Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 45개
이 노트북은 상장 옵션 신호를 읽고 기초 주식을 거래하는 전략에 사용할 선행 수익률 레이블을 만듭니다. 일별 주가에 액면분할과 배당을 반영하고, 지속적으로 유지되는 종목 식별자를 사용하며, 예정된 진입 및 청산 시점에 체결 가능한 가격 간의 수익률을 정의합니다. 각 선행 구간이 완전한지, 하나의 종목 안에 머무르는지 확인하고, 단순히 이용 가능한 행을 이동하는 대신 거래 세션 수를 셉니다. 레이블에는 보유 기간별 수익률, 위험 조정, 방향성 변형이…
이 노트북은 모델 예측 집합을 비교 가능한 S&P 500 옵션 백테스트로 변환합니다. 매주 의사결정일에 예측 수익률을 순위화하고 유동성 유니버스에서 순위가 가장 높은 종목을 골라 동일 가중 등가격 스트래들을 매도합니다. 포지션은 만기까지 보유하고 내재가치로 현금 결제합니다. 기초자산 델타를 관찰하다 임계값을 넘으면 헤지합니다. 모델 계열을 더 잘 비교할 수 있도록 보유 종목 수를 바꾸고 나머지 전략 설정은 고정합니다. 이름을 붙인 고정 예측 집합 및 백테스트…
이 설정 노트는 백테스트 식별 정보에 포함되는 설정과 모의 거래 비용에 실제로 영향을 주는 설정을 구분합니다. 설명된 사례 연구에서 등록된 모든 실행은 벡터화된 만기 청산 경로를 사용합니다. 설정된 체결 가격, 수수료율, 슬리피지율 필드는 이 경로에 전달되지 않으며, 호가 기준 체결은 벡터화 실행에서 생성하지 않는 이벤트 기반 브로커에 속합니다. 이 설정을 제거하면 기존 실행의 해시 식별 정보가 바뀌므로 설정에 그대로 남아 있습니다. 실제 비용은 설정…
이 노트북은 같은 종목, 같은 만기의 등가격 콜옵션과 풋옵션을 매도하고 만기까지 보유하는 전략의 후보 특성을 선별합니다. 각 특성에 대해 이용 가능한 종목을 향후 스트래들 결과와 같은 순서로 순위를 매기는지 측정합니다. 분석은 일별 횡단면 순위 일치도를 계산해 시간에 따라 평균하고, 포지션 중첩을 반영해 불확실성 추정치를 넓힙니다. 여러 후보를 테스트하는 유의성 선별도 조정하고 검증 기간 사이에 연관성이 유지되는지 확인합니다. 결과 기록표는 후속 연구 간…
이 노트북은 주식 및 옵션 연구에서 나온 검증 예측을 롱 온리 주식 포트폴리오로 바꿔 평가합니다. 동일 가중 상위 K개 기준 전략을 사용하고 여러 포트폴리오 집중도를 비교하며 레이블별 의사결정 주기를 따릅니다. 종가에 만든 신호는 다음으로 이용 가능한 시가에 실행하며, 시드가 고정된 무작위 신호 실행은 시스템 연결을 점검하는 데 사용합니다. 검증 날짜의 커버리지가 서로 비슷한지 확인한 뒤 후보 결과 순위를 매깁니다. 불확실성 분석에는 블록 부트스트랩 구간과…
이 노트북은 S&P 500 종목의 단기 등가격 스트래들을 위한 미래 수익률 레이블을 만듭니다. 일별 30일 스트래들 패널은 매 세션 행사가나 만기가 바뀌므로 가격 시계열을 단순히 이동하면 서로 다른 계약을 비교하게 됩니다. 대신 원시 옵션 체인에서 기호, 행사가, 만기로 각 진입 계약을 추적해 진입 시점과 청산 또는 결제 시점에 동일한 포지션의 가격을 산정합니다. 고정 기간 및 델타 헤지 변형도 만들고, 누락 레이블의 원인을 확인하며, 각 계약의 결제일을…
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 연구는 금융 특성과 GJR-GARCH 변동성 특성을 미래 주식 수익률과 비교해 선별합니다. 각 세션에서 종목 간 특성값과 이후 수익률의 순위 상관을 계산한 뒤, 평균 연관성, 워크포워드 검증 구간 간 일관성, 여러 후보를 검정한 뒤 결과의 신뢰성을 평가합니다. 예측 연관성을 측정하기 전에 특성의 데이터 범위와 오래된 값도 점검하고 각 특성에 대한 판정을 기록합니다. 분석에는 개발 데이터를 사용하고, 홀드아웃은 나중에 선택한 설정을 위해 남겨둡니다. 미래…
