Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 319개
이 노트북은 PPO 에이전트가 호가 기울기와 스프레드 폭을 선택하는 시뮬레이션 마켓 메이킹 과제를 구성합니다. 호가가 중간 가격에서 멀어질수록 체결 확률이 낮아지고, 주문 불균형은 체결과 이후 가격 변동 모두에 영향을 줍니다. 예약 가격은 보유 재고에 불리한 방향으로 호가를 이동시킵니다. 보상은 평가된 자산 가치와 재고 페널티를 합산하며, 에피소드 종료 시 남은 포지션에는 청산 비용이 발생합니다. 에이전트는 예약 가격 조정을 이미 적용하는 고정 규칙과…
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 PPO 에이전트를 학습시켜 시간별 무기한 선물 봉에 걸쳐 부모 매도 주문을 집행할 시점을 정합니다. 가격과 거래량 이력에 무기한 선물 프리미엄과 다음 펀딩 정산까지 남은 시간을 추가하고, 각 시간별 결정 시점에 아직 알 수 없는 정보는 시차를 둡니다. 학습 기간과 평가 기간은 날짜별로 분리하고 분할을 확인합니다. 학습된 스케줄을 동일한 평가 구간의 고정 스케줄 및 규칙 기반 스케줄과 비교하고, 짝지은 차이와 표준 오차로 비교 결과를 설명합니다.…
이 모듈은 티커 기호가 시간에 따라 서로 다른 증권을 가리킬 수 있을 때 과거 S&P 500 가격을 준비하는 방법을 설명합니다. 기업 활동 조정 계수를 적용하고 증권 식별자를 추적하며 정체성 경계를 표시합니다. 수익률 계산은 정체성이 유지되는 증권 구간 안에서만 수행합니다. 따라서 티커가 재배정된 시점에는 잘못된 시장 움직임을 기록하지 않고 수익률을 정의하지 않습니다. 연속된 가격 수준이 필요한 백테스트 패널에는 후속 구간을 별도로 재조정해 이전 수준과…
이 노트북은 호가 스프레드 중 지불한다고 가정한 비율에 따라 S&P 500 옵션 전략의 검증 성과가 어떻게 달라지는지 측정합니다. 모델 계열마다 기준 전략 하나를 선택한 뒤, 스프레드 비용 가정과 전체 등가격 스트래들 대상 집합 및 유동성이 더 높은 부분 집합을 대상으로 각각 다시 실행합니다. 스프레드 비율만 바뀌도록 나머지 수수료와 헤지 비용은 고정합니다. 옵션 프리미엄 대비 비용으로 표현하면 명목금액을 기준으로 삼는 주식 관행보다 옵션 거래에 더…
이 문서는 자동매매 중단을 위한 재사용 가능한 상태 머신을 제시하며, 닫힘·열림·반개방 상태로 구성됩니다. 계좌 드로다운, 일일 손실, 연속 손실 세션, 시스템 지연이라는 네 가지 위험에 동일한 상태 전이 로직을 적용합니다. 복구 대기 시간이 지나면 차단기는 반개방 상태로 전환되어 시험 관측을 허용합니다. 그 결과에 따라 정상 운영을 재개하거나 중단 상태를 다시 엽니다. 별도의 콜백으로 차단 발생 시 알림을 보내고, 복구 확인을 포함한 모든 상태 변경은 감사…
이 데이터셋 안내서는 호가창 및 시장 미시구조 연구를 위한 US 주식 틱 데이터 두 출처를 비교합니다. Databento 시장별 주문 기록은 추가, 수정, 취소, 체결 이벤트를 전처리해 제공하고, NASDAQ ITCH는 파싱과 정규화가 필요한 원시 거래소 피드를 제공합니다. 유료 데이터 비용을 추산하고, 선택한 날짜를 내려받아 파일을 불러온 뒤 메시지 유형을 살펴보는 과정을 다룹니다. 특정 종목 연구에는 더 표적화된 시장별 주문 데이터를, 더 넓은 시장…
이 사례 연구는 광범위한 US 주식 종목군에서 일별 횡단면 신호를 평가하고, 특정 시점 기준 데이터와 특성 설계에서 모델 비교, 포트폴리오 구성, 비용, 홀드아웃 평가에 이르는 연구 과정을 설명합니다. 워크포워드 검증, 여러 선행 수익률 기간, 선형 및 트리 기반 모델, 표 형식 및 시계열 신경망 모델, 잠재 요인 방법을 사용합니다. 트레이딩 전략은 시대별 거래 비용과 차입 관련 요소를 반영해 주식 순위에 따라 달러 중립 롱숏 포트폴리오를 구성합니다. 보고된…
