Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 555개
이 문서는 모델 학습과 백테스트를 다시 실행할지, 기존 결과를 재사용할지 결정하기 위한 레지스트리 점검을 설명합니다. 실행은 명세에서 도출한 해시로 식별하며, 예상 산출물이 모두 있을 때만 재사용할 수 있습니다. 빠진 항목이 있으면 실행을 부분 완료 상태로 표시해 재학습 또는 재실행을 시작하고, 명시적 강제 플래그는 디버깅을 지원합니다. 또한 예측 키를 표준화하고 요약하는 방법을 설명합니다. 버전이 관리되는 시간값 출력 규칙을 적용해 서로 다른 유형으로…
이 노트북은 일반적인 목표 비중 리스크 오버레이로 설명된 S&P 500 숏 스트래들 전략을 제어할 수 없는 이유를 설명합니다. 옵션 엔진은 주간 코호트에 고정된 자본 비율을 배정하고 각 코호트 안에서 비중을 정규화합니다. 따라서 비중을 조정해도 정규화 과정에서 원래대로 돌아가며, 오버레이가 새로 배정할 현금도 남지 않습니다. 헤지 임계값, 결제, 비용, 코호트 수처럼 전략에 영향을 주는 제어는 이후 비중 변환이 아니라 전략 명세에 포함해야 합니다. 노트북은…
이 노트북은 CME 선물 수익률의 횡단면 예측에 그래디언트 부스팅을 적용합니다. 리프 수 구성으로 트리 용량을 바꾸고, 극단적 잔차가 학습에 미치는 영향이 서로 다른 제곱 오차, 절대 오차, 후버 목적 함수를 비교합니다. 각 모델을 여러 부스팅 체크포인트에서 평가하므로 선언된 모델 설정뿐 아니라 트리 수도 선택 기준이 됩니다. 고정된 모델 계열 안에서 기간별 효과를 비교할 수 있도록 동일한 그리드를 두 가지 수익률 기간에 적합합니다. 검증 결과를 살펴본 뒤…
이 노트북은 암호화폐 무기한 계약 펀딩 프리미엄을 예측하는 시퀀스 모델 비교에 시간 합성곱 신경망(TCN)을 추가합니다. 인과적 패딩은 각 위치가 현재와 이전 관측치만 사용하도록 하며, 팽창 합성곱은 수용 영역을 효율적으로 넓힙니다. 선택한 스택은 선언된 입력 구간 전체에 걸칩니다. 마지막 순환 상태를 바탕으로 예측하는 LSTM과 달리, TCN은 위치별 표현을 평균해 유용한 정보가 시간에 따라 어디에 나타나는지에 관한 다른 가설을 검증합니다. 이 모델은 앞선…
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 노트북은 사례 연구 간 LightGBM 모델 비교를 구성하고, 가능한 경우 선형 모델과 TabM을 기준 모델 계열로 사용합니다. 트리 크기, 회귀 손실 함수, 체크포인트, 분류 목적 함수에 따라 설정을 평가합니다. 주요 신호 지표는 일별 횡단면 Spearman 정보 계수의 평균이며, HAC 신뢰구간과 함께 보고합니다. 모델들이 동일한 폴드와 기간에 걸쳐 평가되었는지를 고려해 비교합니다. 분석은 상위 설정을 선택하고 손실 함수와 트리 깊이를 비교하며…
이 노트북은 표 형식 특성으로 ETF 선행 수익률을 예측할 때 LightGBM을 MLP, TabM 및 사용 가능한 경우 TabPFN과 비교합니다. 모델은 동일한 시간순 워크포워드 폴드에서 평가하며, 순위 정보계수와 학습 시간을 주요 비교 기준으로 삼습니다. 신경망 접근법에는 단순 다층 퍼셉트론과 여러 어댑터 헤드가 하나의 백본을 공유하고 예측값을 평균하는 TabM이 포함됩니다. 학습에는 L1 손실을 사용하고 각 학습 구간 안의 홀드아웃 데이터로 조기 종료…
이 문서는 FX 전략에서 고정 손절 규칙과 추적 손절 규칙을 검증 단계에서 비교합니다. 각 수익률 레이블에 대해 신호와 배분 결과로 이뤄진 봉인된 집단에서 기준 전략을 선택한 뒤, 기준 전략의 식별 정보는 고정하고 지정된 포지션 단위 위험 제어만 바꿉니다. 손절은 보유 기간 중 가격 경로에 따라 작동하므로, 시작과 끝의 수익률은 같지만 중간 드로다운이 다른 포지션을 구분할 수 있습니다. 사례 연구는 규칙을 개별 포지션에 적용하며 포트폴리오 전체의 드로다운이나…
