지식 라이브러리

이 장은 백테스트, 모의투자, 실거래 환경에서 실행할 수 있는 전략 로직을 바탕으로 연구에서 실거래 실행까지 이어지는 과정을 설명합니다. 브로커 및 플랫폼 통합, 배포 절차, 데이터와 특성의 일치 여부 점검, 주문 수명 주기 처리, 운영 준비를 다룹니다. 주문 흐름은 상태 기계로 모델링해 부분 체결, 취소, 거부, 중단 후 복구를 명시적으로 처리할 수 있습니다. 리스크 관리에는 주문 및 포지션 한도, 오래된 데이터 확인, 섀도 트레이딩, 대사, 킬 스위치가…

이 장은 금융 데이터를 시장, 펀더멘털, 대체 데이터 출처별로 정리한 뒤 자산군에 따라 가격, 유동성, 관측값의 의미가 어떻게 달라지는지 비교합니다. 타임스탬프, 조정, 식별자, 수정 이력이 데이터셋 정의의 일부이며 연구 결론을 바꿀 수 있다고 강조합니다. 예시로는 생존 편향을 고려한 주가, 기업 활동 조정, 선물 세션 봉과 연속 계약, 옵션 지표, 암호화폐 펀딩 데이터가 포함됩니다. 핵심 부분에서는 시점 기준 정확성, 생존 편향, 기업 활동, 식별자…

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 문서는 사례 연구 평가 설정에서 워크포워드 검증 분할을 생성하는 공통 방법을 설명합니다. 폴드 구성은 달력을 고려하는 분할기에 맡기고, 패널 행의 정렬을 유지하도록 고유 타임스탬프를 사용하며, 지정된 홀드아웃 경계에서 거꾸로 진행합니다. 학습 및 검증 구간에는 롤링 기간을 사용할 수 있고, 경계를 넘어 이어지는 결과의 누수를 줄이기 위해 레이블 버퍼로 두 구간을 분리합니다. 핵심 설계 선택 중 하나는 버퍼를 세는 방식입니다. 시장 달력과 세션 격자로…

이 노트북은 이벤트 기반 백테스팅 엔진으로 BTC/USDT 무기한 계약 봉에 대한 롱 온리 RSI 평균회귀 규칙을 구현합니다. 장중 관측값을 UTC 일봉으로 집계하고, 단순 롤링 상승·하락 기준으로 RSI를 계산합니다. 지표가 과매도 임계값 아래로 내려가면 진입하고 과매수 임계값 위로 올라가면 청산합니다. 전략은 자본의 명시된 비율을 목표로 하고 수수료와 슬리피지를 모델링합니다. 순차 엔진은 의사결정, 대기 주문, 체결, 포지션, 현금을 명시적으로 표현해…

이 문서는 TWAP와 VWAP가 거래 세션 동안 대규모 부모 주문을 여러 자식 주문으로 나누는 방법을 설명합니다. TWAP는 각 시간 구간에 동일한 수량을 배정하고, VWAP는 구간별 거래량 예측에 비례해 수량을 배정합니다. 노트북은 과거 분봉 데이터로 거래량을 예측한 다음, 이후 NASDAQ-100 세션에서 두 일정을 테스트합니다. 각 구간의 거래량 가중 가격으로 체결을 시뮬레이션하고, 가용 거래량 중 해당 주문 조각의 비중에 따라 제곱근 시장 충격 비용을…

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 노트북은 트레이딩 신호나 공시 같은 이벤트가 시장 기준수익률을 넘어서는 수익률을 예측하는지 테스트하는 방법을 설명합니다. 유동성 높은 ETF의 모멘텀 돌파를 예시로 워크플로를 보여줍니다. 이벤트 전 수익률로 시장 모델을 추정하고, 이벤트 구간의 비정상 수익률을 계산한 뒤, 일별 평균을 신뢰구간 및 유의성 통계와 함께 누적 평균 비정상 수익률(CAAR)로 합산합니다. 중요한 구현 세부 사항은 이벤트 구간이 상대적인 행 오프셋을 사용하도록 자산과 기준지수를…

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 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 Python 모듈은 일별 표본 외 수익률을 사용해 전략 백테스트의 불확실성을 정량화하는 방법을 설명합니다. 수익률 시계열 통계에 대한 정상성 블록 부트스트랩 구간, 자기상관과 비정규성을 조정한 Sharpe 표준오차, 평균 수익률에 대한 Newey–West 표준오차를 결합합니다. 블록 길이는 가능하면 리밸런싱 간격을 기준으로 정하고, 그렇지 않으면 최적 크기 추정기를 사용하되 수익률 산출 기간을 바탕으로 하한을 둡니다. 또한 일별 수익률 차이를 이용한 대응…

이 노트북은 검증 예측을 롱온리 주식 포트폴리오로 평가합니다. 각 레이블의 주기에 따라 결정 일정을 정하고, 상위 K개 종목을 동일 비중으로 선택합니다. 시드가 있는 무작위 신호 실행으로 종가부터 다음 시가까지의 사건 순서를 점검한 뒤 같은 백테스트 과정으로 포트폴리오 집중도 선택을 스윕합니다. 옵션에서 파생된 변수는 예측 입력으로 쓰고, 거래 대상은 주식입니다. 이 분석은 검증 날짜 커버리지가 비슷한 예측 세트끼리만 비교하고 비용을 반영합니다. 블록…

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 개별 추정치를 정확히 계산하더라도 많은 팩터나 전략을 검색하면 선택된 우승 후보의 겉보기 성과가 부풀려지는 이유를 설명합니다. 시뮬레이션한 잡음 팩터 집합은 가장 큰 정보계수가 우연히도 인상적으로 보일 수 있음을 보여줍니다. 이어 이분산성과 자기상관에 강건한 추론을 적용한 뒤 거짓 발견률을 통제하는 보정 절차를 구성하고, 더 보수적인 선별을 위한 패밀리 단위 오류 통제도 논의합니다. 상관된 팩터 변형에는 Rademacher 복잡도 보정을…

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…

이 노트북은 설명된 S&P 500 숏 스트래들 엔진에 일반적인 목표 비중 리스크 오버레이가 적합하지 않은 이유를 설명합니다. 엔진은 고정 자본 비중을 주간 코호트에 할당하고 각 코호트 안에서 비중의 합이 1이 되도록 정규화합니다. 따라서 비중을 낮춰도 정규화 과정에서 원래대로 돌아가 드로다운이나 변동성 오버레이가 통제할 현금 배분이 남지 않습니다. 대신 헤지 기준, 결제 규칙, 진입 비용, 코호트 수를 포함한 전략 사양에 관련 통제를 두어야 합니다. 노트북은…

위험 프리미엄 PCA는 학습 평균 수익률 벡터의 가중 외적을 더해 공분산 행렬을 수정합니다. 가장 큰 고유값에 대응하는 고유벡터가 정적 팩터 포트폴리오를 정의합니다. 가중치가 0이면 일반 PCA를 얻고, 양의 가중치는 평균 수익률과 관련된 방향으로 팩터를 기울입니다. 노트북은 여러 가중치에서 가격결정 적합도, 수익률 재구성, 로딩 공간의 변화를 비교한 뒤, 사전에 정한 가중치를 사용해 하루 앞의 팩터 프리미엄을 예측합니다. 학습 데이터로 로딩을 적합하고,…