지식 라이브러리

이 노트북은 가중치를 공유하는 신경망 앙상블 TabM을 암호화폐 무기한 선물 특성 패널에 적용합니다. 구성원은 신경망 백본을 공유하지만 별도의 스케일링 벡터와 출력 계층을 사용해, 효율적인 앙상블과 상관된 입력 간 비선형 상호작용을 결합합니다. 작업 흐름은 회귀, 이진 방향, 3개 클래스 방향 타깃을 처리하며, 불균형 라벨에 대해서는 폴드별 클래스 가중치도 적용합니다. 또한 여러 학습 체크포인트에서 예측을 저장하고 등록해 각 체크포인트를 별도의 후보 모델로…

이 노트북은 금융 및 모델 파생 특성이 후속 수익률을 기준으로 ETF 순위를 매길 수 있는지 선별합니다. 날짜별로 각 특성의 횡단면 순위와 선도 수익률 순위를 비교해 정보 계수를 계산한 뒤, 그 시계열을 살펴봅니다. 겹치는 수익률 라벨로 인한 불확실성을 조정하고, 동시에 수행한 여러 특성 검정에서 거짓 발견을 통제하며, 워크포워드 검증 구간에서 연관성의 방향이 유지되는지 확인합니다. 또한 중복된 근거를 나타내는 고상관 특성을 식별합니다. 평가는 검증 날짜로…

이 노트북은 RSI 임계값으로 진입과 청산을 결정하는 비트코인 롱온리 전략의 감사 가능한 보고서를 만듭니다. 총수익과 순수익을 비교한 뒤, 동일한 데이터, 워밍업, 익스포저, 체결, 비용을 적용한 바이앤드홀드 벤치마크와 성과를 비교합니다. 조건을 일치시키면 트레이딩 규칙의 효과를 구분하기 쉬워집니다. 보고서는 포트폴리오 수익률, 벤치마크 대비 지표, 시장 익스포저, 청산된 거래 통계를 나눠 보여줍니다. 또한 표본 종료 시점의 자기자본에 영향을 주는 미청산…

이 노트북은 학습된 무기한 선물 펀딩 특성의 시퀀스 표현이 프리미엄, 즉 무기한 선물과 현물 가격 간 격차를 사람이 만든 요약값보다 더 잘 포착하는지 집중적으로 시험합니다. 최근 윈도우 안의 변화에 선형 매핑을 적용하는 NLinear와 순환형 LSTM를 비교합니다. 두 모델은 특성 순서, 폴드, 결측 데이터 규칙, 체크포인트 일정이 같으므로 측정된 차이를 아키텍처에 더 명확히 귀속할 수 있습니다. 노트북은 실험을 정의하고 검증 예측을 기록하며, 전략 선택은…

이 노트북은 SHAP 특성 기여도가 모델 간소화, 리스크 의사결정 또는 보고를 뒷받침할 만큼 안정적인지 살펴봅니다. ETF 예측 과제에서 예측값은 가깝지만 SHAP 프로필은 다른 테스트 표본을 먼저 찾습니다. 그런 다음 서로 다른 랜덤 시드로 학습한 LightGBM 모델과 Random Forest의 기여도 프로필을 비교하고, 검증 횡단면 정보 계수도 비교합니다. 예시는 설명이 여러 방식으로 가능해지는 두 가지 양상을 보여줍니다. 하나의 모델도 비슷한 출력에…

이 노트북은 20개 통화쌍의 후보 특성을 하나씩 선행 수익률과 비교해 평가합니다. 분석은 워크포워드 검증 기간으로 제한하고 각 세션에 폴드를 표시하며, 홀드아웃 전에 완충 구간을 둬 라벨이 해당 예약 기간 안에 확정되지 않게 합니다. 홀드아웃 자체는 측정하지 않습니다. 먼저 커버리지와 움직임이 충분한 특성을 필터링한 뒤, 특성값과 다음 세션 수익률의 일별 횡단면 Spearman 순위 일치도를 측정합니다. 인접 세션 간 연관성을 허용해 불확실성을 추정하고,…

이 노트북은 여러 에이전트의 확률 예측을 결합하고 결과 확률을 보정하는 방법을 설명합니다. 패널 크기와 가정된 쌍별 상관관계에 따라 평균 예측을 기준 비율에서 멀어지게 조정하는 Neyman 극대화를 소개합니다. 가정된 상관관계가 낮으면 패널을 여러 증거 원천으로 보아 더 큰 비중을 두고, 높으면 에이전트들이 서로 더 비슷하다고 봅니다. 예시와 합성 그래프는 이 가정이 달라질 때 통합값이 크게 변할 수 있음을 보여줍니다. 이 방법은 평균이 같더라도 예측값의…

