지식 라이브러리

이 노트북은 명시적인 거래, 금융, 펀드 비용 가정에 따라 세전 수익률을 세후 성과로 환산하는 방법을 보여줍니다. 비용 항목에는 스프레드와 시장 충격, 수수료와 거래소 비용, 증거금 이자, 주식 대차, 운용 및 관리 비용이 포함됩니다. 매개변수화된 계산으로 실제 일간 ETF 수익률 시계열에서 고회전율 롱 온리, 레버리지 롱숏 스프레드, 저회전율 롱 온리 구성을 설정해 비용을 차감한 다음 세전·세후 수익률, 샤프 비율, 드로다운을 비교합니다. 이 비교는…

이 노트북은 실제 손실 거래와 모형의 SHAP 설명을 연결하는 거래 단위 진단 절차를 보여줍니다. 지연된 가격 및 변동성 특성과 거시 입력값으로 LightGBM 모형을 학습해 다음 세션 SPY 수익률을 예측합니다. 고정된 예측 임계값에 따라 하루 보유 매수 거래를 열고, 이후 실제 손실이 가장 큰 거래를 골라 정렬된 SHAP 벡터를 군집화합니다. 발견한 패턴은 모형이나 특성을 검토하기 위한 가설로 만듭니다. 노트북은 평균 기여도에만 의존하지 말고 군집 내…

이 노트북은 실행 기록에서 학습하기 위해 행동 복제와 역강화학습(IRL)을 비교합니다. 시연은 위험 중립 목적이 알려진 TWAP 일정에서 가져옵니다. 충격을 줄이기 위해 거래를 고르게 분산하되 타이밍 위험 노출을 감수하는 방식입니다. 행동 복제는 상태·행동 쌍에서 직접 행동을 학습하는 반면, IRL는 해당 행동을 설명할 수 있는 보상을 추정하며 다른 환경으로 전이하는 토대가 될 수 있습니다. 노트북은 두 가지 보상 적합 방법을 소개합니다. 고정된 후보 경로…

이 사례 연구는 통화쌍의 상대 순위를 매기고 순위에 따라 매수하거나 매도하는 횡단면 외환 전략의 미래 수익률 레이블을 구성하는 방법을 설명합니다. 먼저 뉴욕장 마감 관례에 따라 4시간 현물 봉을 거래 세션에 배정한 다음 각 통화쌍의 한 세션 및 더 긴 기간 수익률을 측정합니다. 완전한 미래 구간인지, 동일한 상품이 계속 유지되는지, 수익률이 실수로 다른 상품까지 걸쳐 계산되지 않는지를 점검합니다. 진단에는 홀드아웃 시작 전에 결과 구간이 끝나는 사례만…

이 노트북은 PCA을 입력 특성 없이 잠재 요인을 사용하는 기준선으로 삼아 ETF 수익률을 예측하는 방법을 설명합니다. 각 펀드의 로딩과 추정된 요인 프리미엄을 사용해 각 레이블의 학습 구간 수익률 행렬을 분해하고 예측치를 구성합니다. 같은 펀드가 구간 내내 열로 유지되므로 이 방법은 고정된 ETF 유니버스에 적합하며, 개체의 정체성이 시간에 따라 바뀌는 경우에는 적절하지 않습니다. 노트북은 이 접근법을 입력 특성 기반 모델과 비교하고 워크포워드 학습 및…

이 노트북은 Interactive Brokers를 실시간 데이터 소스이자 주문 실행 플랫폼으로 사용해 일간 FX 통화쌍 모델을 배포하는 절차를 살펴봅니다. 과거 패널로 릿지 회귀 모델을 학습하고 일간 수익률, 모멘텀, 변동성, 가격에서 도출한 특성을 간결하게 계산한 뒤 최근 봉 데이터를 가져옵니다. 통화쌍 유니버스의 점수를 매겨 예측 수익률이 가장 높은 통화쌍으로 구성한 바스켓을 계획하고, 모델 아티팩트와 모니터링 및 감사를 위한 실행 기록도 저장합니다.…

이 노트북은 CME 선물 패널을 대상으로 신경망 확률할인요인 모형을 제시합니다. 이 모형은 상품 수익률과 캐리, 모멘텀, 변동성 같은 관측 가능한 특성을 함께 사용해 잠재 요인을 구성하고, 미리 정한 미래 수익률 기간에 대한 예측을 생성합니다. 수익률만 사용하는 PCA와 이 접근법을 비교해 특성이 수익률 공분산을 넘어 추가 가격 정보를 제공하는지 검토할 수 있는 방법을 설명합니다. 표현은 각 학습 폴드 안에서 적합하고 검증 데이터는 재적합 없이 변환하며,…

