Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 1,616개
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 FX 통화쌍 사례 연구의 LSTM 예측 실행을 설정합니다. 모델은 룩백 시퀀스에서 은닉 상태를 이어가며, 노트북은 공유 구성 및 연구 계획 도구를 통해 아키텍처와 학습 설정을 정합니다. 연구에서 선언한 라벨과 구성된 LSTM 아키텍처를 사용하고, 요청이 의도한 모델 모집단을 다루는지 확인하며, 적합을 실행하거나 저장된 가중치를 불러오기 전에 예상 예측 정체성과 체크포인트를 기록합니다. 시퀀스 적격성은 결측 구간을 고려합니다. 일별 관측치가 빠지면…
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 여러 트레이딩 사례 연구에 등록된 이중 머신러닝 추정치를 모아 불확실성과 진단 결과를 비교합니다. 각 연구 레지스트리의 최신 행을 불러와 레지스트리 무결성과 라벨 고유성을 확인하고, 커버리지를 명시하며, HAC 통계량과 신뢰 구간을 도출합니다. 추정된 효과는 각각의 고유 단위가 다르므로 포레스트 플롯은 효과 크기를 그대로 순위화하는 대신 무차원 HAC 통계량을 비교합니다. 또한 순진한 OLS 계수와 직교화 추정치를 대조하고, 교란 편향 측정값과…
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.…
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 노트북은 금융 뉴스 문장을 긍정, 중립, 부정으로 분류하는 세 가지 방법을 비교합니다. 로지스틱 회귀를 사용한 TF-IDF 단어 및 구문 특성, 분류기와 평균 정적 단어 벡터, 사전 학습된 FinBERT 감성 모델입니다. 높은 일치도를 보이는 Financial PhraseBank 하위 집합에서 동일한 층화 테스트 분할을 사용해 방법을 평가합니다. 두 어휘 기반 접근법은 학습 분할과 추정기를 공유하며, FinBERT는 별도 미세 조정된 분류기를 추가 조정…
이 노트북은 SEC XBRL 데이터로 분기별 주식 펀더멘털 패널을 구축하고 살펴보는 방법을 설명합니다. 각 관측치에는 해당 회계 기간과 정보가 공개된 신고일이 모두 포함됩니다. 과거 테스트에서는 이 구분이 중요합니다. 기간 종료일만으로 필터링하면 투자자가 아직 알 수 없었던 수치가 포함될 수 있기 때문입니다. 노트북은 개념별 커버리지와 신고 지연을 측정하고, 신고일을 고려한 시점별 조회로 얻은 최신 관측치와 기간 기준 조회 결과를 비교합니다. 예시에서는 매출…
이 노트북은 회계 및 가격 기반 특성이 다음 달 US 주식 수익률을 단독으로 예측하는지 평가합니다. 각 특성과 수익률 라벨 간 월별 횡단면 순위 상관을 계산한 다음 개발 기간의 여러 달에 걸쳐 요약합니다. 이 과정은 별도로 보류한 홀드아웃을 제외하고, 패널 무결성을 확인하며, 최소 커버리지와 횡단면 폭을 요구하고, 워크포워드 학습 및 검증 기간에도 연관성이 지속되는지 살펴봅니다. 관련된 월별 관측치와 다수 후보 테스트에서 생기는 불확실성을 반영하고, 어떤…
이 노트북은 CME 선물 사례 연구에서 후보 특성을 선별해 미래 수익률과 비교합니다. 각 특성의 값과 이후 수익률 간 횡단면 순위 상관을 계산하고, 날짜별 상관을 요약하며, 중첩된 수익률 기간에 따른 불확실성을 조정하고, 테스트한 전체 항목에 벤저미니-호크버그 거짓 발견률 제어를 적용합니다. 커버리지와 오래된 데이터 여부를 확인하고, 워크포워드 검증 연도와 대체 라벨 기간에 걸친 일관성을 살펴보며, 근거와 함께 진행·수정·중단 평가를 기록합니다. 이후 확인…
이 노트북은 주식 수익률과 별개로 시장 상황을 설명하기 위해 월별 거시경제 지표를 군집화합니다. FRED 시계열을 월말 관측값에 맞추고 실업률, 연방기금금리, 수익률 곡선 스프레드, 전년 대비 CPI 변화를 표준화한 다음 가우시안 혼합 모형을 적합합니다. 상승하는 CPI 수준 대신 인플레이션 변화량을 사용하면 군집이 주로 과거와 최근 날짜를 나누는 현상을 피할 수 있습니다. 군집 이름은 명시적인 임계값 규칙으로 사후에 붙이므로, 경제적 라벨은 모델이 자동으로…
이 노트북은 Diffusion-TS를 적용해 합성 일별 ETF 수익률 시퀀스를 생성합니다. 디노이저는 원래 시계열을 예측한 뒤, 그 예측을 다항식 추세, 선택된 푸리에 성분, 잔차로 분해합니다. 시간 영역과 주파수 영역의 목표를 결합해 수익률 값과 스펙트럼 구조를 모두 보존하려 합니다. 시퀀스를 겹치게 구성하고 시간 기준 홀드아웃을 둔 다음, 잡음이 있는 시퀀스로 학습한 분류기를 추가해 가우시안 은닉 마르코프 모델이 식별한 저변동성 또는 고변동성 레짐으로…