이 데이터 유틸리티는 주식 수익률, 기업 특성, 거시경제 시계열, 분할 전 특성 텐서를 포함하는 Chen, Pelger, and Zhu 자산 가격 데이터셋을 지원합니다. 변환 방식은 공개된 학습, 검증, 테스트 텐서로 Parquet 파일을 만듭니다. 아카이브에는 각 블록 안에서 지속되는 익명 기업 위치가 있지만 블록 간 대응 정보가 없으므로, 변환기는 블록마다 서로 겹치지 않는 식별자 범위를 할당합니다. 이를 통해 같은 식별자가 여러 블록에서 알려진 동일…

이 노트북은 모델 순위를 단순한 암호화폐 무기한 선물 포트폴리오로 변환합니다. 각 펀딩 시점에 진입 규칙이 순위 상위 또는 하위 계약을 골라 동일 비중을 배정합니다. 동일 비중은 비교 기준을 제공하므로, 포지션 규모를 일정하게 유지한 채 차이를 순위에 따른 것으로 볼 수 있습니다. 노트북은 선언된 예측 구성을 진입 규칙에 적용하고, 후속 분석을 위해 결과를 등록합니다. 백테스트에서는 해당 시점까지 보유한 포지션을 대상으로 펀딩을 정산한 뒤, 그 시점의 거래를…

이 노트북은 금융 특성이 10기간 델타 헤지 옵션 수익률 레이블을 설명하는 데 도움이 되는지 살펴봅니다. 하나의 내재 변동성 특성, 내재 변동성에 종속적인 특성과 독립적인 특성의 그룹, 전체 특성 집합을 사용하는 Ridge 모델을 비교합니다. 모든 비교에서 레이블별 워크포워드 폴드와 검증 키를 동일하게 사용하고, 일별 순위 정보 계수를 불확실성 추정치와 함께 요약합니다. IC 계산에는 최소 횡단면 표본 크기를 일관되게 적용합니다. 추가 점검에서는 선택한 내재…

이 노트북은 등가격 S&P 500 옵션 스트래들의 검증 샤프가 가정된 실행 비용과 두 옵션 유니버스에 따라 어떻게 달라지는지 측정합니다. 옵션 프리미엄과 기초자산 명목 금액의 차이가 크므로 스프레드 비용을 옵션 호가 스프레드 절반에 대한 비율로 나타냅니다. 각 모델 계열에서 재현 가능한 방식으로 선택한 기준 전략 하나를 정해진 스프레드 비율 범위에서 평가하고, 다른 비용과 집중도는 고정합니다. 호가 스프레드로 선정한 유동성 높은 하위 집합과 전체 옵션 표면도…

이 모듈은 여러 모델 계열에 공통으로 사용할 워크포워드 학습 및 검증 폴드 준비 방식을 설명합니다. 시간 윈도우 분할, 폴드별 모델 기반 특성 적용, 라벨 누락 행 제거, 학습 데이터 샘플링 등 비용이 큰 모델 비종속 작업을 이후의 모델별 변환과 분리합니다. 원시 폴드를 재사용하면 구성마다 같은 준비 과정을 반복하지 않아도 됩니다. 선형 모델에는 결측값 대체와 표준화를 적용하고, 그래디언트 부스팅 트리는 결측값을 유지한 채 자체 결측값 분기 방식을…

이 노트북은 선물 예측을 위한 LSTM 및 NLinear 시퀀스 모델을 평가합니다. 의사결정마다 특성 행 하나를 사용하는 모델과 달리 시퀀스 모델은 과거 관측값의 순서가 있는 윈도우를 입력으로 받아, 고정 요약에서는 놓칠 수 있는 패턴을 학습할 가능성이 있습니다. NLinear는 각 윈도우의 마지막 값에 대한 변화를 예측하고, LSTM는 윈도우를 따라 정보가 어떻게 전달될지 학습합니다. 정교한 모델은 더 큰 용량을 가질 수 있지만, 선형 기준 모델도 예측…

이 노트북은 무기한 선물 펀딩 연구를 위해 여러 모델 계열의 검증 예측을 비교합니다. 정보 계수는 예측값과 후속 수익률 간 순위 연관성을, AUC는 상승 또는 하락 라벨에 대한 순위 성능을 측정하며, 로그 손실은 확신에 찬 오답에 큰 페널티를 부과해 확률 예측의 정확성을 평가한다고 설명합니다. 지표마다 답하는 질문이 다르므로 AUC가 개선되는 동안 로그 손실은 악화될 수 있습니다. 어느 순위 지표도 유용한 수익률 규모나 확률 보정을 입증하지 않습니다.…