이 모듈은 강화학습 환경에 쓰이는 모의 암호화폐 시장의 매개변수를 추정합니다. 선택된 종목의 시간별 무기한 선물 시장 데이터를 불러와 종가 간 로그 수익률을 계산하고 GARCH(1,1) 변동성 모델을 적합합니다. 추정 라이브러리를 사용할 수 없거나 최적화에 실패하면 제곱 수익률 자기상관과 사전 설정된 범위를 사용해 모멘트 기반 추정치로 대체합니다. 지속성을 제한하고 무조건부 변동성을 표본 변동성에 맞춥니다. 롤링 변동성에 임계값을 적용하거나 해당 의존성을…
이 문서는 고정 기간에 걸쳐 포지션을 청산하도록 에이전트를 학습시키는 Gymnasium 환경을 설명합니다. 관측값은 남은 재고와 시간에 스프레드, 시장 깊이, 변동성, 정상 또는 스트레스 국면을 결합합니다. 연속형 행동은 기준 일정에 대한 실행 속도를 설정하고, 참여율과 일정 한도가 거래를 제한합니다. 완료를 보장하기 위해 마지막 단계에서 남은 주식을 모두 매도합니다. 시장 경로에는 GARCH 변동성, 국면별 유동성, 방향성 기대 드리프트가 없는 가격 변동이…
이 노트북은 기준 주문을 유한 기간 제어 문제로 설정합니다. 각 구간에서 표 형식 Q-러닝은 VWAP 기반 거래 분할량에 곱할 계수를 선택하며, 시간과 남은 재고, 가장 최근에 관측한 스프레드 및 변동성 국면을 고려합니다. 보상은 스프레드와 시나리오 기반 시장 충격을 포함한 실행 비용과 변동성이 큰 구간 동안 재고를 보유하는 데 따른 선형 페널티 사이의 균형을 맞춥니다. 참여율 상한은 체결량을 제한하고 종료 페널티는 미체결 재고에 비용을 부과합니다. 가격과…
이 노트북은 기본 Python 오케스트레이션, CrewAI, LangGraph로 네 단계 예측 워크플로를 구현합니다. 상태 저장 위치, 오류 확인 및 복구 방식, 각 접근법이 추가하는 의존성, 추적 방식을 비교합니다. 기본 Python과 LangGraph 버전은 동일한 전문가 클래스를 조합하지만 CrewAI 버전은 역할 프롬프트를 사용한 작업과 다른 모델 호출 경로를 사용합니다. 따라서 세 버전의 예측 확률값은 프레임워크 품질을 통제된 방식으로 비교하는…
이 문서는 주간 S&P 500 옵션 전략의 특수 백테스트를 설명합니다. 각 코호트는 순위가 높은 구성 종목을 선택해 만기가 대략 한 달 남은 등가격 부근 콜옵션과 풋옵션을 매도하고, 순델타가 임계값을 넘으면 주식으로 델타 헤지를 합니다. 만기에는 포지션을 내재가치로 결제합니다. 호가가 일찍 끊기거나 보유 한도에 도달한 계약은 정해진 청산 규칙에 따라 마지막으로 이용 가능한 마크 가격이나 매도 호가로 다시 매수합니다. 포트폴리오 회계에는 겹치는 코호트, 고정…
이 노트북은 개별 만기 선물 계약으로 연속적인 선물 가격 시계열을 구성하는 방법을 설명합니다. 거래량을 사용해 최근월물을 식별하고, 잘못된 계약 전환을 피하기 위해 롤백 방지 제약을 적용하며, 달력 기준 롤 시점과 실제 거래 활동을 비교합니다. 데이터에서 발생할 수 있는 문제도 다룹니다. 단일 선물 계약과 캘린더 스프레드를 구분해야 하고, 계약 기호에 연도가 온전히 표시되지 않을 수 있으며, 구성한 시계열과 데이터 공급업체 시계열을 비교하기 전에 바 주기를…
이 검증 스크립트는 모델 예측부터 포트폴리오 비중과 백테스팅까지 축소된 CME 선물 리서치 워크플로를 실행합니다. 예측값이 예상한 상품, 타임스탬프, 폴드 키를 정확히 포함하는지, 적합된 상태와 예측 파일이 기록된 다이제스트와 일치하는지, 요청을 다시 실행했을 때 같은 아티팩트가 재현되는지 확인합니다. 미리보기 출력이 공식 모집단과 후보 집합에서 분리되어 있는지도 점검합니다. 예시에서는 순위가 가장 높은 상품을 선택해 롱숏 신호를 구성하고 변동성에 반비례해…
이 노트북은 거래 마찰, 금융 비용, 펀드 비용을 각각 모델링해 총수익률을 순성과로 환산하는 설명 방식을 제시합니다. 매개변수화된 비용 구성표는 회전율과 거래 규모로 거래 비용을 계산하고, 레버리지와 공매도 익스포저로 금융 비용을 계산하며, 운용 및 관리 가정을 바탕으로 연간 비용을 계산합니다. 그런 다음 이 비용을 일별 ETF 수익률 시계열의 세 가지 구성에 적용합니다. 회전율이 높은 QQQ, 레버리지를 사용한 QQQ-IWM 롱숏 스프레드, 회전율이 낮은…