이 노트북은 실제 홀드아웃 산출물을 사용해 배포된 금융 모델을 모니터링하는 워크플로를 구성합니다. 드리프트를 측정하기 전에 새로 들어온 특성 데이터가 채워져 있고 구조적으로 유효한지 확인한 다음, 기준 구간과 현재 구간을 비교합니다. 특성 분포 변화는 모집단 안정성 지수와 두 표본 콜모고로프-스미르노프 검정으로 평가합니다. 안정성 임계값은 관례에 따른 기준인 반면 큰 표본에서는 통계적 유의성이 실질적으로 중요하지 않은 변화도 포착할 수 있으므로 두 측정값을…
이 노트북은 비트코인 무기한 계약 시장 데이터에 롱 전용 RSI 평균 회귀 규칙을 적용해 VectorBT의 벡터화 백테스팅을 소개합니다. 종가 기준 RSI를 계산하고, 전날 값이 낮은 임계값보다 낮으면 진입하며 높은 임계값을 넘으면 청산합니다. 신호를 한 시점 늦춰 다음 UTC일 시가부터 적용하고, 시뮬레이션에서는 체결에 수수료와 슬리피지를 반영합니다. 거래 기록, 포트폴리오 가치, 드로다운, 매개변수 민감도를 살펴보고 체결 가정을 맞춘 바이앤드홀드…
이 노트북은 포지션 규모 조정을 최대 불리·유리 익스커션 분석과 연결합니다. 고정 비율 포지션 규모 조정에서는 거래별 위험 예산과 진입가부터 손절가까지의 거리에 따라 주식 수를 정하며, 여기에 집중도 상한을 적용합니다. 또한 시차를 둔 개별 변동성으로 롱 전용 역변동성 배분을 구성합니다. 이 휴리스틱은 상관관계를 무시하므로 공분산을 고려하는 리스크 패리티가 아니라는 점을 강조합니다. 거래 진단을 위해 익스커션 분포를 살펴 손절 및 목표가 선택에 참고하고,…
이 노트북은 SHAP 패널의 릿지 회귀 예측을 ETF로 해석하는 방법을 설명합니다. 선형 모델에서 각 특성의 기여도는 계수에 학습 배경 평균으로부터의 특성 편차를 곱한 값이므로, 폐쇄형 계산과 대조해 확인할 수 있습니다. 전체 기여도 크기, 개별 예측에 대한 워터폴 설명, 확신도가 높았던 예측 중 정답과 오답의 비교, 워크포워드 폴드 간 중요도 안정성을 다룹니다. 또한 시간 폴드 간 중요도 변화와 한 폴드 안에서의 표본 추출 불확실성이라는 두 가지 불확실성을…
이 노트북은 이후 감성·주제·임베딩 분석에 쓸 수 있도록 SEC 연간 및 분기 공시를 구조화된 텍스트로 변환하는 워크플로를 소개합니다. 원하는 섹션을 서식별 항목 번호에 연결하며, 경영진 논의 섹션이 10-K와 10-Q에서 서로 다른 번호로 표시된다는 점을 강조합니다. 추출 과정에서는 문단 경계를 보존하며 HTML을 정리한 뒤, 목차나 상호 참조에서 처음 등장한 제목을 그대로 선택하지 않고 앞뒤 섹션 경계를 이용해 제목을 찾습니다. 워크플로는 추출 결과가…
이 노트북은 조건부 오토인코더가 계측 주성분 모델을 어떻게 확장하는지 설명합니다. 신경망이 주식 특성을 요인 노출로 매핑하며, 노출과 요인 수익률을 곱하는 구조는 그대로 유지합니다. 학습 구간별로 설정된 미래 수익률 라벨을 재구성하도록 모델을 적합한 다음, 고정된 요인 평균을 검증일의 노출에 적용해 다음 구간에서 주식 순위를 매기는지 평가합니다. 재구성에 나중에 정보계수로 점수화하는 동일 라벨을 사용하므로, 양의 점수가 독립적인 발견은 아닙니다. 그래도 검증…
이 연구는 금융 특성과 GJR-GARCH 변동성 특성을 미래 주식 수익률과 비교해 선별합니다. 각 세션에서 종목 간 특성값과 이후 수익률의 순위 상관을 계산한 뒤, 평균 연관성, 워크포워드 검증 구간 간 일관성, 여러 후보를 검정한 뒤 결과의 신뢰성을 평가합니다. 예측 연관성을 측정하기 전에 특성의 데이터 범위와 오래된 값도 점검하고 각 특성에 대한 판정을 기록합니다. 분석에는 개발 데이터를 사용하고, 홀드아웃은 나중에 선택한 설정을 위해 남겨둡니다. 미래…
이 자료는 감성 분석, 텍스트 특성 개발, 뉴스와 수익률의 연관성 실험에 쓰이는 금융 뉴스 코퍼스 두 가지를 소개합니다. FNSPID는 헤드라인과 주식 티커를 연결하며 오랜 기간을 포괄합니다. 전체 모음과 함께 더 작은 표본도 이용할 수 있습니다. Bloomberg 아카이브에는 더 짧은 기간의 뉴스 텍스트와 구조화된 금융 시계열이 있으며, 감성·주제 분석과 데이터셋 간 강건성 실험을 위한 보조 자료로 제시됩니다. 두 자료 모두 공개 데이터 허브를 통해…
이 문서는 블랙-숄즈 모형으로 유럽형 콜·풋 가격을 도출하고, 풋-콜 패리티로 둘의 관계를 확인하며, 관측된 옵션 가격에 맞는 변동성을 수치적으로 풀어 내재변동성을 계산합니다. 또한 델타, 감마, 베가, 세타, 로를 정의하고, 머니니스와 만기까지 남은 시간에 따라 민감도가 어떻게 달라지는지 차트로 설명합니다. 일정한 변동성, 연속 거래, 유럽형 권리 행사 등 모형의 가정을 시장 현실과 대조해 결과가 달라질 수 있는 지점을 설명합니다. 계산 결과를 S&P…