Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 571개
이 사례 연구는 US 기업 특성으로 구성한 월간 롱숏 십분위 전략을 평가합니다. 시점별 회계 데이터 시차, 워크포워드 검증, 시대별 거래 비용을 반영해 선형 모델, 그래디언트 부스팅, 잠재 요인 접근법을 비교합니다. 검증 결과가 가장 좋은 것으로 보고된 계열은 윈저화한 선행 수익률에 그래디언트 부스팅 모델을 적용한 방식입니다. 지도 학습 오토인코더도 독립형 신호로 신뢰할 만하다고 설명합니다. 연구에서는 여러 폴드에 걸쳐 긍정적인 검증 성과를 보고했으며, 대안…
이 분석은 부호가 있는 모델 수익률 예측을 이진 포지션으로 바꾸는 세 가지 방법을 비교합니다. 고정된 0 기준값, 종목별 후행 백분위수, 종목 간 횡단면 백분위수입니다. 조회 기간과 백분위수 임계값을 바꾸며 ETF와 암호화폐 무기한 계약의 등록된 검증 예측에 규칙을 적용합니다. 수익률이나 거래 비용을 고려하기 전에 각 규칙이 얼마나 자주 활성화되는지, 종목 상태가 얼마나 자주 바뀌는지 측정합니다. 고정 기준값은 보정되지 않은 점수의 임의적인 척도에 따라…
이 노트북은 21일 선행 ETF 수익률을 상승 또는 하락 목표값으로 변환하고, 시간순 워크포워드 폴드에서 L1 및 L2 정규화 로지스틱 회귀를 평가합니다. 각 폴드의 학습 데이터로 특성을 스케일링한 뒤 정확도, 정밀도, 재현율, F1, ROC AUC, 로그 손실로 예측을 평가합니다. 계수 기반 특성 중요도와 확률 보정, 수익률 하위·중간·상위 그룹을 구분하는 3개 클래스 확장도 살펴봅니다. 분류 성능과 확률 보정은 서로 다른 질문에 답합니다. AUC는 여러…
이 노트북은 특성, 목표값, 워크포워드 폴드를 고정한 채 월간 US 주식 수익률 예측에 사용하는 그래디언트 부스팅 목적 함수를 비교합니다. 제곱 오차와 절대 오차, 큰 잔차의 영향을 줄이는 Huber 손실을 대조합니다. 정보계수는 횡단면 순위를 평가하는데도 개별 종목의 극단적인 수익률이 제곱 오차 학습을 좌우할 수 있다는 점이 비교의 배경입니다. 탐색 격자에서는 트리 용량도 바꾸며, 여러 부스팅 체크포인트의 예측값을 기록해 학습 곡선으로 성능이 계속…
이 노트북은 모델이나 예측을 만들기 전에 과거 ETF 데이터로 월간 순위 전략을 뒷받침할 수 있는지 평가합니다. 전년도 유동성 정보를 사용해 특정 시점의 편입 자격을 확인하고, 리밸런싱 날짜의 가용 펀드 수를 세며, 주당 수수료와 추정 호가 스프레드의 절반을 가격 대비 비용으로 환산합니다. 수익률 변동으로 해당 비용을 감당할 수 있는지 살펴보고 펀드별 수익률 자기상관도 측정합니다. 또한 홀드아웃을 확인하지 않은 채 개발 표본에 워크포워드 분할을 적용할 수…
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 회사 10-K 공시 문서에서 BM25 키워드 검색, 밀집 임베딩, 상호 순위 융합(RRF), 교차 인코더 재순위를 비교합니다. 각 검색 방식을 구현하고 정확한 질의, 개념 질의, 혼합 질의에 대한 순위 결과를 평가합니다. RRF는 원시 관련성 점수 대신 순위를 결합합니다. 따라서 점수 척도가 달라도 점수 보정 없이 시스템을 결합할 수 있습니다. 재순위 모델은 검색된 후보군을 더 짧은 최종 목록에 맞게 다시 정렬합니다. 사람의 판단 자료가 없으므로…
이 노트북은 US 주식 패널에서 세 가지 수익률 기간에 걸쳐 LightGBM 모델을 비교합니다. 그리드에서 트리 리프 수와 손실 함수를 바꾸고, 트리 수별 여러 체크포인트에서 각 설정을 채점합니다. 얕은 트리가 특성 간 상호작용을 학습하는 방식, 제곱·절대·Huber 손실이 두꺼운 꼬리 수익률에 서로 다르게 반응하는 방식, 선택을 평가할 때 각 체크포인트를 별도의 후보로 세어야 하는 이유를 설명합니다. 모델이 계속 개선되는지 과적합을 시작하는지 평가하기 위해…