이 문서는 블랙-숄즈 모형으로 유럽형 콜·풋 가격을 도출하고, 풋-콜 패리티로 둘의 관계를 확인하며, 관측된 옵션 가격에 맞는 변동성을 수치적으로 풀어 내재변동성을 계산합니다. 또한 델타, 감마, 베가, 세타, 로를 정의하고, 머니니스와 만기까지 남은 시간에 따라 민감도가 어떻게 달라지는지 차트로 설명합니다. 일정한 변동성, 연속 거래, 유럽형 권리 행사 등 모형의 가정을 시장 현실과 대조해 결과가 달라질 수 있는 지점을 설명합니다. 계산 결과를 S&P…
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 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 노트북은 옵션 표면 특성을 포함한 주식 패널에 도구변수 주성분 분석(IPCA)을 적용하는 방법을 설명합니다. 각 종목의 수익률 이력에서 익스포저를 추정하는 일반 PCA과 달리, IPCA는 내재 변동성, 스큐, 기간 구조, 내재 분산과 실현 분산의 차이 등 종목별 날짜 특성의 공통 선형 함수로 익스포저를 모델링합니다. 교대 최소제곱법은 공통 팩터 수익률과 함께 이 매핑을 추정합니다. 특성으로 익스포저를 계산하므로 연속적인 수익률 이력이 없는 종목을 포함한…
이 노트북은 일반적인 목표 비중 리스크 오버레이로 설명된 S&P 500 숏 스트래들 전략을 제어할 수 없는 이유를 설명합니다. 옵션 엔진은 주간 코호트에 고정된 자본 비율을 배정하고 각 코호트 안에서 비중을 정규화합니다. 따라서 비중을 조정해도 정규화 과정에서 원래대로 돌아가며, 오버레이가 새로 배정할 현금도 남지 않습니다. 헤지 임계값, 결제, 비용, 코호트 수처럼 전략에 영향을 주는 제어는 이후 비중 변환이 아니라 전략 명세에 포함해야 합니다. 노트북은…
이 노트북은 상장 옵션 데이터를 읽어 주식 순위를 매긴 다음 해당 주식을 보유하는 전략에 사용할 선행 주식 수익률 라벨을 만듭니다. 기업 행위를 반영한 조정 가격 시계열을 생성하고 지속적인 증권 ID로 기업을 식별한 다음, 각 선행 구간이 완전한지, 하나의 증권에 속하는지, 거래 세션 단위로 측정되는지 확인합니다. 이용할 수 없는 수익률을 명시적으로 처리해 방향 라벨도 도출합니다. 보유 기간과 검증 퍼지 버퍼를 구분하고 신호 관측 시점이 아니라 결과 확정…
이 사례 연구는 상장 옵션 정보가 S&P 500 주식 선정에 도움이 되는지 살펴봅니다. 2017년부터 2021년까지 633개 주식의 일별 주가와 옵션 내재 변동성 수준, 스큐, 기간 구조, 분산 위험 프리미엄 지표를 결합합니다. 옵션 특성값에는 시차를 두고, 금요일 데이터로 포트폴리오를 정한 뒤 다음 월요일 시가에 거래를 시작합니다. 연구 워크플로는 수익률 라벨, 특성 구성, 여러 모델군, 포트폴리오 배분, 위험 통제, 거래 비용, 후속 기간 평가를…
이 문서는 주간 S&P 500 옵션 전략의 특수 백테스트를 설명합니다. 각 코호트는 순위가 높은 구성 종목을 선택해 만기가 대략 한 달 남은 등가격 부근 콜옵션과 풋옵션을 매도하고, 순델타가 임계값을 넘으면 주식으로 델타 헤지를 합니다. 만기에는 포지션을 내재가치로 결제합니다. 호가가 일찍 끊기거나 보유 한도에 도달한 계약은 정해진 청산 규칙에 따라 마지막으로 이용 가능한 마크 가격이나 매도 호가로 다시 매수합니다. 포트폴리오 회계에는 겹치는 코호트, 고정…
이 노트북은 도구변수 주성분 분석(IPCA)을 설명합니다. 공통 요인을 추정하면서 각 주식의 요인 익스포저를 같은 날의 옵션 표면 특성으로 이루어진 공통 선형 함수로 표현합니다. 이러한 특성에는 내재 변동성, 풋콜 스큐, 기간 구조 기울기, 내재 분산과 실현 분산이 포함됩니다. 교대 최소제곱법으로 특성에서 익스포저로 이어지는 매핑과 요인 수익률을 적합합니다. 노트북은 이를 수익률 이력에서 익스포저를 구하며 균형 패널이 필요한 일반 PCA와 비교합니다. 제안된…
