지식 라이브러리

이 노트북은 ARIMA 예측을 독립적인 예측 결과가 아니라 후속 모델의 입력 열로 다룹니다. ETF 수익률에 모델을 적합하고, 정상성 검정과 자기상관 진단으로 차수를 제안한 뒤, 학습 구간에서 정보 기준을 이용해 후보 차수를 비교합니다. 핵심은 다단계 예측과 원스텝 예측의 차이입니다. 정상 모형의 다단계 예측은 무조건부 평균에 수렴해 곧 거의 일정해지는 반면, 원스텝 예측은 새로운 관측치가 들어올 때마다 갱신됩니다. 노트북은 앞선 학습 구간에서 추정한…

이 노트북은 FX 레이블의 NLinear 예측을 준비하고 등록하는 방법을 설명합니다. NLinear는 고정 길이 입력 이력에서 마지막 관측 수준을 빼서 룩백 구간 내 변화에 모델을 집중시킵니다. 공통 시퀀스 적격성 절차는 확정된 레이블 타임라인에서 폴드 경계를 도출하고, 일별 관측치가 누락된 지점을 가로지르는 윈도를 제외합니다. 따라서 검증 예측은 유효한 시퀀스만 포함합니다. 워크플로는 모델 설정을 확인하고 요청한 아키텍처와 레이블이 구성된 학습 계획에…

이 공용 분석 유틸리티는 레지스트리 지표와 예측 수준 진단을 통해 트레이딩 모델 예측을 비교하도록 지원합니다. 미리 계산된 정보계수 결과를 불러오고, 선택적으로 레이블이나 모델 계열로 필터링합니다. 기본 설정에서는 커버리지가 불완전한 오래된 실행이 순위를 왜곡하지 않도록 폐기된 예측 세대를 제외합니다. 폴드별 지표도 제공하며 커버리지 제약 아래 대표 모델을 선택하고, 예측을 정렬하며, 일치도, 버킷 단조성, 학습 곡선, 국면 조건부 성과를 살펴볼 수…

이 문서는 기간 구조에 따라 상품 순위를 매기는 횡단면 선물 전략에 사용할 선행 수익률 레이블을 구성하는 방법을 설명합니다. 계약 롤을 거치는 수익률에는 롤 조정 가격이 적합하고, 캐리 신호에 필요한 동시점 곡선을 보존하려면 원시 결제 가격을 사용해야 한다고 구분합니다. 레이블은 근월물을 사용합니다. 각 기간이 필터링 후 남은 행이 아니라 해당 상품 자체의 거래 세션을 세도록 선행 시프트를 적용하기 전까지 데이터를 온전히 유지해야 합니다. 노트북은 기간…

이 문서는 선물 캐리에서 만든 세 가지 모델 기반 특성을 설명합니다. 다음 세션의 캐리 예측을 위한 ARIMA, 선택한 주기의 롤링 푸리에 측정치, 평균 캐리로 시장 국면을 추론하는 2상태 은닉 마르코프 모델입니다. 핵심은 시간 순서를 지키는 것입니다. 추정 매개변수는 이전 관측치만으로 적합하고, 정해 둔 일정에 따라 갱신한 다음, 다음 재적합 시점까지 유지해야 합니다. 은닉 마르코프 모델의 필터링된 상태 확률은 이후 데이터 없이 현재 및 과거 관측치를…

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 문서는 롤링 ETF 수익률 구간을 일반 합성곱 신경망용 2채널 이미지로 변환하는 방법을 설명합니다. 그라미안 각도장은 정규화된 관측치를 각도로 매핑해 쌍별 각도 관계를 기록합니다. 마르코프 전이장은 관측치를 분위수 구간으로 나누고 구간 사이의 전이를 나타냅니다. 이미지 CNN와 페널티를 적용한 선형 기준 모델은 같은 인코딩 입력을 받으며, 날짜별 횡단면 순위 상관으로 예측을 평가합니다. 인코딩에는 중요한 정보 및 평가 한계가 있습니다. 구간별 정규화는…

이 문서는 정산 60회 구간에서 암호화폐 무기한 계약의 펀딩 프리미엄을 예측하는 시간 합성곱 네트워크를 설명합니다. 인과 합성곱 블록 4개는 커널 크기 3과 팽창률 1, 2, 4, 8를 사용합니다. 수용 영역은 정산 61회를 포함해 입력 구간 전체를 포괄합니다. 인과 패딩은 한 위치가 이후 정산을 포함하지 못하게 해 검증 결과로 미래 정보가 누출되는 것을 막습니다. 모델은 모든 시점의 표현을 평균합니다. 마지막 순환 상태를 바탕으로 예측하는 비교 대상…

