Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 535개
이 노트북은 그래디언트 부스팅 예측의 예측 구간을 만들고 분할 컨포멀 예측을 분위수 회귀, 컨포멀화 분위수 회귀, 적응형 컨포멀 추론과 비교합니다. 분할 컨포멀은 시간순으로 학습 데이터와 보정 데이터를 나누고, 레이블 기간을 고려해 경계 주변 관측치를 제거하며, 유한 표본 잔차 순서 통계량으로 구간 폭을 설정합니다. 이 프레임워크는 ETF, 암호화폐, 선물 데이터를 대상으로 경계 주변 관측치를 제거한 워크포워드 폴드를 사용해 평가합니다. 노트북은 경험적…
이 튜토리얼은 고정 손절·익절 장벽, 추적 손절, ATR 기반 청산, 머신러닝 청산 신호와 이 접근법들의 조합을 일별 SPY 데이터로 비교합니다. 고정 장벽은 진입 가격을 기준으로 시뮬레이션하며, 야간 갭은 시가에 체결하고 한 봉에서 손절과 목표가가 모두 닿으면 보수적으로 손절이 먼저 체결된다고 가정합니다. ATR는 최근 가격 움직임에 맞춰 청산 거리를 조정합니다. 머신러닝 부분은 기술적 특성과 시간순 분할을 사용하고, 미래를 보는 레이블에서 정보가 누출되는…
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 언어 모델 클라이언트, 검색 도구, 제한된 턴 반복으로 예측 에이전트를 구성합니다. 에이전트는 근거를 검색하고 근거 설명과 함께 이진 확률을 반환합니다. 응답 파서는 흔한 형식 오류를 처리하고 검색 및 예측 행동이 유효한지 검증하며, 잘못된 응답은 수정을 위해 다시 전달합니다. 저장된 실행 기록은 프롬프트, 도구 결과, 모델 호출, 토큰 사용량을 보존해 새 API 호출 없이 예측을 재생하고 감사할 수 있게 합니다. 노트북은 예측과 근거 설명에서…
이 노트북은 연속 관측치가 서로 의존할 때 신호의 정보계수(IC)가 잡음과 구별되는지 평가합니다. 모멘텀 신호와 ETF 데이터를 예로 들어 선행 수익률 중첩, 지속적인 신호 순위, 시장 국면이 일별 IC 값을 자기상관되게 만들 수 있음을 설명합니다. 이 경우 단순 t 통계량은 불확실성을 과소평가하고 유의성을 과대평가할 수 있습니다. 노트북은 이분산성 및 자기상관 일관 표준오차인 Newey–West 표준오차를 연속 관측치를 재표본추출하는 블록 부트스트랩과…
이 노트북은 롱 ETF 거래의 청산 방법을 비교합니다. 고정 이익 목표와 손절, 추적 손절, ATR 조정 장벽, 머신러닝 신호 및 이들의 조합을 다룹니다. 지표와 거래 시뮬레이션을 만들고 거래 수익률, 승률, 손절 빈도, 표준오차를 이용한 불확실성을 요약합니다. OHLC 체결 관례는 오버나이트 갭을 시가에 처리하고, 일별 데이터로 장중 순서를 알 수 없으므로 일별 봉에서 손절과 목표가 모두 닿으면 손절이 먼저 체결된다고 가정합니다. 머신러닝 비교에서는 시간…
이 문서는 CME 선물에 대한 모델 예측의 검증 기준선을 설명합니다. 매주 의사결정 시점마다 상품을 예측 수익률 순으로 정렬하고, 상위 그룹은 롱, 하위 그룹은 숏으로 보유하며 각 그룹 내 비중은 동일하게 둡니다. 거래 가능한 유니버스에서 도출한 값들로 각 그룹의 상품 수를 바꿔 집중도가 결과에 미치는 영향을 살펴봅니다. 배분 최적화, 위험 목표 설정, 거래 비용은 의도적으로 제외해 실제 배포할 전략이 아닌 단순한 기준 포트폴리오를 구성합니다. 이 워크플로는…
이 노트북은 모델링 전에 시장 시계열의 특성을 파악하는 작업 흐름을 제시합니다. 먼저 SPY 가격과 수익률, VIX 수준, 수익률 분포를 그려 추세, 변동성 군집, 두꺼운 꼬리를 확인합니다. 이어 확장 디키-풀러 검정과 KPSS 검정을 함께 해석하는 방법을 설명합니다. 귀무가설의 방향이 서로 반대이므로 두 검정을 함께 보면 정상성 근거, 단위근, 상충되는 결과, 불충분한 표본을 구분할 수 있습니다. 작업 흐름은 수익률과 제곱 수익률의 자기상관을 살펴보고…
