지식 라이브러리

이 노트북은 은닉 마르코프 모델이 수익률과 최근 변동성으로 관측되지 않은 시장 상태를 추론하는 방법을 설명합니다. 먼저 스트레스는 변동성 지수 임계값으로, 추세는 장기 이동평균 대비 가격으로 판단하는 간단한 비교 규칙을 설정합니다. 두 상태 예시는 현재 세션까지 이용 가능한 관측치로 상태 확률을 갱신하는 전방 알고리즘을 보여줍니다. 노트북은 전체 관측 시퀀스를 사용하는 평활 확률과 필터링 확률을 구분하고, 추론이 필터링 방식이어도 전체 표본으로 추정한 모델…

이 노트북은 불완전하거나 서로 맞지 않는 평가 표본이 결과를 왜곡하지 않도록 S&P 500 옵션 예측 모델을 비교하는 방법을 설명합니다. 각 모델을 계열, 설정, 체크포인트별로 식별하고, 예측이 등록된 적격성 계약을 충족하는지 확인하며, 모집단이 동일한 교차검증 식별자를 공유하는지도 검증합니다. 시퀀스 모델은 과거 관측 이력이 필요해 더 적은 행을 포함할 수 있습니다. 따라서 적격성 그룹이 다른 모델끼리 비교하면 모델 차이와 표본 차이가 뒤섞입니다. 폴드별로…

이 노트북은 Ridge 회귀와 세 가지 컨포멀 방법인 분할 컨포멀 예측, 컨포멀화 분위수 회귀, 적응형 컨포멀 추론을 사용해 ETF 선행 수익률의 불확실성 구간을 만듭니다. 워크포워드 폴드로 이를 평가하고, 유한 표본 보정 규칙을 설명합니다. 보간된 분위수가 아니라 필요한 순위에 해당하는 보정 점수를 선택합니다. 적응형 컨포멀 추론은 시간에 따라 미포괄률 목표를 갱신하며, 선행 수익률 레이블이 확정될 때까지 피드백을 지연합니다. 분석에서는 전체 커버리지뿐…

이 노트북은 처치 전 통제 변수 여섯 개를 조정한 뒤 무기한 선물 프리미엄 Z 점수가 다음 8시간 수익률과 연관되는지 이중 머신러닝으로 추정합니다. 별도 적합과 처치·국면 상호작용을 사용해 고변동성 국면과 저변동성 국면의 효과를 비교합니다. 데이터는 여러 심볼의 패널로 구성되므로 교차 적합, 엠바고 적용, Driscoll–Kraay 표준 오차 계산 시 각 타임스탬프를 하나의 의사결정 기간으로 취급합니다. 노트북은 시간적 지속성을 유지하면서 심볼별 처치값을…

이 노트북은 특성에 따라 달라지는 팩터 로딩과 잠재 팩터의 곱으로 주식 수익률을 모델링하는 조건부 오토인코더를 설명합니다. 먼저 횡단면 공동 최소제곱 적합으로 특성 관리 포트폴리오 수익률을 추정하고, 이어 신경망을 학습시켜 같은 시점의 수익률을 재구성합니다. 별도의 워크포워드 어댑터는 다음 팩터 값을 예측하고 현재 특성에 적용해 다음 날 주식 수익률을 예측합니다. 워크플로는 가격에서 산출한 특성 다섯 가지와 학습 데이터로 정의한 유동성 주식 유니버스를…

이 노트북은 US 주식 패널에서 정렬된 주식 특성 구간으로 수익률을 예측하는 LSTM 모델을 설명합니다. 평면형 표 형식 모델과 달리 LSTM는 세션을 순차적으로 처리하고 각 구간에 걸쳐 은닉 상태를 유지합니다. 학습된 게이트는 새 정보 중 어떤 것을 상태에 넣을지, 기존 정보 중 어떤 것을 버릴지, 다음 단계에 무엇을 전달할지 조절합니다. 설정에는 여러 순환 계층이 쌓이며, 각 구성마다 여러 에포크 체크포인트를 저장합니다. 학습 예제는 같은 종목의 세션이…

