지식 라이브러리

이 노트북은 ETF 횡단면의 가격결정을 위한 확률적 할인 요인 모델을 소개합니다. 펀드 익스포저와 요인 수익률을 따로 추정하는 대신, 펀드 수익률과의 공분산이 평균 수익률을 설명하는 공통 할인 요인 시계열을 신경망으로 학습합니다. 학습 목표는 가격결정 오차를 최소화하는 것이며, 예측 수익률과 정보계수는 후속 진단 지표로 보고합니다. 모델을 해석할 때 최적화 대상과 보고된 예측 점수를 구분하는 것이 핵심입니다. 학습 전에 구현부는 설정을 적격 펀드·날짜 행,…

이 분석은 무기한 선물 펀딩에 관한 여러 모델 계열의 검증 예측을 비교합니다. 정보계수는 후속 수익률의 순위를 측정하고, AUC는 상승과 하락 결과를 분류하는 순서를 측정하며, 로그 손실은 확률 품질을 평가하고 확신이 큰 오답에 불이익을 준다고 설명합니다. 이 진단 지표는 서로 다른 질문에 답합니다. 순위가 더 좋다고 확률 보정이 더 잘되는 것은 아니며, 예측만 따로 설명하는 지표로는 어떤 트레이딩 전략이 가장 좋은지 판단할 수 없습니다. 각 모델의 저장된…

이 사례 연구는 FX-쌍 레이블을 예측하기 위한 LSTM 모델을 설정합니다. 순환 모델이 유지하는 은닉 상태를 고정 과거 구간 변환 및 합성곱 수용 영역과 비교하되, 다른 모델과의 비교는 별도 분석으로 미룹니다. 공통 러너는 학습 전에 시퀀스 길이, 아키텍처 설정, 장치, 레이블, 폴드, 체크포인트 일정을 결정합니다. 누락된 일별 관측값을 가로지르는 과거 구간 윈도우는 제외하므로 검증 커버리지가 원본 패널보다 좁을 수 있습니다. 재현성과 올바른 모델 인계를…

이 사례 연구는 NASDAQ-100 미시구조 특성에 그래디언트 부스팅 트리를 적용해 여러 장중 기간의 수익률과 방향을 예측합니다. 선형 모델과 트리를 비교합니다. 트리는 스프레드에 따라 주문흐름 불균형의 효과가 달라지는 등의 조건부 관계를 찾아낼 수 있지만, 선형 모델은 이런 상호작용을 명시적으로 입력해야 합니다. 탐색에서는 트리 규모, 손실 함수, 부스팅 반복 횟수를 바꾸고 여러 체크포인트에서 예측을 저장합니다. 노트북은 각 체크포인트가 평가를 위한 별도의…

이 노트북은 네 단계로 예측 시스템을 구성합니다. 연구 에이전트 패널, 확률 통합, 대립 토론, 그리고 의견 차이를 찾아 추가 근거를 검색한 뒤 최종 확률을 내는 감독자입니다. 감독자의 영향력은 자체적으로 밝힌 신뢰도에 따라 제한됩니다. 무시하거나 이전 결과와 결합하거나 이전 결과를 대체하도록 할 수 있습니다. 상관 가정, 단계별 가중치, 검색 한도, 신뢰도 처리 설정은 중앙에서 선언합니다. 파이프라인은 중간 확률, 프롬프트, 근거, 단계별 출력을 기록하므로…

이 노트북은 설계된 ETF 특성에 차등 프라이버시를 적용해 생성적 적대 신경망을 학습하는 방법을 보여줍니다. 프라이버시 매개변수 엡실론과 델타를 소개하고, DP-SGD가 각 레코드의 그래디언트를 집계 전에 자르고 보정된 노이즈를 추가하는 이유를 설명하며, Opacus로 샘플별 그래디언트와 누적 프라이버시를 관리합니다. 배치 전체에 적용하는 정규화는 레코드 간 정보를 노출할 수 있으므로 판별자에는 호환되는 레이어가 필요합니다. 생성자는 실제 관측값을 직접…