이 노트북은 20개 통화쌍에서 후보 신호를 하나씩 검사하는 방법을 설명합니다. 워크포워드 검증 구간만 사용해 각 특성의 일별 횡단면 순위와 다음 거래일 수익률 간의 일치도를 계산합니다. 레이블 결과가 홀드아웃 안에서 확정되지 않도록 평가 패널을 홀드아웃보다 충분히 앞에서 끊습니다. 커버리지 및 최신성 필터로 평가하기에 너무 희소하거나 정적인 열을 제거하고, Newey–West 방식의 불확실성 추정으로 인접 거래일 간 의존성을 고려합니다. 폴드 방향 확인,…
이 연구는 미래 수익률을 기준으로 통화쌍 순위를 매길 때 그래디언트 부스팅 트리와 페널티를 적용한 선형 모델을 비교합니다. 트리는 한 시장 국면에서 모멘텀을, 다른 국면에서 캐리를 사용하는 것처럼 조건부 관계를 나타낼 수 있다는 점이 분석의 동기입니다. 다만 통화쌍은 통화를 공유하므로 통계적으로 서로 의존합니다. 미리 정한 격자는 리프 수에 따라 트리 용량을 달리하고 제곱오차, 절대오차, Huber 목적 함수를 비교합니다. 각 구성은 여러 학습 단계…
이 노트북은 생존한 US 주식으로 구성한 동일가중 포트폴리오가 전체 초기 종목군에 비해 수익률을 얼마나 과대평가할 수 있는지 추정합니다. 먼저 패널에 종목 이탈이 기록되기 시작한 시점을 살펴보며, 기록된 이탈은 데이터셋의 마지막 몇 년에 들어서야 나타납니다. 그 이전에 누락된 기업은 원천 데이터에 없으므로, 분석 결론은 이탈이 관측되는 기간으로 제한됩니다. 패널에는 상장폐지 사유와 최종 지급 내역도 없어 마지막 호가 이후 결과를 모델링해야 한다고 설명합니다.…
이 문서는 알려진 합성 데이터 생성 과정의 계열 안에서 지도 추론을 수행하는 ADIA Lab의 인과 발견 과제를 살펴봅니다. 이 과제는 다수의 레이블이 있는 데이터셋과 그래프 쌍을 사용해 처치와 결과를 둘러싼 변수에 8가지 역할을 부여합니다. 시뮬레이터가 생성한 예시에서 안정적인 통계 패턴을 학습하고, 일부 접근법은 PC나 NOTEARS 같은 방법의 출력을 모델 특성으로 사용하기 때문에 이 환경에서는 지도 모델이 고전적인 발견 방법보다 나은 성능을 낼 수…
이 모듈은 재현성을 유지하고 선택 편향을 피하는 데 중점을 두고 등록된 예측 집합으로 평균 예측 앙상블을 만듭니다. 직접 작성한 구성원 목록을 관리하는 대신 레지스트리에서 조건에 맞는 모델 구성을 확인합니다. 불완전하거나 폐기된 예측은 제외하고 검증 결과가 가장 좋은 체크포인트를 고르는 대신 구성별로 허용되는 마지막 체크포인트를 선택합니다. 또한 하나의 구성이 여러 활성 학습 실행에 연결되는 모호한 경우는 거부합니다. 평균을 내기 전에 예측 스키마를…
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 장에서는 적합된 통계 절차를 트레이딩 모델의 특성으로 바꾸는 방법을 살펴봅니다. 진단 및 정상성, 구조적 변화, 분수 차분, 칼만 필터, 스펙트럼 및 경로 서명 기법, ARIMA 및 GARCH 변동성, HAR 및 거친 변동성 측정치, 불확실성 추정치, 국면 모델, 횡단면 또는 패널 변환을 다룹니다. 출력에는 필터링된 수준과 추세, 혁신, 예측값, 조건부 변동성, 국면 확률, 사후 또는 예측 불확실성이 포함됩니다. 핵심 워크플로는 학습 데이터를 사용해…
이 노트북은 상장 옵션 데이터를 읽어 주식 순위를 매긴 다음 해당 주식을 보유하는 전략에 사용할 선행 주식 수익률 라벨을 만듭니다. 기업 행위를 반영한 조정 가격 시계열을 생성하고 지속적인 증권 ID로 기업을 식별한 다음, 각 선행 구간이 완전한지, 하나의 증권에 속하는지, 거래 세션 단위로 측정되는지 확인합니다. 이용할 수 없는 수익률을 명시적으로 처리해 방향 라벨도 도출합니다. 보유 기간과 검증 퍼지 버퍼를 구분하고 신호 관측 시점이 아니라 결과 확정…