이 노트북은 합성 금융 시계열을 생성하는 순환 생성적 적대 신경망인 TimeGAN을 소개합니다. 다섯 가지 모듈이 임베딩과 복원을 학습하고, 다음 잠재 상태를 예측하며, 노이즈에서 시계열을 생성하고, 생성된 시계열과 실제 시계열을 구별합니다. 학습은 표현 학습, 시간적 지도 학습, 공동 적대 학습 순으로 진행됩니다. 예제에서는 US 주식 패널의 일별 로그 수익률을 사용하고, 평가를 위해 데이터의 가장 최근 구간을 홀드아웃합니다. 평가에서는 분포 점검,…

이 노트북은 1년 동안 두 가지 US 주식 선형 모델 설정에서 나온 실제 검증 예측 오차에 순차 감지기 두 개를 적용합니다. 두 구간 평균 변화 감지기는 오차 크기의 변화를 찾고, 오답 빈도 모니터는 방향 예측이 틀리는 빈도를 추적합니다. 각 감지기는 초기 기간에 보정한 뒤 이후 세션을 모니터링하므로 평가 대상 기간에 맞춰 임계값을 조정하지 않습니다. 경보를 롤링 변동성 기반 시장 혼란 대리 지표와 비교하고, 혼란 구간까지의 부호 있는 거리를 기록해 조기…

이 노트북은 ETF의 선행 수익률을 예측하는 지도 오토인코더를 소개합니다. 네트워크는 펀드의 특성 행을 저차원 표현으로 압축하고, 그 표현에서 직접 수익률을 예측합니다. 같은 모델 계열의 조건부 오토인코더와 달리, 수익률이 소수의 공통 팩터에서 생성된다고 가정하지 않습니다. 재구성 손실과 수익률 예측 손실을 함께 학습하므로 목표 레이블을 바꾸면 별도로 적합한 모델이 만들어집니다. 노트북은 예정된 각 학습 체크포인트에서 예측값을 공개하고, 검증 정보계수로…

이 문서는 기존 워크포워드 검증 명세에서 단일 홀드아웃 학습 구간을 도출하는 방법을 설명합니다. 연구 설정에 선언된 홀드아웃 날짜를 가져오고, 검증 폴드 전체에서 가장 이른 학습 시작일을 사용하며, 가장 긴 레이블 버퍼를 포함하는 간격을 남기도록 학습을 충분히 일찍 끝냅니다. 이 버퍼는 학습 결과가 홀드아웃 평가를 위해 남겨둔 기간까지 닿지 않게 합니다. 특성 데이터가 폴드별로 더 좁은 과거 구간에만 존재한다면, 학습 시작일 하한을 두어 해당 특성이 실제로…

이 분석은 9개 트레이딩 사례의 특징 선별 대장을 비교합니다. 벤자미니–호크버그 거짓 발견률 유의성과, 사례별 효과 크기 하한 및 폴드별 부호 안정성을 결합하는 두 번째 PROCEED 결정 경로를 구분합니다. 결정이 두 경로의 합집합을 따르므로 PROCEED 특징 수가 FDR 기준을 통과한 수보다 많을 수 있습니다. 이어 각 사례의 PROCEED 비중과 검증 및 홀드아웃 Sharpe를 대응시켜 특징의 생존 여부가 전략의 생존 여부를 예측하는지 탐색합니다.…

이 노트북은 금융 문장 감성을 3개 클래스로 분류하도록 트랜스포머 체크포인트 3개를 미세 조정하고 정확도, 매크로 평균 F1, 혼동 행렬, 파라미터 수, 학습 시간을 비교합니다. Financial PhraseBank를 학습·검증·테스트로 계층 분할하고, 일반 난수와 Trainer 난수의 시드를 설정하며, 동적 배치 패딩을 적용합니다. 모델에는 특정 도메인용 FinBERT 체크포인트와 범용 체크포인트 2개가 포함됩니다. 핵심 교훈은 테스트 점수를 해석하기 전에…