이 노트북은 ETF 특성과 미래 수익률에 고전적인 최소제곱 추론을 적용합니다. 계수 추정치, 표준오차, t 통계량, p값과 이분산성, 잔차 자기상관, 비정규성, 다중공선성 검정을 살펴봅니다. 표본은 자산과 날짜로 구성된 불균형 패널입니다. 워크포워드 학습 폴드를 사용하고 학습 데이터로 특성을 표준화하며, 강건 공분산을 추정하기 전에 선형 종속성이 있는 수익률 합성 변수 여러 개를 제거합니다. 논의에서는 진단 결과가 패널 관측값의 정렬 및 그룹화 방식에 따라…

이 노트북은 ETF 순위 신호를 포트폴리오 구성부터 단순화한 백테스트까지 추적합니다. 릿지 회귀와 로지스틱 분류를 워크포워드 분할로 학습한 뒤 모멘텀 및 동일 가중 포트폴리오와 비교합니다. 매월 리밸런싱할 때 활성 신호는 공매도 없이 동일 비중으로 상위 10개 종목 바스켓을 구성합니다. 비교에서는 총수익 및 순수익 성과 지표, 회전율, 횡단면 정보계수를 보고해 신호의 순위 선정 능력과 해당 포트폴리오 거래 결과가 어떻게 다를 수 있는지 보여줍니다. 거래…

이 노트북은 사전에 정의한 모델 집합의 하나로 PatchTST를 학습해 S&P 500 옵션을 연구합니다. 과거 시계열을 고정 길이 패치로 나누고 토큰으로 임베딩한 뒤, 어텐션을 사용해 구간 내 위치 간 관계를 학습합니다. LSTM의 단계별 순환과 비교하면 어텐션은 떨어진 시퀀스 구간을 직접 연결하고 구간 전체를 병렬 처리할 수 있습니다. 순서 정보는 위치 임베딩을 통해 학습해야 하며, 매개변수 수가 많아 데이터가 제한적일 때 학습이 더 어려울 수 있습니다.…

이 문서는 미래 수익률 구간이 겹치는 레이블을 위한 두 가지 진단 지표, 즉 통합 패널 자기상관과 레이블 고유성에 기반한 유효 표본 크기를 정의합니다. 자기상관은 원래 바 그리드에서 요청한 거리만큼 떨어진 관측값을 같은 개체 안에서만 짝짓습니다. 통합하기 전에 각 개체 내에서 값을 평균 중심화해 개체별 평균 차이로 생기는 허위 지속성을 방지합니다. 유효한 쌍이 없는 시차도 NaN으로 표시해 둡니다. 유효 표본 크기는 각 레이블의 미래 수익률 구간 중 동시에…

금융 뉴스 문장을 긍정, 중립, 부정으로 분류하는 세 가지 방법을 비교합니다. 로지스틱 회귀를 사용한 TF-IDF 단어 및 단어 쌍 특성, 사전 학습된 GloVe 벡터의 평균과 로지스틱 회귀, 사전 학습된 FinBERT 감성 분류기입니다. Financial PhraseBank의 만장일치 라벨 하위 집합을 층화해 훈련·테스트로 분할합니다. 두 어휘 기반 방법은 같은 분할에서 훈련하지만 FinBERT는 이미 훈련된 모델로 적용합니다. 따라서 점수에는 특성…

분 단위 NASDAQ-100 데이터에서 세 가지 절차로 특성을 구성합니다. 단기 분산 예측을 위한 롤링 이질적 자기회귀 회귀, 최근 활동의 주기 구조를 설명하는 푸리에 변환, 가격·주문 흐름·거래 강도 변화의 순서를 포착하는 깊이 2의 경로 시그니처입니다. 회귀 특성은 매개변수를 적합하는 데이터 구간에 따라 달라지지만, 변환과 시그니처는 최근 구간에 적용하는 고정 계산입니다. 특성은 봉마다 생성하며 단면 순위화 능력을 평가합니다. 방법론은 인과적 워크포워드…

