Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 322개
이 노트북은 사전학습 시계열 파운데이션 모델 Chronos와 TinyTimeMixer를 LSTM 및 페널티가 적용된 선형 기준 모델과 ETF 패널에서 비교합니다. 각 모델은 단변량 과거 데이터를 입력받습니다. 사전학습 모델은 해당 시계열을 예측하고 예측 경로의 평균을 횡단면 순위 점수로 사용하며, 적합된 기준 모델은 선행 수익률을 직접 예측합니다. 제로샷 모델에는 예측 목표와 기간이 수익률 레이블과 맞지 않으므로 순위 정보계수를 사용합니다. 실험은 모델에…
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 노트북은 단일 3월 2020 거래일에 발생한 각 AAPL 거래의 당시 최우선 매수·매도 호가를 재구성한 뒤 리–레디 방식으로 매수자와 매도자 중 누가 거래를 주도했는지 추론합니다. 호가와 거래 이벤트를 타임스탬프순으로 교차 배치하고, 가장 최근 매수·매도 호가를 이어 붙인 다음 각 거래 가격을 호가 중간 가격과 비교합니다. 중간 가격에서 벗어난 거래는 호가 검정으로 분류하고, 중간 가격 거래에는 직전 가격 변동 방향을 틱 검정으로 사용합니다. 이렇게…
이 노트북은 12~-2개월 모멘텀이 베타, 고유 변동성, 시가총액, 분산을 조정한 뒤 다음 달 US 기업 수익률을 예측하는지 확장 윈도우 이중 머신러닝 분석으로 살펴봅니다. 이전 달 데이터를 사용해 교란 요인 모델을 적합하고, 학습 기간과 테스트 기간 사이에 엠바고를 적용하며, 마지막 2016 홀드아웃은 제외합니다. 조정 추정치를 동일한 아웃오브폴드 관측치에서 구한 단순 OLS와 비교하고, 시간 및 기업 간 의존성을 고려해 Driscoll-Kraay 추론을…
이 노트북은 SEC 8-K 공시에서 구조화된 기업 사건 정보를 추출해 Neo4j 지식 그래프에 적재하는 파이프라인을 제시합니다. 언어 모델은 공시를 일괄 처리해 주체, 관계, 객체, 타임스탬프를 포함한 이벤트 레코드를 생성합니다. 명시적인 이벤트 및 관계 스키마를 사용하고 모델 출력을 검증하며 엔터티 형식을 정규화합니다. 지원되지 않는 관계, 날짜, 범주는 검토를 위해 미확정 상태로 둡니다. 콘텐츠 해시, 안정적인 이벤트 및 실행 식별자, 그래프 스냅샷을…
이 노트북은 기업 특성 데이터셋에서 XGBoost, LightGBM, CatBoost의 Optuna 하이퍼파라미터 탐색을 비교합니다. 각 라이브러리에서 트리 구조 Parzen 추정기, 중앙값 가지치기, 조기 종료, 영구 저장소를 사용하는 탐색 실험을 별도로 진행합니다. 평균제곱오차와 평균절대오차 중 선택을 범주형 하이퍼파라미터로 포함하고, 평균 횡단면 정보계수로 검증 성능을 측정합니다. 노트북은 이 데이터셋의 두꺼운 꼬리 수익률에서 MAE 손실 함수가 세…
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…
이 학습 유틸리티는 DeePM 스타일 모형의 최적화 루프를 설명합니다. 미래 수익률, 변동성 스케일링, 마스크, 거래 비용, 설정된 워밍업 및 소프트 최소화 설정을 전달하며 강건한 샤프 지향 손실을 사용해 AdamW로 모형 매개변수를 업데이트합니다. 유한하지 않은 손실은 건너뛰며, 각 최적화 단계 전에 그래디언트를 클리핑할 수 있습니다. 정해진 간격으로 모형을 여러 배치에서 통합한 검증 수익률로 평가합니다. 학습 목적 함수와 샤프 지표를 검증 샤프와 함께…