이 노트북은 캐리, 모멘텀, 변동성처럼 설계된 특징이 아니라 CME 선물 수익률 패널에서 주성분 요인을 구성합니다. PCA은 상품 간 변동을 설명하는 방향을 찾습니다. 첫 번째 요인은 공통 시장 움직임과 비슷할 수 있고, 이후 요인은 섹터 간 동조 움직임을 반영할 수 있습니다. 이러한 패턴은 섹터 레이블을 미리 반영하지 않으며, 주성분은 예측력이 아니라 설명 분산 순으로 배열됩니다. 예측에서는 수익률을 주성분에 투영하고 확장창 평균을 사용해 요인 수익률을…

이 문서는 선물 수익률을 위한 두 가지 잠재 요인 접근법을 소개합니다. 주성분 분석은 수익률 변동을 가장 많이 설명하는 비상관 방향을 찾고, 신경망 확률적 할인인자는 기대수익률의 횡단면 가격결정과 관련된 조합을 찾으며 캐리나 변동성과 같은 상품 특성을 활용할 수 있습니다. 따라서 두 방법은 서로 다른 질문에 답합니다. 광범위한 동조 움직임과 가격에 반영될 수 있는 수익률 구조를 다루며, 추정된 요인의 경제적 의미는 추가 해석이 필요합니다. 두 접근법은 미래…

이 노트북은 등가격 스트래들을 매도해 만기까지 보유하는 전략의 후보 특징을 선별합니다. 각 거래일에 특징별 가용 종목의 횡단면 순위를 만기 시점 스트래들 결과의 순위와 비교한 뒤, 검증 기간에 걸친 순위 일치도를 평균합니다. 여러 후보를 함께 시험하므로 중첩 포지션에 따른 불확실성을 조정하고 거짓 발견을 통제합니다. 워크플로는 데이터 범위와 오래된 값도 점검하고 기간별 일관성을 비교하며, 근거와 처리 결정을 선별 대장에 기록합니다. 통계적 선별과 모델 선택을…

이 문서는 관측일의 수정 종가와 이후 거래 세션의 가격을 사용해 ETF의 일별 선행 수익률 레이블을 만드는 방법을 설명합니다. 월 단위 기본 레이블과 더 짧은 주 단위 변형을 만들며, 적격성 필터를 적용하기 전에 각 심볼의 전체 정렬 가격 이력을 바탕으로 레이블을 계산합니다. 단언문으로 미완성 후반 구간, 이례적으로 긴 달력상 기간, 심볼 경계, 레이블 유형을 확인합니다. 노트북은 결과 기간의 중첩, 수익률 구간이 홀드아웃 내에서 끝나는 개발 행의 제거,…

이 노트북은 ETF 미래 수익률 예측에 대해 분할 컨포멀 예측, 컨포멀화 분위수 회귀, 적응형 컨포멀 추론을 비교합니다. 워크포워드 폴드에서는 한 부분으로 학습하고, 다른 부분에서 구간 오차를 보정한 뒤 이후 관측값을 평가합니다. 분할 컨포멀은 보정 잔차 순위를 사용해 구간 너비를 정합니다. CQR는 보정 전에 하한과 상한 분위수 모델을 적합하므로 상황에 따라 구간 너비가 달라질 수 있습니다. ACI는 지연된 결과를 이용할 수 있게 되면 미포함률을…

이 공용 유틸리티 모듈은 퀀트 리서치를 위한 공통 그래디언트 부스팅 파이프라인을 제공합니다. 용량별 프리셋을 정의하고 표준 파라미터 이름을 LightGBM, XGBoost, CatBoost 및 scikit-learn 히스토그램 부스팅에 해당하는 설정으로 매핑합니다. 또한 CPU 또는 CUDA 실행, 스레드 수, 라이브러리별 호환성 같은 런타임 선택을 처리하고, 재현성을 위해 설정과 실행 이력 정보를 기록합니다. 모듈의 더 넓은 역할은 등록된 모델 실행을…