이 노트북은 사건 발생 시점, 공개 시점, 그래프 파이프라인이 사건을 추출한 시점을 혼동하지 않고 금융 이벤트 그래프를 분석하는 방법을 보여줍니다. 시각이 기록된 8-K 관계를 불러와 공시와 추출 지연을 측정하고, 공개 공시 기준 시점으로 그래프 스냅샷을 만듭니다. 누적 스냅샷을 비교해 관계 변동을 계산하고 이후 공시나 추출 결과가 과거 시점 보기에도 나타나는지 확인합니다. 예시는 시간 평가의 함정을 보여줍니다. 데이터셋을 필터링한 뒤 같은 필터를 확인하는…

잠재 요인을 이름이 붙은 예측 변수로 제공하는 대신 선물 간 동조 움직임에서 추론한 공통 수익 동인으로 소개합니다. 각 훈련 폴드 안에서 적합하는 두 접근법을 비교합니다. 주성분 분석(PCA)은 수익률 분산을 가장 많이 설명하는 선형 방향을 찾고, 신경망 확률적 할인 요인(SDF) 접근법은 단면 기대 수익률을 설명하는 공통 가격 결정 객체를 찾습니다. PCA는 수익률만 사용하는 반면, SDF는 특성도 도구 변수로 사용해 특성 조건부 익스포저를 표현할 수…

S&P 500 옵션을 대상으로 선형 모델, 그래디언트 부스팅, 표 형식 딥러닝, 시퀀스 모델의 검증 예측을 비교하는 방법을 설명합니다. 진단 결과를 제시하기 전에 등록된 각 예측 모집단이 적격성 조건을 충족하며 완전한지, 모든 모집단이 동일한 교차 검증 식별자를 공유하는지 확인합니다. 시퀀스 모델은 과거 이력이 필요하므로 적격 행이 다릅니다. 비교는 적격 그룹이 일치할 때 의미가 있으며, 모델 계열 간에 자동으로 비교할 수 있는 것은 아닙니다. 폴드별 정보…

이 노트북은 피처 스토어가 학습 데이터와 실시간 모델 입력을 일치시키는 방법을 설명합니다. 엔터티 키, 이벤트 타임스탬프, 피처 값의 TTL(생존 시간), 피처 열을 기준으로 피처 뷰를 설명하고, 과거 학습을 위한 시점 기준 조인과 서빙을 위한 최신 값 조회를 비교합니다. 예시에서는 Parquet 파일에 저장된 일별 US 주식 재무 특성과 모델 산출 특성을 사용하며, 학습 데이터가 홀드아웃 경계를 넘지 않도록 하는 검사를 포함합니다. 또한 타임스탬프 규칙을…

이 문서는 신호 품질부터 검증, 거래 비용, 홀드아웃 성과, 근거의 품질까지 트레이딩 사례 9개를 평가하는 5단계 절차를 설명합니다. 각 관문은 누적 방식으로 적용되므로 전략이 마지막 단계에 도달하려면 해당되는 앞선 관문을 모두 통과해야 합니다. 사례에 적용되지 않는 단계는 실패가 아니라 통과로 처리합니다. 분석은 제외 사유를 신호, 구현, 근거 품질 문제로 분류하고, 레이블 개선, 분야별 특성 추가, 모델 튜닝, 앙상블 구성, 포트폴리오 규칙 변경 등 다음…

이 노트북은 여러 기간의 선행 수익률을 예측하기 위해 1분 단위 NASDAQ-100 미시구조 특성에 장단기 기억 네트워크를 적합하는 과정을 설명합니다. 모델은 과거 관측값으로 구성한 시퀀스를 한 단계씩 처리하며 어떤 이전 관측치를 유지할지 학습합니다. 학습에는 워크포워드 폴드를 사용하고, 학습 데이터만으로 특성을 표준화하며, 종목과 폴드가 바뀔 때 상태를 초기화하고, 지정된 체크포인트에서 검증 예측치를 저장합니다. 학습 대상 간 중첩을 줄이기 위해 각 레이블…