이 사례 연구는 ETF 수익률 레이블에 그래디언트 부스팅 트리를 적합하고, 강한 릿지 정규화에서 좋은 성과를 보인 선형 기준선과 비교합니다. 트리는 시장 스트레스 국면에 따라 모멘텀이 다르게 작동하는 경우처럼 상호작용을 찾을 수 있지만, 탐욕적 분할은 릿지가 결합할 수 있는 상관된 피처 중 하나를 임의로 선택할 수 있는 이유를 설명합니다. 그리드는 트리의 용량과 손실 함수를 바꾸고 학습 중 여러 체크포인트에서 각 설정을 평가합니다. 보고된 학습 곡선에 따르면…
이 탐색 분석은 과거 US 주식 패널의 원시 및 수정 가격 필드를 살펴보고 시간에 따른 종목 범위를 분석합니다. 연도별 활성 종목 수와 최초·최종 관측치를 비교해 데이터셋이 과거 검증에 적합한지 이해하려면 진입과 퇴출 흐름을 모두 봐야 하는 이유를 설명합니다. 중단된 커뮤니티 관리 데이터 출처는 패널의 범위를 해석하는 데 핵심적입니다. 분석에 따르면 기록된 퇴출은 2014 무렵부터 나타나지만, 기업들은 그보다 일찍 시장을 떠났습니다. 파일의 구성과 관리 방식…
이 노트북은 GJR-GARCH 모형을 사용해 S&P 500 주식·옵션 연구의 조건부 변동성 피처를 생성합니다. 과거 가격에 기반한 고정 규칙과 달리, 적합된 피처는 추정 기간에 따라 달라집니다. 따라서 재적합 일정을 명시하고, 이전 관측치만으로 매개변수를 추정하며, 생성 시점과 폴드 식별 정보를 보존해 어떤 정보 집합에서 값이 나왔는지 추적합니다. 또한 재귀 초기화와 경계값을 추정 기간에 고정해 이후 데이터가 과거 피처 값에 영향을 주지 않게 합니다. 이…
이 문서는 사례 연구의 Parquet 데이터로 피처 스토어 개념을 직접 보여줍니다. 피처 뷰는 엔터티 키, 이벤트 시각, 사용 가능 기간, 피처 열을 지정합니다. 모델 학습에서는 과거 값을 해당 시점에 알 수 있었던 의사결정 시각에 맞춰 조인하고, 실사용에서는 의사결정 시점까지 이용 가능했던 최신 값을 조회합니다. 이 규칙을 일치시키면 학습·서빙 간 편향을 방지하는 데 도움이 됩니다. 워크플로는 사례 연구의 교차 검증 구간 경계에서 학습 및 서빙 날짜를…
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…
이 문서는 금융 데이터 정제 방법과 전처리를 학습 데이터와 테스트 데이터 분할에 맞추는 방법을 소개합니다. 핵심은 스케일링이나 윈저화 같은 변환을 학습 데이터만으로 추정하는 것입니다. 전체 데이터셋을 사용하면 미래 관측치 정보가 모델 개발에 유입될 수 있습니다. 중복 처리, 도메인 필터, 결측 구간 표시, 반전 급등 탐지, 이상치 클리핑, 범주형 인코딩, 주기가 다른 데이터셋 정렬 등 재사용 가능한 작업을 설명합니다. 노트북은 주식, ETF 및 기타 시장…
이 문서는 벤치마킹, 위험 귀속, 팩터 연구에 활용할 수 있는 공개 Fama-French 및 AQR 팩터 수익률 데이터셋을 소개합니다. Fama-French 라이브러리의 시장, 규모, 가치, 수익성, 투자, 모멘텀 팩터와 품질, 저베타, 대안적 가치 개념을 다루는 AQR 시리즈를 설명합니다. 데이터는 월별로 제공되며, 로더에서 일별 Fama-French 데이터와 날짜 범위 필터링도 지원합니다. 워크플로는 데이터셋 다운로드와 캐싱, 로드 및 프로파일링, 월별…
이 노트북은 기관의 13F 공시를 운용사와 주식을 연결하는 이분 그래프로 변환한 뒤 주식 단위의 보유 특성을 도출합니다. 같은 운용사와 주식의 중복 포지션을 합산하고 발행사 이름을 표준화하며 옵션 행을 제외합니다. 공시 누락을 청산으로 잘못 해석하지 않도록 완전한 보고 분기를 사용합니다. 공시일로 전체 선정 운용사의 스냅샷을 언제부터 이용할 수 있는지 판단하므로 시점별 연구를 지원합니다. 분석에서는 운용사 보유 내역으로 주식 간 코사인 유사도, 보유 폭과…