이 노트북은 키워드 기반 ESG 헤드라인 파이프라인을 살펴보고 구조화된 분류기 출력과 검색 증강 생성 어시스턴트가 충족해야 할 요건을 비교합니다. 첫 번째 키워드 목록으로 헤드라인을 고르고, 두 번째 목록으로 환경·사회·지배구조 레이블을 지정합니다. 선택된 전체 집합에 분류기를 적용하면 환경 항목이 크게 치우친 것으로 나타납니다. 노트북은 환경 관련 용어를 더 쉽게 선택하는 키워드 목록과 겹치는 경우 환경 항목을 우선하는 분류 순서에서 불균형의 원인을…

이 노트북은 SHAP를 사용해 FinBERT의 3개 클래스 금융 감성 확률을 토큰 단위로 설명합니다. 모델 체크포인트를 고정하고 출력 레이블을 명시적으로 정렬한 뒤, 구성된 여러 헤드라인에서 어떤 토큰이 예측 클래스 확률을 높이거나 낮추는지 살펴봅니다. 통제된 비교에서는 “narrowed”를 “widened”로만 바꿔 토큰의 기여도가 고정된 단독 감성을 나타내는 것이 아니라 문장 전체 맥락에 따라 달라짐을 보여줍니다. 또한 소수의 구성된 예시에서 긍정 클래스…

이 노트북은 전체 데이터셋을 불러오지 않고 Parquet 스키마를 읽어 9개 시장 사례 연구의 모델 기반 특성 열을 목록화합니다. 식별자 필드는 제외하고 시장별 열 수를 세며, 이름에 포함된 토큰을 기준으로 변동성 모델, 레짐 지표, 자기회귀 예측, 분수 차분 등의 특성군을 분류합니다. 목록의 토큰과 일치하지 않는 열을 조사할 수 있도록 이름 일부도 제공합니다. 이 목록은 어떤 산출물과 이름이 존재하는지를 기록할 뿐 예측력을 평가하지 않습니다. 토큰 매칭은…

이 사례 연구는 S&P 500 주식 및 옵션 특성 패널에서 시퀀스 모델을 비교합니다. 과거 참조 구간에서 게이트 상태를 유지하는 LSTM와 최신 수준을 제거한 뒤 선형 매핑을 적합하는 N-Linear 기준 모델을 함께 살펴봅니다. 이 기준 모델은 같은 구간을 더 단순하게 매핑하는 것보다 순환 메모리가 가치를 더하는지 평가합니다. 목표에는 미래 주식 수익률과 위험 조정 수익률 레이블이 포함됩니다. 이 연구는 특정 시점의 특성과 워크포워드 폴드에 맞춰 모델…

이 노트북은 TimeGAN의 5개 구성 요소를 설명합니다. 임베더와 복원 네트워크는 원시 관측값과 잠재 공간 사이를 변환하고, 감독자는 시간적 전이를 학습하며, 생성자와 판별자는 적대적으로 학습합니다. 단계별 학습을 설명하고 미국 주식 US 종목 패널의 일별 로그 수익률에 모델을 적용합니다. 수익률을 선택한 이유는 시그모이드로 제한되는 출력 및 최소-최대 스케일링과 관련이 있습니다. 추세를 보이는 가격 수준은 학습 범위를 벗어날 수 있어 홀드아웃 평가를…

이 노트북은 롤링 ETF 수익률 구간을 합성곱 신경망용 2채널 이미지로 변환합니다. Gramian Angular Summation Field는 각 구간 내 값을 재조정해 각도로 매핑하고 시간 위치 쌍 사이의 삼각함수 관계를 기록합니다. Markov Transition Field는 구간별 분위수로 값을 나누고 위치 쌍의 구간 간 전이를 나타냅니다. 따라서 두 방법 모두 원래 시퀀스를 그대로 제시하지 않고 위치 간 관계를 인코딩합니다. 실험에서는 5일 ETF…