이 모듈은 종단 간 포트폴리오 학습을 위한 미분 가능한 목적 함수를 정의합니다. 자산별 위험 가중치를 변동성으로 조정해 포트폴리오 익스포저로 바꾸고, 이용 가능한 자산의 평균 비용 차감 전 수익률을 계산하며, 이전 가중치와의 차이를 바탕으로 거래 비용을 선택적으로 차감합니다. 수익률 시계열을 평가할 때 초기 구간을 제외할 수 있습니다. 목적 함수는 합산 샤프 비율과 기간별 샤프 비율의 소프트 최솟값을 조정 가능한 파라미터로 가중해 결합하며, 학습은 결합…
이 노트북은 재구성한 NASDAQ 주문장을 분석해 장중 최우선 매수·매도 호가의 스프레드와 잔량을 설명하고, 주문 흐름 불균형이 다음 구간의 수익률과 관련 있는지 살펴봅니다. 주가가 달라도 비용을 비교할 수 있도록 스프레드를 베이시스 포인트로 표시하고, 장중 스프레드와 최우선 호가 잔량을 그리며, 파싱한 메시지의 주문 추가와 취소로 불균형을 구성합니다. 두꺼운 꼬리를 가진 구간의 영향을 줄이기 위해 원시 불균형과 부호 있는 로그 변환을 비교합니다. 종목…
이 노트북은 CME 선물의 모델 예측을 평가하기 위한 신호 단계 기준선을 마련합니다. 매주 의사결정 시점마다 예측 수익률로 상품 순위를 매겨 상위 그룹을 매수하고 하위 그룹을 공매도하며 각 포지션에 동일 비중을 부여합니다. 각 롱·숏 그룹의 상품 수를 바꿔 집중도가 비교에 미치는 영향을 보여줍니다. 이후 포트폴리오 기법의 명확한 기준점이 되도록 이 단계에서는 배분, 리스크 관리, 거래 비용을 제외합니다. 작업 절차는 예측 대상 전체가 빠짐없이 있어야 하며…
이 설정은 롱온리 ETF 순위화 및 리밸런싱 실험을 정의합니다. 주식, 채권, 원자재, 지역 익스포저를 포함하는 폭넓은 100-ETF 유니버스를 구성하고, 매월 의사결정해 다음 시가에 체결합니다. 주요 레이블은 21일 수익률을 예측합니다. 5일 레이블에는 주간 일정을 적용해 백테스트 주기를 예측 기간에 더 잘 맞춥니다. 순위로 포지션을 선택하고 동일 비중을 적용하며, 여러 포트폴리오 집중도에서 상위 k개 선택을 시험합니다. 일별 가격 데이터에는 매수·매도…
이 벤치마크는 동일하고 결정적인 OHLCV 패널로 CSV, Parquet, Feather(Arrow IPC), HDF5를 비교합니다. 쓰기 시간, 메모리에 올린 뒤의 읽기 시간, 파일 크기, 선택한 열만 읽을 때의 영향을 측정합니다. 측정 방식은 한 번 쓰고 워밍업 후 반복해서 읽은 시간을 평균하는 것입니다. 따라서 읽기는 캐시가 따뜻한 상태에서 측정합니다. Feather의 메모리 매핑 열기 시간은 데이터 적재 비용으로 오해하지 않도록 메모리 적재 시간과…
이 운영 튜토리얼은 가상 브로커를 사용해 실거래 시스템의 런타임 안전 장치를 보여줍니다. 시장 데이터가 너무 오래됐거나 일일 손실이 설정된 한도를 넘으면 SafeBroker가 주문을 거부하는 방식과 브로커를 재구성한 뒤에도 손실로 발동된 킬 스위치가 계속 유지되는 모습을 다룹니다. 저장된 위험 상태와 브로커 포지션 또는 주문 간의 시작 시점 대사도 살펴보고, 데이터가 도착하거나 끊기고 엔진이 멈출 때의 엔진 상태를 추적합니다. 예시에는 확인 가능한 주문…
이 노트북은 시간별 비트코인 무기한 선물 수익률에 맞춘 공통 모의 트레이딩 환경에서 DQN, PPO, A2C를 비교합니다. GARCH(1,1) 모형으로 변동성 군집을 생성합니다. 환경은 포지션 변경에 비용을 부과하고, 행동 시점에 이미 확인 가능한 수익률을 에이전트가 얻는 일을 막기 위해 한 스텝 지연 후 행동을 적용합니다. 모든 알고리즘에 동일한 학습 상호작용 예산을 배정하고, 서로 대응하는 미관측 에피소드 시드로 평가합니다. 평균 보상 외의 진단도…