이 노트북은 TWS 또는 Gateway를 통해 전략을 Interactive Brokers에 연결하는 운영 절차를 설명합니다. 세션이 모의 계좌인지 확인하고 계좌 값과 포지션을 읽으며, 데이터 피드가 시작되기 전에 전략 상태를 초기화하도록 과거 봉 데이터를 요청합니다. 5일 ETF 모멘텀 전략을 백테스팅과 운영 엔진에서 함께 사용하며, 들어오는 틱 데이터는 봉으로 집계합니다. 주문은 섀도 모드의 안전 래퍼를 거칩니다. 주문을 거래소로 보내지 않고 가상…
이 노트북은 자본을 배정하기 전에 섀도 모드에서 도전자 모델을 평가하는 절차를 제시합니다. 고정된 기존 모델과 후보 모델의 저장된 예측을 비교하고, 순위에 따른 동일가중 롱숏 포트폴리오를 구성해 둘 다 같은 거래 비용 규칙을 적용한 뒤 사전 지정된 게이트를 평가합니다. 이 게이트는 최소 샤프 개선과 관측 기간에 신호 상관관계, 포지션 일치도, 최대 상대 드로다운 조건을 결합합니다. 모든 기준을 요구하면 잡음이 섞인 성과 결과나 전략 노출 변화와 견고한 개선을…
이 노트북은 일별 포트폴리오 수익률과 이에 맞춘 SPY 벤치마크를 사용해 ETF 자산 배분 백테스트를 평가하는 틀을 제시합니다. 샤프, 소르티노, 칼마, 최대 드로다운 같은 위험·수익 지표, 롤링 지표, 드로다운 회복, 벤치마크 대비 알파·베타·추적 오차·정보 비율, 선정된 스트레스 기간의 성과를 다룹니다. 수익률은 등록된 비용 고려 백테스트에서 가져오며, 체결 가정은 해당 결과물에서 이어받으므로 비용을 다시 차감하지 않습니다. 이 전략은 사례 연구 등록…
이 노트북은 모델 불확실성이 점추정치 이상의 정보를 더하는 방식을 설명합니다. 잠재 로그 변동성이 시간에 따라 변하고 수익률이 스튜던트 t 분포를 따른다고 가정하는 확률적 변동성 모델을 적합합니다. 사후분포의 퍼짐, 구간 너비, 매개변수 추정치를 특성으로 추출하며 샘플러 수렴과 몬테카를로 오차에 주의를 기울입니다. 노트북은 ARIMA 모델의 예측 구간과 불확실성을 추정한 척도에서 측정해야 하는 이유도 설명합니다. 적합에는 직전 1년간의 SPY 수익률을…
이 평가 도구는 금융 검색 증강 생성 파이프라인의 네 가지 실패 유형을 구분합니다. 관련 증거 검색, 해당 증거에 근거한 답변, 답할 수 없는 질문에 대한 답변 거부, 검색된 텍스트 속 안전하지 않은 지시에 대한 저항입니다. 질문, 실제 공시 자료, 생성된 답변, 인용, 예상되는 거부 또는 안전 동작을 담은 수기 테스트 사례를 사용합니다. 노트북은 개별 지표와 종합 지표를 따로 정의해 살펴보며, 혼합 결과는 그 기반이 되는 측정값까지 추적해야 한다고…
이 분석은 기업 특성에 기반한 월간 US 주식 전략의 등록된 백테스트 파이프라인을 살펴봅니다. 샤프 불확실성, 샤프 확률과 과대추정 보정 지표, 쌍체 전략 비교, 홀드아웃 성과 저하, 마이크로캡의 낮은 유동성을 반영하도록 설계된 비용 분석을 보고합니다. 검증 데이터로 전략 구성을 선택하고, 홀드아웃은 선택을 한 차례 더 진행하는 용도가 아니라 고정된 구성을 평가하는 데 사용합니다. 측정된 변화와 점추정치 차이를 구분하기 위해 쌍체 지표와 신뢰구간을…
이 노트북은 스트래들을 매도하는 S&P 500 옵션 전략의 포트폴리오 가중 규칙을 비교합니다. 선택된 종목과 다른 전략 설정은 고정하고 동일가중 기준선을 모델 예측 또는 기초자산 수익률 리스크 추정치를 활용하는 배분기로 대체합니다. 비교 옵션은 점수 가중, 변동성 역수, 리스크 패리티, 계층적 리스크 패리티, 축소 평균분산 최적화, 예측 구간 너비에 기반한 컨포멀 가중입니다. 워크플로는 선택 전에 변경 불가능한 후보 세트를 고정하고, 모델 설정을 검증 샤프로…
이 노트북은 이미 선택된 암호화폐 무기한 계약 설정에 체결 비용이 미치는 영향을 측정합니다. 모델, 체크포인트, 진입 규칙, 배분기, 리스크 통제를 고정한 뒤 거래 명목금액에 부과되는 왕복 비용을 사전에 정한 격자에 따라 바꿔 전략을 다시 실행합니다. 그 결과로 얻는 비용 감소 곡선은 후보의 순위를 매기거나 선택하는 대신, 해당 설정이 어느 정도의 마찰 비용을 감당할 수 있고 어느 지점에서 성과가 손익분기에 이르는지 보여주려는 것입니다. 분석은 비용률과…