이 노트북은 틱, 거래량, 달러 바처럼 실제로 타임스탬프 간격이 불규칙한 시계열을 생성하는 GT-GAN 기반 아키텍처를 설명합니다. GRU-ODE 인코더는 관측치를 잠재 상태로 매핑하고, ODE 기반 생성기와 판별기 구성 요소는 연속 시간의 변화를 모델링하며 ODE 디코더는 관측치를 재구성합니다. 잠재 상태를 임의의 시점에서 조회할 수 있어 모델은 고정된 관측 격자를 넘어 보간과 생성을 지원합니다. 노트북은 간격이 서로 다른 표본에 대해 고정 단계 오일러…

이 노트북은 예측 모델에서 시장 레짐을 활용하는 세 가지 방법을 비교합니다. 레짐 정보를 빼거나, 변동성 레짐의 필터링 확률을 특성으로 추가하거나, 레짐을 확정적으로 할당한 뒤 각 레짐별 전문가 모델을 따로 적합합니다. 확장 시계열 폴드마다 은닉 마르코프 모델로 레짐 확률을 만듭니다. 훈련 구간에서만 적합하고 테스트 구간에는 전방 필터링 확률을 사용합니다. 훈련과 테스트 사이에 간격을 두어 여러 세션 앞 수익률을 목표로 하는 점을 반영하며, 스케일링도 훈련…

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 SEC 공시를 살펴보고 구조화된 기업 데이터를 추출하는 데 EdgarTools를 활용합니다. 안정적인 CIK로 공시 기업을 식별하고, 양식별 공시를 가져오며, XBRL 태그가 달린 연차 보고서를 재무제표 표로 변환하는 방법을 설명합니다. 내부자 Form 4 거래와 기관의 Form 13F 보유 내역을 확인하고, 공시 색인을 유형과 날짜로 검색하는 방법도 다룹니다. 백테스트에서 사용 가능한 기준 시점은 공시 날짜입니다. 회계 기간 종료일은 공개…

이 분석은 트레이딩 사례 연구 9건에 등록된 이중 머신러닝 처치 효과를 비교합니다. 각 연구의 등록 자료에서 최신 결과를 불러오고 등록 정보의 무결성과 중복 라벨을 확인하며, 분석 범위를 명시합니다. 효과와 신뢰구간은 원래 단위를 유지하고 HAC 통계로 패널 간 비교를 뒷받침합니다. 노트북은 단순 OLS 추정치와 직교화 추정치를 비교하고 블록 순열 반증 검사를 적용하며, 여러 라벨이 실제로 서로 다른 예측 기간을 가리키는지 구분합니다. 이 접근법은 인과 효과…

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 노트북은 여러 자산군의 롱숏 모멘텀 사례를 통해 선물 백테스팅의 작동 방식을 소개합니다. 계약 명세의 승수가 가격 변동을 달러 기준 손익으로 바꾸는 방식과 명목 노출이 계약 수를 결정하는 방식을 설명합니다. 계약당 고정 수수료와 비율 기반 비용을 비교하고, 선물 거래 시간과 증거금을 다루며, 섹터별 기여도를 사용해 집중도를 살펴봅니다. 사례는 거래 시간에 맞춘 일별 데이터를 사용하고 계약 승수를 적용할 때와 적용하지 않을 때의 영향을 비교합니다. 이…

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 과거 가격에서 직접 계산하는 지표를 보완하기 위해 외환 가격 이력에서 적합 모델 기반 특성을 만듭니다. 세 가지 접근법을 설명합니다. 천천히 변하는 가격 수준과 관련 값을 추정하는 상태 공간 필터, 달러 변동성 국면의 확률을 추정하는 2상태 은닉 마르코프 모델, 한 단계 예측 오차로 예상 밖 변화를 측정하는 고정 차수 ARIMA 수익률 모델입니다. 4시간 봉은 공통 거래일 달력을 사용해 세션 단위로 집계합니다. 각 모델에는 사전에 지정된 워밍업…

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 노트북은 S&P 500 기업의 분기별 MD&A 공시를 트레이딩 특성으로 바꾸는 워크플로를 설명합니다. 공시 접수일을 시점 기준점으로 삼고, 같은 날짜에 한 기업이 여러 공시를 제출한 경우 가장 최근 기간의 공시만 남깁니다. 그런 다음 두 가지 신호를 만듭니다. 청크 단위 FinBERT 감성을 문서별 평균과 분산으로 집계하고, sentence-transformer 임베딩을 기반으로 전 분기 대비 의미 변화를 계산합니다. 또한 연차 보고서가 제출되는 분기에…

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 앙상블 구성원 간에 2층 특성 네트워크를 공유하는 표 형식 신경망 구조 TabM을 적용합니다. 각 구성원은 자체적으로 학습한 벡터로 공유 표현의 크기를 조정하고 자체 출력층을 사용합니다. 구성원 예측을 평균하면 완전한 네트워크를 각각 학습하는 것보다 낮은 비용으로 앙상블 다양성을 유지하는 것이 목표입니다. 사전에 지정한 세 설정은 다른 학습 설정을 고정한 채 층 너비와 구성원 수를 다르게 하며, 목표값은 숏 스트래들 수익률입니다. 워크플로는 적합…