이 노트북은 정보 계수, 분위수 수익률, 상하위 스프레드, 분류 진단을 사용해 횡단면 모멘텀 팩터를 평가합니다. Spearman IC를 신호와 후속 수익률 간 날짜별 순위 상관으로 소개하고, 전체 날짜·자산 관측값을 합친 상관과 구분합니다. 통합 IC에는 수익률의 시간 변동도 반영되므로 두 방식의 결과가 달라질 수 있습니다. 또한 ICIR, 유의성 지표, 분위수 단조성, 회전율, 신호 감쇠를 상호 보완적인 진단으로 설명합니다. 사례에서는 ETF 데이터를…
이 사례 연구는 상장 옵션 정보가 S&P 500 주식 선정에 도움이 되는지 살펴봅니다. 2017년부터 2021년까지 633개 주식의 일별 주가와 옵션 내재 변동성 수준, 스큐, 기간 구조, 분산 위험 프리미엄 지표를 결합합니다. 옵션 특성값에는 시차를 두고, 금요일 데이터로 포트폴리오를 정한 뒤 다음 월요일 시가에 거래를 시작합니다. 연구 워크플로는 수익률 라벨, 특성 구성, 여러 모델군, 포트폴리오 배분, 위험 통제, 거래 비용, 후속 기간 평가를…
이 모듈은 CME 선물 연구를 위한 독자용 워크플로를 정의하며, 모델 요청, 예측 및 백테스트 실행, 후보 풀, 최종 선정을 다룹니다. 공통 설정 선언에서 구성된 라벨 스윕을 읽고 선언된 순서를 유지하며, 요청된 모델 구성이 모든 라벨에 존재하는지 확인합니다. 연구 구성에서는 표준 실행과 축소된 미리보기 실행을 구분하고 실행 세부 정보를 기록해 미리보기 결과가 표준 모집단의 구성원으로 취급되지 않도록 합니다. 전략 선정을 위해 이 워크플로는 검증 및 위험…
이 노트북은 관측된 가격 경로를 바탕으로 삼중 장벽 라벨의 폭을 정하기 위해 최대 유리 변동폭(MFE)과 최대 불리 변동폭(MAE)을 사용합니다. 바 종가에 진입한 포지션을 대상으로 다음 바부터 시작하는 선행 보유 기간 동안의 최대 유리 움직임과 최대 불리 움직임을 측정합니다. 롱과 숏 포지션은 정의가 반대입니다. 진폭(True Range)과 와일더 스무딩을 사용한 평균 진폭도 설명하고, 변동성 조건부 분석으로 장벽 폭을 조정하는 방법을 제시합니다. 일별…
이 분석은 모델을 적합하거나 예측을 만들기 전에 데이터가 횡단면 암호화폐 무기한 선물 전략을 뒷받침할 수 있는지 살펴봅니다. 제안된 방법은 펀딩 정산 때마다 프리미엄 순위를 매기고 순위 한쪽을 매수하고 반대쪽을 매도합니다. 의사결정 시점마다 상장된 계약이 충분한지, 일반적인 가격 변동으로 거래소 수수료를 감당할 수 있는지, 시계열 상관을 고려한 뒤 독립적인 과거 데이터가 얼마나 남는지 점검합니다. 개발 기간만 사용하고 지정된 홀드아웃은 열어보지 않습니다.…
이 문서는 신호 선택과 포지션 규모 결정을 분리하기 위해 설계된 FX 포트폴리오 배분 스윕을 설명합니다. 검증 백테스트 성과 순으로 정렬한 고정 동일 비중 기준선 후보에서 시작해 각 모델 체크포인트와 신호 매핑을 유지하면서 다음 설정 단계로 진행합니다. 스윕에서는 예측값, 선택된 페어, 거래 비용, 실행 가정을 고정하고 배분 규칙만 바꿉니다. 각 전략 명세를 기준선과 비교하고 배분 외의 필드 변경은 거부합니다. 워크플로는 정식 프로덕션 실행과 축소된 미리보기…
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 과거 수익률 특성 시퀀스로 ETF의 미래 수익률을 예측하는 시계열 합성곱 네트워크(TCN)를 소개합니다. 인과 합성곱은 출력이 해당 날짜까지의 관측값만 사용하도록 보장하고, 기하급수적으로 늘어나는 팽창률은 입력 창 전반으로 수용 영역을 확장합니다. 잔차 연결은 더 깊은 스택을 지원하며 가중치 정규화와 채널 드롭아웃도 블록 설계에 포함됩니다. 모델은 횡단면 순위 상관계수와 영점 예측을 기준으로 한 제곱 오차를 사용해 릿지 회귀 기준선과 비교합니다.…