리합니다. 신호일에 이용할 수 있었던 정보만 사용하고 날짜, 가격, 비용이 일치하는 포트폴리오끼리 비교하는 절차를 강조합니다.…

백테스트모멘텀주문 집행포트폴리오 구성