이 장은 실용적인 질문을 바탕으로 시계열 딥러닝을 살펴봅니다. 관측 순서에는 횡단면 예측이 놓치는 정보가 언제 담기며, 어떤 모델 구조가 그 정보를 활용할 수 있을까요? 순차 학습 부담이 있는 순환 신경망, N-BEATS 같은 분해 모델, 어텐션 기반 접근법, 시간 합성곱, 믹싱 네트워크, 상태 공간 모델, 이미지 인코딩, 사전 학습 예측기를 다룹니다. 노트북에서는 강력한 선형 기준선을 포함해 구조를 비교하고, 워크포워드 평가와 함께 순서를 섞어 모델의 시간…
이 읽기 전용 분석은 여러 모델 계열의 검증 예측을 모아 데이터가 완전한지, 주식 순위를 얼마나 잘 매기는지, 폴드 전반에 걸쳐 순위 예측력이 이어지는지, 겉보기에 비슷한 모델이 서로 다른 정보를 제공하는지 살펴봅니다. 예측값과 이후 수익률 사이의 횡단면 순위 상관인 정보계수를 사용하고, 수익률 윈도우 중첩으로 인한 의존성을 반영하는 구간을 함께 제시합니다. 쌍별 비교에는 공통 날짜와 패널 키를 사용해 표본 불일치나 중복 조인으로 인한 오해를 피합니다. 또한…
이 노트북은 SHAP으로 ETF 수익률에 대한 릿지 회귀 예측을 설명합니다. 선형 모델에서 특성 기여도는 적합 계수와 배경 특성값으로부터의 편차 사이에 폐쇄형 관계가 있으므로, 분석은 설명 결과를 정확한 분해와 대조해 확인할 수 있습니다. 전역 중요도, 단일 예측의 워터폴 설명, 큰 폭의 예측 중 맞은 경우와 틀린 경우의 비교를 보여줍니다. 모델은 마지막 워크포워드 폴드에서 학습하고, 폴드 전반의 추가 적합 결과로 특성 중요도가 시간에 따라 어떻게 변하는지…
이 노트북은 이전에 선택한 S&P 500 옵션 모델의 아웃오브샘플 예측 세트를 만드는 방법을 설명합니다. 검증 결과로 설정을 고정하고, 홀드아웃 이전 데이터로 해당 설정을 다시 학습한 뒤 홀드아웃 구간 예측을 등록합니다. 학습 식별 정보를 확인해 실제 재학습과 검증 학습 실행에 잘못 연결된 예측을 구별합니다. 고정 기간 목표와 달리 만기까지의 수익률은 나중에 확정되므로 학습 종료 시점에는 전체 옵션 주기만큼의 라벨 버퍼도 포함합니다. 노트북은 선택한…
이 유틸리티는 선택적으로 모멘텀을 포함하는 Fama–French 3요인 또는 5요인 모델로 전략 수익률을 설명하는 방법을 다룹니다. 일별 요인 데이터를 전략 수익률에 맞추고 수익률 빈도를 감지하며, 전략 관측 빈도가 일별보다 낮으면 요인 수익률을 복리로 계산합니다. 보통최소제곱법으로 알파와 요인 노출을 추정하고, Newey–West 이분산성 및 자기상관 일치 표준오차로 추론을 지원합니다. 롱온리 전략은 무위험 수익률을 초과하는 수익률로 모델링하고, 달러 중립…
이 노트북은 시간봉 BTC, ETH, SOL 무기한 계약 데이터에서 두 모델을 사용하는 청산 설계를 시험합니다. 진입 분류기는 이례적으로 높은 선행 수익률을 식별하고, 예측 확률은 기술적 특성과 함께 별도 모델에 입력되어 다음 24시간 수익률이 음수일지 추정합니다. 청산 모델 학습에 사용하는 진입 확률은 확장 윈도우 방식의 아웃오브폴드 예측으로 생성하며, 라벨이 이후 기간에 걸쳐 들어가지 않도록 폴드 경계에서 퍼지합니다. 비교는 시간순으로 구성하고 퍼지를…
이 장은 전략 설계와 실거래 운영의 일부로 리스크 관리를 다룹니다. VaR와 조건부 VaR를 사용한 꼬리 위험 측정, 드로다운의 깊이와 회복, 익스포저 분해, 스트레스 테스트, 적응형 제어, 거버넌스를 설명합니다. 제시된 방법에는 과거·모수적·Cornish-Fisher 꼬리 추정, 위기 상황 재현과 가상 시나리오, 팩터 회귀, 변동성 목표 설정, 포지션 청산, 드리프트 모니터링, 킬 스위치가 포함됩니다. 배포 전에 한도와 상향 보고 규칙을 정하고 의사결정…
이 노트북은 LSTM 배분기를 구축해 ETF 수익률과 롤링 변동성 특성의 시퀀스를 롱온리 포트폴리오 비중으로 직접 매핑합니다. 소프트맥스 출력은 비중이 음수가 되지 않고 자금이 전부 투자되도록 합니다. 수익률을 예측해 최적화기에 넣는 대신 학습 목표에서 미분 가능한 샤프 비율을 직접 최대화합니다. 시간 순서에 따라 학습, 검증, 테스트를 나눈 뒤 학습된 비중을 동일가중 및 역변동성 포트폴리오와 비교합니다. 예측 단계를 없애도 추정 불확실성은 사라지지 않는다고…