이 노트북은 기관의 보유 현황, 운용자 순위, 공동 보유 네트워크를 연구하기 위해 SEC의 분기별 대량 13F 보유 데이터를 처리합니다. 제출 날짜로 운용자별 최신 공시를 선택하고, 발행사 텍스트가 아니라 CUSIP 기준으로 증권을 집계하며, 주당 보고 가치의 중앙값이 타당한 범위를 벗어난 공시를 걸러냅니다. 가격 일관성 점검에서는 어느 필드의 단위가 잘못됐는지 가정하지 않고 보고 가치와 주식 수의 관계를 활용합니다. 보유 종목 수와 보고된 포지션 규모를…
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 NASDAQ ITCH 기반 체결 및 주문 메시지로 시장 미시구조 패턴을 보여줍니다. 틱 단위 거래 가격 수익률의 음의 1차 자기상관을 살펴보며, 기초 가치가 변하지 않아도 매수호가와 매도호가에서 체결이 번갈아 발생하면서 가격 반전처럼 보이는 현상이 생길 수 있다고 설명합니다. 수익률 분석에서 매수·매도 호가를 오가며 발생하는 가격 반전 현상을 줄이려면 중간 가격 수익률을 사용하는 것이 유용할 수 있습니다. 이 노트북은 활동 수준이 다른 종목들의…
이 유틸리티 모듈은 트레이딩 데이터 패널을 진단하는 통계 도구를 제공합니다. 자기상관 함수는 각 개체 안에서 곡선을 계산한 뒤 개체 간 결과를 통합해, 한 시계열 끝부분과 다른 시계열 시작 부분 사이의 허위 의존성을 피합니다. 기간 인덱스를 제공하면 결측 기간을 보존해 관측치가 의도된 시차에 맞춰 짝을 이루게 합니다. 통합 추정치, 개체 간 백분위수, 불확실성 참고값, 시차에 따라 달라질 수 있는 개수도 보고합니다. 다른 도구는 퍼지 간격과 홀드아웃 기간을…
이 US 주식 사례 연구는 미래 수익률을 예측하는 것과 모멘텀이 미래 수익률을 유발한다고 주장하는 것을 구분합니다. 최근 한 달을 제외한 주식의 직전 1년 수익률을 처치 변수, 미래 수익률을 결과 변수로 두고, 최근 변동성, 비유동성 순위, 거래량 비율을 교란 변수로 취급합니다. 더블 머신러닝은 먼저 이 교란 변수로 처치와 결과를 모델링한 다음 두 모형의 잔차 간 관계를 이용해 효과를 추정합니다. 워크포워드 적합에 엠바고를 적용해 미래 데이터로 보조 모형의…
이 노트북은 ETF 가격과 거시경제 시계열로 룩어헤드 편향을 점검하는 방법을 보여줍니다. 중앙 이동평균은 미래 관측치를 포함해 가격 전환점을 지나치게 잘 따라갈 수 있으며, 미래 입력값이 아직 들어오지 않아 최신 구간이 비어 있습니다. 수준값과 다음 수익률의 상관관계 검정은 명백히 미래 가격을 사용하는 특성도 찾아내지 못합니다. 노트북은 특성 자체의 수익률과 다음 가격 수익률을 비교하는 척도 정렬 검사를 제안하면서, 이 휴리스틱이 타당한 특성 구성의 대안은…
이 노트북은 예측에 시장 국면을 활용하는 세 가지 방법을 비교합니다. 국면 입력이 없는 기준 모델, 변동성 국면의 필터링 확률을 입력받는 단일 모델, 확정된 국면 할당 안에서 각각 학습하는 별도 모델입니다. 룩어헤드를 피하기 위해 워크포워드 학습 블록마다 은닉 마르코프 모델을 다시 적합하고, 적합된 분산에 따라 상태 순서를 정한 뒤 테스트 블록을 순방향 재귀해 확률을 계산합니다. 폴드별 스케일링과 학습 데이터와 테스트 데이터 사이의 간격은 미래 관측치와…
이 노트북은 매수자 주도 부호 거래량 비중이 이후 15분 수익률과 연관되는지 추정하고, 상대 스프레드, 최근 실현 변동성, 직전 월 수익률을 고려합니다. 이중 머신러닝은 교차 적합을 사용해 이 교란 변수들로 결과와 처치를 예측한 다음, 통제 변수로 설명되지 않는 처치 변동을 분리하도록 잔차를 회귀합니다. 분석은 1분 단위 NASDAQ-100 관측치를 사용하고, 적격 모집단, 폴드 경계, 엠바고, 플라시보 설계를 정한 뒤 적합을 수행합니다. 블록 순열 반박은…