이 노트북은 멀티애셋 ETF 유니버스에서 롱온리 포트폴리오 배분 6가지를 비교합니다. 최적화를 불안정하게 만들 수 있는 표본 변동을 줄이기 위해 Ledoit–Wolf 공분산 축소를 사용하고, 샤프 비율 최대화, 분산 최소화, 리스크 패리티, 계층적 리스크 패리티, 조건부 드로다운 위험 최소화, 동일 비중을 비교합니다. 기법마다 필요한 추정치가 다릅니다. 일부는 기대수익률과 공분산을 사용하고 위험만을 기준으로 하는 목적 함수는 기대수익률 예측을 제외합니다.…

이 노트북은 사전에 인과 그래프를 지정하지 않고 PCMCI로 ETF와 변동성 수익률 간 지연 관계를 탐색하는 방법을 보여줍니다. 패널 기반 조건부 독립성 검정을 쌍별 Granger 검정과 비교합니다. Granger 검정은 대상 변수 자체의 과거 이력을 고려하지만 다른 변수에 조건을 걸지는 않습니다. 최대 시차는 거래일 기준 5일로 미리 설정합니다. 자기상관 그래프는 각 시계열의 지속성을 설명하지만 어떤 시계열 간 지연을 검정할지 결정하지는 않습니다.…

이 실험은 선택한 월간 US 주식 롱숏 신호가 소형주에 얼마나 의존하는지 살펴봅니다. 시차를 둔 시가총액 필터를 적용해 검증 예측에서 가장 작은 사분위 종목을 제거한 다음, 모델을 재학습하지 않고 동일한 포트폴리오 구성과 비용 가정으로 다시 실행합니다. 필터 적용 유니버스에는 자산이 더 적지만 회전율은 전체 유니버스 결과와 비슷하게 유지됩니다. 보고된 샤프 비율은 4.27에서 2.24로, 정보계수는 0.074에서 0.048로 하락하고 최대 드로다운은 약…

이 노트북은 PatchTST가 고정 길이의 연속 시장 특성 패치로 NASDAQ-100 레이블을 예측하는 방법을 설명합니다. 어텐션은 매분 관측치에 적용할 때보다 시퀀스 길이를 줄이면서 한 시간의 후행 구간에 있는 패치 간 관계를 학습합니다. 워크포워드 폴드에서 여러 예측 기간의 회귀 목표를 적합하며, 현재 시퀀스 실행기에서 분류 목표를 제외한 이유도 설명합니다. 워크플로는 적합 전에 데이터 적격성과 폴드 경계를 확정하고, 중첩 결과를 줄이도록 각 레이블…

이 문서는 선형 및 그래디언트 부스팅 모델과 동일하게 가공된 특성 행과 워크포워드 폴드를 사용하는 CME 선물 TabM 실험을 설명합니다. TabM은 앙상블 구성원 간 대부분의 가중치를 공유해 여러 신경망 평균화의 분산 감소 효과 일부를 전체 계산 비용 없이 얻습니다. 설정마다 모델 용량이 달라지며, 선언한 모든 학습 체크포인트는 이후 검증 백테스트와 샤프 비율 기반 선택을 위해 공개됩니다. 이 비교는 특성 열, 레이블, 폴드 계약을 일관되게 유지하면서…

문서는 장중 특성으로 NASDAQ-100 주식 수익률을 예측하는 최소 시퀀스 모델 NLinear를 소개합니다. 고정된 후행 윈도우에서 최신 관측값을 빼 모델이 수준값 대신 변화량을 사용하게 하고, 결과 특성을 단일 선형 계층에 통과시킵니다. 이 설정은 시퀀스 윈도우 접근에서 비롯된 개선과 더 복잡한 아키텍처에서 비롯된 개선을 구분하는 데 도움이 됩니다. 목표에는 여러 선행 수익률 기간이 포함되며, 전략과 관련된 목표는 15분 앞입니다. 학습은 워크포워드…

이 자료는 별도의 2021 홀드아웃 예측을 사용해 검증 데이터에서 선택한 전략을 평가하는 방법을 설명합니다. 선택한 배분, 집중도, 위험 통제, 거래 일정, 비용은 고정하고 전략에 입력되는 예측만 바꿉니다. 홀드아웃 예측 집합은 학습 명세를 통해 선택한 모델 설정에 연결되어 평가가 의도한 절차를 따르도록 돕습니다. 설명에서는 홀드아웃 결과를 검증 수치와 비교하면서 검증 성과가 탐색에서 나왔기 때문에 낙관적이라는 점을 유의합니다. 단일 홀드아웃 연도는…

이 모듈은 날짜 구간과 적합값은 그대로 둔 채 라이브러리가 워크포워드 폴드 번호를 변경한 뒤 레지스트리를 마이그레이션하는 방법을 설명합니다. 학습 명세, 예측 키, 입력 지문, 모델 매개변수, 산출물, 후속 해시에 폴드 식별자가 포함되어 있으므로 레이블을 바꾸려면 관련 식별자와 참조의 연결된 흐름을 갱신해야 합니다. 마이그레이션은 저장된 구간 경계로부터 순열을 도출한 다음 식별자에 포함되는 다이제스트를 다시 계산하고, 쓰기 전에 파생 값을 저장된 결과와…