이 노트북은 계측 주성분 분석에서 주식 특성을 요인 노출로 변환하는 선형 매핑을 신경망으로 대체한 조건부 오토인코더를 소개합니다. 노출과 요인 수익률의 곱으로 이루어진 구조는 유지하면서, 특성과 적재량 간 비선형 관계를 허용합니다. 각 학습 구간에서 설정된 선행 수익률 레이블을 재구성하도록 모델을 학습한 뒤, 검증 정보계수로 표현이 이후 날짜에도 적용되는지 측정합니다. 이 노트북은 한 번의 확률적 학습에서 여러 체크포인트의 예측값을 공개하고, 모델 선택은…

이 유틸리티 모듈은 검증 및 홀드아웃 데이터에서 예측 모델을 평가하는 표와 그림을 만듭니다. 진단 항목에는 정보계수의 신뢰구간, 검증에서 홀드아웃으로의 성과 저하, 선택 편향을 보정한 백테스트 통계, 폴드별 비교, 시장 국면 포괄률, 컨포멀 구간 포괄률이 포함됩니다. 저장된 학습, 예측, 백테스트 기록을 조회하고 비교 가능한 구성을 선택하며, 관련 결과가 아직 없으면 일관된 빈 표 스키마를 반환합니다. 설계는 모델 평가를 위한 몇 가지 안전장치를 강조합니다.…

이 문서는 자산별 시계열과 맥락 정보를 상한과 하한이 있는 포트폴리오 리스크 비중으로 변환하는 신경망 정책 네트워크의 구조를 설명합니다. 자산별 기본 구조는 맥락 임베딩, 특성별 조절, 변수 선택, LSTM, 인과적 시간 어텐션을 결합합니다. 이후 지연된 횡단면 어텐션으로 자산 간 관계를 처리하며, 선택적으로 거시경제 인접 그래프로 범위를 제한한 어텐션을 적용할 수 있습니다. 정적 맥락에는 자산 정체성, 그룹 소속, 거래 비용을 담을 수 있고, 마스크는 이용…

이 문서는 연방준비제도가 2026에 금리를 인상할지에 대한 다단계 전망을 기록합니다. 세 에이전트가 근거를 탐색하고 확률을 제시한 뒤 토론과 감독자의 업데이트가 이어집니다. 의견은 서로 다릅니다. 두 에이전트는 금리 인상 가능성을 낮게 보지만, 다른 한 에이전트는 위험이 더 크다고 판단해 인플레이션, 연준의 전망, 통화정책 방향에 대한 이견을 드러냅니다. 감독자는 후속 근거를 검토하고 금리 인하 기대와 연준의 전망 경로를 긴축보다 완화의 근거로 들어 확률을…

이 노트북은 S&P 500 옵션을 대상으로 선언된 3개 모델 시퀀스 학습 집단 중 NLinear 모델을 실행합니다. 이 모델을 학습하기 전에 전체 집단의 요청과 체크포인트를 확정하므로, 후속 노트북에서 같은 스냅샷을 기준으로 LSTM 및 PatchTST 모델을 실행할 수 있습니다. 장치도 학습 정체성의 일부로 간주합니다. CPU와 GPU 연산에서 서로 다른 학습 가중치가 나올 수 있으므로, 표준 장치가 아닌 경우 별도의 집단 이름이 필요합니다. 이 워크플로는…

이 노트북은 US 기업 특성 연구의 홀드아웃 예측 단계를 설명합니다. 검증 결과로 선택한 모델 설정의 학습 사양과 체크포인트를 복원한 뒤, 홀드아웃 기간 전에 끝나는 데이터로 다시 적합합니다. 새 학습 식별자를 사용해 재적합을 감사할 수 있게 하고, 연구 설정에서 기간과 레이블 버퍼를 정해 학습 결과와 평가 기간이 겹칠 위험을 줄입니다. 노트북은 레지스트리 무결성도 다룹니다. 검증 학습 식별자를 재사용한 이전 예측 생성을 찾아내고, 후속 사용자가 경쟁 결과…