이 노트북은 이중 머신러닝(DML)을 사용해 연속형 ETF 모멘텀 지표가 이후 수익률에 미치는 조정 효과를 추정합니다. 최근 및 장기 변동성, 시장 국면, 수익률 곡선 기울기를 통제합니다. 조정하지 않은 회귀를 EconML 및 직접 구현한 DML와 비교하고, 교란 보정용 모델 선택이 추정치에 미치는 영향을 논의합니다. 인과적 해석은 충분한 처치 전 통제 변수와 다른 식별 가정에 달려 있으며, 관측되지 않은 충격과 모델 오지정은 여전히 편향의 원인이 될 수…
이 노트북은 계층적 리스크 패리티(HRP)를 설명합니다. 이는 잡음이 있는 공분산 추정치에 대한 민감도를 낮추도록 설계된 포트폴리오 구성 방법입니다. 세 단계를 소개합니다. 상관 거리로 자산을 군집화하고, 그 결과로 얻은 계층 구조에 따라 순서를 재정렬한 다음, 군집을 반복해서 나누며 분산이 더 낮은 쪽에 더 많은 비중을 배분합니다. 또한 공분산 역행렬이 추정 오차를 키울 수 있는 평균-분산 최적화 및 역행렬을 구하기 전에 공분산 추정치를 안정화하는 축소…
이 노트북은 신호와 자산 배분부터 비용 및 위험 오버레이까지 전략 파이프라인 전반에 등록된 ETF 백테스트를 평가합니다. 모델을 적합하거나 새 백테스트를 추가하지 않고 기존 예측과 백테스트를 읽어, 등록된 결과에서 집단별 및 짝비교 지표를 도출합니다. 분석에는 전략 지표의 부트스트랩 신뢰 구간, 선택 편향 측정치, 단계별 비교, 동일 가중 ETF 유니버스 벤치마크를 대상으로 한 검증 및 홀드아웃 비교가 포함됩니다. 벤치마크 대비 알파, 베타, 정보 비율도…
이 노트북은 NASDAQ ITCH에서 파생한 거래 기록으로 장중 트레이딩 활동을 살펴봅니다. 개별 거래를 시간 구간으로 재표본화하고, 활동 수준이 서로 다른 세 구간에서 각각 선택한 종목 하나의 주식 거래량, 거래 건수, 마지막 가격, 거래량 가중 가격을 비교합니다. 활동이 가장 적은 종목은 거래가 드문 구간도 보이도록 더 넓은 시간 구간을 사용합니다. 가장 활발한 종목들의 정규화된 거래량 패턴도 평균냅니다. 각 구간의 거래량을 해당 종목의 일일 거래량에서…
이 가이드는 미시구조 연구에 필요한 US 주식 호가창 틱 데이터의 두 가지 출처를 소개합니다. Databento의 주문별 이벤트와 NASDAQ TotalView-ITCH 메시지입니다. 형식, 커버리지 특성, 대략적인 데이터 크기와 장단점을 설명합니다. MBO는 추가, 변경, 취소, 체결과 같은 처리된 주문 이벤트를 제공하고, ITCH는 파싱과 정규화가 필요한 무료 원시 바이너리 피드입니다. 워크플로는 MBO 데이터를 받기 전에 다운로드 비용을 추정하고,…
이 노트북은 ETF 수익률 예측에서 불확실성을 표현하는 방법을 살펴보며 몬테카를로 드롭아웃과 딥 앙상블을 비교합니다. 드롭아웃은 추론을 반복하는 동안 활성 상태로 유지되고, 앙상블은 별도로 학습한 네트워크 간의 불일치를 측정합니다. 이런 산포는 불확실성을 추정하지만 그 자체로 커버리지 속성을 가진 구간을 제공하지는 않습니다. 분할 컨포멀 보정은 예측 오차를 구간으로 변환하며, 일반 방식과 불확실성 정규화 방식을 모두 살펴봅니다. 노트북은 시간순…
이 노트북은 같은 예측 순위로 선정한 ETF 포트폴리오의 가중치를 정하는 여섯 가지 방법을 비교합니다. 동일 가중, 점수 가중, 역변동성, 리스크 패리티, 평균-분산 최적화, 계층적 리스크 패리티입니다. 선택하는 펀드 수와 배분 방식을 함께 바꿉니다. 집중된 바스켓에서는 가중 방식별 차이가 작을 수 있고, 위험 특성이 서로 다른 펀드가 포함되면 차이가 커질 수 있기 때문입니다. 비교에는 신호 단계 백테스트에서 샤프 기준으로 선택해 다음 단계로 올린 예측…
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.…