이 노트북은 실제 전략 감사에서 LEAN 엔진과 이에 맞춘 ML4T Backtest 프로필의 결과를 비교합니다. 고정된 입력이 지원하는 자산군 작업을 식별하고 체결, 평가액, 평가 시점, 주식 자산곡선의 공백, 최종 가치 전반의 동등성 근거를 보고합니다. CME 선물 작업은 이용 가능한 연속 근월물 가격에 네이티브 LEAN 구독에 필요한 날짜별 계약 체인과 롤 매핑이 없어 제외됩니다. 입력 로딩, 추론, 목표 구성, 준비, 보고를 제외하고 엔진 호출 전후를…

이 노트북은 검증 폴드에서 설정을 선택한 뒤 US 주식 사례 연구의 홀드아웃 구간을 예측하는 과정을 설명합니다. 선택한 설정을 확정하고 체크포인트 선택을 유지하며, 홀드아웃 시작 전에 이용 가능한 데이터로 새 학습 명세를 구성합니다. 레이블 버퍼는 학습 결과가 평가 구간까지 이어지지 않게 하고, 재적합 때 폴드별 적격성과 매개변수를 다시 계산합니다. 노트북은 결과 예측 집합을 등록하고 학습 식별자와 적용 범위가 선언된 구간에 맞는지 확인합니다. 또한 서로…

이 노트북은 모멘텀 신호의 겉보기 품질이 합리적인 연구 선택에도 유지되는지 확인하는 틀을 제시합니다. 지정된 홀드아웃 기간 이전의 실제 ETF 데이터로 과거 관측 기간 매개변수를 한 번에 하나씩 바꾸고, HAC 보정 통계량으로 횡단면 정보계수를 측정합니다. 관측된 최고 매개변수를 목표로 삼는 대신, 성과가 정점에 가까운 설정의 폭으로 매개변수 견고성을 정의해 넓은 평탄 구간과 좁은 최적점을 구분합니다. 추가 검사는 레짐별 조건부 IC, 신호의 대안 구현,…

이 노트북은 거래 시간 동안 대규모 주식 주문을 여러 하위 주문으로 나누는 두 가지 방법을 비교합니다. TWAP는 각 구간에 대략 같은 수량을 주문하며 시장 예측이 필요하지 않습니다. VWAP는 추정한 장중 거래량 프로필에 따라 주식 수를 배분해 보통 유동성이 더 큰 시간대에 더 많이 거래하려 합니다. 앞선 세션의 분봉 데이터로 프로필을 추정한 다음 이후 NASDAQ-100 세션에서 두 일정을 평가하고, 체결 가격을 각 세션의 실제 거래량 가중 평균 가격과…

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 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 데이터 가이드는 주가지수, 금리, 에너지, 금속, 통화, 농산물, 축산물을 아우르는 CME 연속 선물 계약 모음을 설명합니다. 시간별 원천 데이터와 여기서 산출한 일별 빈도, 여러 계약 만기, 상품 설정, 로더를 통한 필터링을 다룹니다. 다운로드 워크플로는 상품과 연도별로 파일을 나누고 비용 추정과 실제 다운로드 없는 실행을 지원합니다. 데이터를 요청하기 전에 공급업체 요금을 확인할 것을 권합니다. 계약은 거래량 기반 롤을 사용합니다. 다음 세션 전에…

이 노트북은 모델이 자산 순위를 정한 뒤 배분 규칙이 ETF 전략에 미치는 영향을 살펴봅니다. 예측 집합과 리밸런싱 달력은 고정하고, 각 비교에서 동일한 상위 K개 바스켓을 선택한 뒤 바스켓 내 가중치만 바꿉니다. 방법에는 동일 가중, 점수 가중, 역변동성, 리스크 패리티, 평균·분산 최적화, 계층적 리스크 패리티가 포함됩니다. 보유 펀드 수에 따라 가중치가 달라질 여지가 달라지므로 바스켓 집중도도 함께 바꿔봅니다. 분석은 배분 방식의 효과가 신호가 선택한…

이 노트북은 동일 가중 신호 단계 기준선에서 검증 예측 설정을 추린 뒤, 같은 예측에 다른 자산 배분 방법을 테스트합니다. 점수 기반 및 적합도 가중치와 역변동성, 리스크 패리티, 평균·분산 최적화, 계층적 리스크 패리티를 비교하고 보유 종목 수를 바꿔봅니다. 검증 샤프 지수로 설정을 추려, 체크포인트가 촘촘한 구성이 후보 목록에서 지나치게 큰 비중을 차지하지 않도록 각 구성에서 전체 구간을 포괄하는 최적 체크포인트를 사용합니다. 이 비교는 각 계보의 동일…