이 구현은 딥러닝 연구에 쓰이는 패널 데이터에서 배치 시퀀스 윈도우를 만드는 방법을 설명합니다. 각 자산의 관측값을 연속된 행으로 압축하지 않고 패널에서 예상되는 달력을 따릅니다. 관측되지 않은 셀과 관측 여부 및 최신성 지표를 사용해 누락된 세션을 표시하므로, 명목상 룩백 기간이 의도보다 더 긴 달력 기간을 조용히 포괄하지 않습니다. 적격성 규칙은 최소 관측 비중을 요구하고 연속 결측 구간을 제한합니다. 효율성을 위해 종목별 특성 및 타깃 배열을…

이 노트북은 중복 처리, 결측 구간 표시, 도메인 필터, 반전 기반 급등락 탐지, 이상치 클리핑, 범주형 인코딩, 빈도가 다른 데이터셋 간 정렬 등 시장 및 기업 데이터의 실용적인 정제 방법을 소개합니다. 핵심은 스케일링이나 클리핑 경계처럼 데이터에서 학습하는 전처리 매개변수를 학습 분할에만 적합한 뒤 검증 또는 테스트 데이터에 적용해야 한다는 점입니다. 전체 표본으로 적합하면 모델 개발 과정에 미래 정보가 누수될 수 있습니다. 재사용 가능한 분할 인식…

이 노트북은 예측이 비슷하거나 서로 다른 랜덤 시드와 아키텍처로 모델을 재학습했을 때 SHAP 기여도가 안정적으로 유지되는지 살펴봅니다. ETF 선도 수익률을 사용해 예측값은 가깝지만 SHAP 프로필은 다른 표본 쌍을 찾은 뒤, 여러 LightGBM 적합 결과와 Random Forest의 특성 중요도를 비교합니다. 예측 성능은 횡단면 정보 계수로 평가하고, 기여도 프로필은 평균 절대 SHAP 값으로 비교합니다. 예시에서는 예측 행동이 비슷해도 설명은 다를 수…

이 노트북은 포지션 규모 산정과 최대 불리·유리 움직임 분석을 연결합니다. 고정 비율 포지션 규모 산정에서는 포트폴리오 위험 예산과 진입가에서 손절가까지의 거리를 기준으로 보유 수량을 결정하고, 포지션 집중도에 상한을 둡니다. 지연된 추정치를 사용해 정규화한 역변동성 가중치도 제시하고, 이를 공분산을 고려하는 위험 균형과 구분합니다. 이후 보정 및 미래 표본으로 움직임, 손절 및 목표 임계값, 전량 청산과 분할 청산 정책을 살펴봅니다. 노트북은 시점과 해석을…

이 노트북은 폴리마켓의 암호화폐 결제 이벤트 계약과 칼시의 규제 계약을 비교하며, 접근 규칙과 상장 정책이 각 플랫폼의 가격과 질문을 어떻게 좌우하는지 살펴봅니다. 소규모 폴리마켓 스냅샷의 시장 및 날짜 범위를 확인하고 비트코인 가격 기준치 사다리를 찾아 기준치가 높아질수록 가격이 하락하는지 검정합니다. 확률 특성을 구성하고 두 플랫폼에 중복 상장된 연방준비제도 이벤트 시장도 비교합니다. 스냅샷의 시장별 관측치가 적기 때문에 시계열 분석이 아니라 횡단면 및…

이 문서는 실거래 주문의 생애주기를 유한한 상태 집합과 유효한 이벤트 기반 전이로 표현하는 방법을 설명합니다. 주문 제출, 브로커 확인, 거래소 승인, 부분 및 전체 체결, 취소 요청, 거부, 만료, 중단을 다룹니다. 전이 표를 이용하면 현재 주문 상태에 비춰 브로커 콜백의 유효성을 확인하고 주문이 결과에 도달한 과정을 기록할 수 있습니다. 주요 운영 사례는 취소 요청과 체결이 경합하는 상황입니다. 브로커가 확인하기 전까지 취소 요청은 대기 상태이며, 그…

이 노트북은 주식 특성과 내재변동성, 스큐, 기간 구조 등 옵션에서 도출한 지표를 결합한 S&P 500 횡단면 연구에서 예측, 구조, 인과 모형의 근거를 비교합니다. 주간 미래 수익률 순위를 다른 레이블 기간, 잠재 요인 결과, 인과 추정치, 십분위수별 움직임, 신호 상관관계와 함께 평가합니다. 핵심 질문은 옵션 특성이 직접 또는 잠재 요인을 통해 유용한 정보를 더하는지, 어떤 결과를 후속 전략 시뮬레이션에서 살펴볼 가치가 있는지입니다. 보고된 근거는…

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…