이 탐색적 분석은 옵션 계약과 체인 구조를 소개한 뒤, 여덟 개 기초자산의 S&P 500 옵션 2020 표본을 살펴봅니다. 머니니스, 내재가치와 시간가치, 내재변동성, 그릭스를 설명하고 행사가, 만기, 콜·풋 구분이 어떻게 다차원 체인을 이루는지 보여줍니다. 변동성 스마일, 스큐, 기간 구조를 살펴보며, 솔버 상태와 그릭스 유효성 검사를 데이터 정제에 활용합니다. 노트북은 머니니스별 매수·매도 호가 스프레드와 내재변동성 변화와 이후 기초자산 수익률 사이의…
이 노트북은 스트래들을 매도하는 S&P 500 옵션 전략의 포트폴리오 가중 규칙을 비교합니다. 선택된 종목과 다른 전략 설정은 고정하고 동일가중 기준선을 모델 예측 또는 기초자산 수익률 리스크 추정치를 활용하는 배분기로 대체합니다. 비교 옵션은 점수 가중, 변동성 역수, 리스크 패리티, 계층적 리스크 패리티, 축소 평균분산 최적화, 예측 구간 너비에 기반한 컨포멀 가중입니다. 워크플로는 선택 전에 변경 불가능한 후보 세트를 고정하고, 모델 설정을 검증 샤프로…
이 노트북은 앙상블 구성원 간에 2층 특성 네트워크를 공유하는 표 형식 신경망 구조 TabM을 적용합니다. 각 구성원은 자체적으로 학습한 벡터로 공유 표현의 크기를 조정하고 자체 출력층을 사용합니다. 구성원 예측을 평균하면 완전한 네트워크를 각각 학습하는 것보다 낮은 비용으로 앙상블 다양성을 유지하는 것이 목표입니다. 사전에 지정한 세 설정은 다른 학습 설정을 고정한 채 층 너비와 구성원 수를 다르게 하며, 목표값은 숏 스트래들 수익률입니다. 워크플로는 적합…
이 노트북은 이전에 선택한 S&P 500 옵션 모델의 아웃오브샘플 예측 세트를 만드는 방법을 설명합니다. 검증 결과로 설정을 고정하고, 홀드아웃 이전 데이터로 해당 설정을 다시 학습한 뒤 홀드아웃 구간 예측을 등록합니다. 학습 식별 정보를 확인해 실제 재학습과 검증 학습 실행에 잘못 연결된 예측을 구별합니다. 고정 기간 목표와 달리 만기까지의 수익률은 나중에 확정되므로 학습 종료 시점에는 전체 옵션 주기만큼의 라벨 버퍼도 포함합니다. 노트북은 선택한…
이 노트북은 사전에 정의한 모델 집합의 하나로 PatchTST를 학습해 S&P 500 옵션을 연구합니다. 과거 시계열을 고정 길이 패치로 나누고 토큰으로 임베딩한 뒤, 어텐션을 사용해 구간 내 위치 간 관계를 학습합니다. LSTM의 단계별 순환과 비교하면 어텐션은 떨어진 시퀀스 구간을 직접 연결하고 구간 전체를 병렬 처리할 수 있습니다. 순서 정보는 위치 임베딩을 통해 학습해야 하며, 매개변수 수가 많아 데이터가 제한적일 때 학습이 더 어려울 수 있습니다.…
S&P 500 옵션을 대상으로 선형 모델, 그래디언트 부스팅, 표 형식 딥러닝, 시퀀스 모델의 검증 예측을 비교하는 방법을 설명합니다. 진단 결과를 제시하기 전에 등록된 각 예측 모집단이 적격성 조건을 충족하며 완전한지, 모든 모집단이 동일한 교차 검증 식별자를 공유하는지 확인합니다. 시퀀스 모델은 과거 이력이 필요하므로 적격 행이 다릅니다. 비교는 적격 그룹이 일치할 때 의미가 있으며, 모델 계열 간에 자동으로 비교할 수 있는 것은 아닙니다. 폴드별 정보…
이 노트북은 S&P 500 옵션을 대상으로 선언된 3개 모델 시퀀스 학습 집단 중 NLinear 모델을 실행합니다. 이 모델을 학습하기 전에 전체 집단의 요청과 체크포인트를 확정하므로, 후속 노트북에서 같은 스냅샷을 기준으로 LSTM 및 PatchTST 모델을 실행할 수 있습니다. 장치도 학습 정체성의 일부로 간주합니다. CPU와 GPU 연산에서 서로 다른 학습 가중치가 나올 수 있으므로, 표준 장치가 아닌 경우 별도의 집단 이름이 필요합니다. 이 워크플로는…