이 노트북은 시계열 관측값의 순서와 결합된 형태를 보존하는 고정 길이 특성인 경로 시그니처를 설명합니다. 첫 번째 시그니처 차수는 전체 변화를 기록하고, 두 번째 차수 항은 좌표 쌍 사이의 부호 있는 면적을 담습니다. 시간을 경로 좌표에 추가하면 총수익률은 같더라도 가격 경로가 다른 경우를 구별할 수 있고, 거래량을 더하면 가격과 거래량의 동반 움직임을 나타내는 특성을 만들 수 있습니다. 중복 특성을 줄이는 로그 시그니처를 권장하며, 차수가 높아질수록 특성…
이 문서는 트레이딩 사례 전반의 모델 학습, 예측, 인과 추정, 백테스트를 기록하는 실행 로그 시스템을 설명합니다. 사례 설정에서 학습 메뉴와 모델 사전 설정으로 이어진 구성이 데이터 파일, 특성 열, 폴드 날짜, 예측 행, 전처리, 추정기 매개변수, 소프트웨어 버전을 포함한 확정 명세가 되는 과정을 다룹니다. 이 명세의 표준화된 표현으로 실행 식별자를 만듭니다. 아카이브는 학습 실행, 예측 집합, 백테스트를 3단계 엔터티 모델로 연결하고 인과 실행은 별도…
이 노트북은 기관의 13F 보유 내역을 운용사와 주식을 연결하는 그래프로 만들고, 섹터 관계와 주식 수, 가치, 보고 기간, 공시일을 담은 보유 관계를 추가합니다. 공동 보유와 다단계 관계에 대한 그래프 질의를 보여주고, 자카드 유사도로 운용사 간 보유 종목을 비교합니다. 증권 식별자는 CUSIP이며, 이를 통해 발행사 이름의 표기 변형을 별개 주식으로 취급하지 않습니다. 초기 보고 기간을 기준으로 투자 대상군을 정해 이후 보유 내역이 과거의 코호트 구성을…
이 노트북은 가우시안 혼합 모형을 사용해 주식, 채권, 통화, 원자재의 요인 및 시장 시계열 9개에서 월간 수익률을 군집화합니다. 불완전한 데이터가 있는 달을 제외한 뒤, 척도 차이가 군집화를 좌우하지 않도록 시계열을 표준화합니다. 서로 다른 특성에 가치를 두는 기준으로 후보 군집 수를 비교하고, 시간에 따른 변화와 날짜가 기록된 사건을 바탕으로 결과 그룹을 살펴봅니다. 각 군집 안의 요인 성과는 전체 평균이 조건부 수익률과 분산투자 양상을 어떻게 가릴 수…
이 노트북은 회계 및 가격 기반 특성 57개를 각각 다음 달 US 주식 수익률의 예측 변수로 평가합니다. 월별 횡단면 순위 상관관계를 계산해 시간에 따라 평균을 내고, 시계열 의존성과 다수 후보 검정을 고려해 불확실성을 조정합니다. 워크포워드 학습·검증 구간에서 연관성이 지속되는지도 확인하고, 효과 크기, 일관성, 유의성, 중복성을 바탕으로 특성별 결정을 내립니다. 증거의 범위는 명시적으로 개발 표본에 한정됩니다. 보류 기간은 제외하며, 결과 장부에는 후속…
이 장은 트레이딩 아이디어를 문서화된 특성 명세로 바꾸는 프레임워크를 제시합니다. 연구자는 특성의 시간 범위를 의도한 의사결정에 맞추고, 구동 요인 가설을 밝히며, 예측 신호와 맥락을 설명하는 상태 변수를 구분해야 합니다. 기준 관점, 표현 방식, 집계 방법은 경제적 주장에 따라 정해야 합니다. 가설을 바꾸는 변환과 주로 노이즈를 조절하는 변환도 구별해야 합니다. 이 장은 가격·거래량 특성, 시장 미시구조, 상품 간 관계, 파생상품 내재 지표, 펀더멘털,…
이 가이드는 인과 효과 추정과 인과 구조 발견을 구분하고, 일반적인 연구 질문에 적합한 파이썬 라이브러리를 안내합니다. 조정 구조를 알고 있거나 명시적으로 지정한 경우 EconML과 DoWhy로 효과를 추정할 수 있으며, Tigramite와 causal-learn은 시계열 또는 횡단면 데이터에서 구조를 제안합니다. 이산 처치에 초점을 둔 CausalML이나 베이지안 구조적 시계열 방법이 더 적합할 수 있는 경우도 설명합니다. 선택은 처치 유형, 데이터 형태,…
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…