Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 535개
이 장에서는 연속시간 가격 과정, GARCH 변동성, 부트스트랩 재표본추출, 모델 비교 등 합성 금융 데이터를 생성하는 전통적 접근법을 설명합니다. 기하 브라운 운동, 점프 확산, 평균 회귀, 헤스턴 같은 모델이 수익률, 점프, 변동성 변화에 대해 서로 다른 가정을 어떻게 반영하는지 살펴보고, 드리프트 보정과 분산 절단 같은 실무 구현 세부사항도 다룹니다. 모수적 모델은 관측된 과거를 넘어선 결과를 생성할 수 있지만, 그 결과의 특성은 모델 가정이 함의하는…
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 노트북은 주요 S&P 500 주식 신호 구성에 적용할 포트폴리오 비중 산정 방식을 비교합니다. 먼저 검증 샤프를 기준으로 각 구성에서 전체 구간을 포괄하는 가장 우수한 체크포인트를 선택한 뒤, 점수 가중, 컨포멀 가중, 역변동성, 리스크 패리티, 평균-분산 최적화, 계층적 리스크 패리티 등 대체 배분 방식을 같은 예측치에 적용합니다. 리밸런싱마다 보유하는 종목 수도 바꾸고, 신호 단계의 동일 가중 기준선과 결과를 비교합니다. 이 설계는 예측 품질과 배분의…
이 노트북은 관측된 교란변수를 조정한 뒤 내재변동성과 실현변동성의 차이가 이후 주식 수익률과 연관되는지 이중 머신러닝으로 살펴봅니다. 실현 변동성, 주식 모멘텀, 리스크 리버설 스큐를 관련 통제변수로 식별하고, 같은 교차 적합 관측치에서 조정 추정치와 순진한 일반 최소제곱 추정치를 비교합니다. 블록 순열 반증 검정과 패널을 고려한 불확실성 추정도 사용합니다. 확정된 연구 사양에 따라 추정 대상, 적격 관측치, 교차 적합 구조, 엠바고, 위약 검정 설계를…
이 분석 노트북은 새로운 백테스트 대신 레지스트리 결과를 사용해 기업 특성으로 구성한 US 주식 전략을 평가하는 방법을 설명합니다. 불확실성을 반영한 성과 통계를 읽고 공통 표본 구간에서 설정 순위를 매기며, 선택한 전략을 동일가중 기준과 쌍별 비교로 평가합니다. 홀드아웃 결과를 기준으로 선택하지 않도록 선택한 검증 실행의 전체 사양에 따라 홀드아웃 평가를 확정합니다. 선택 종목의 비유동성을 고려한 확장 비용 구간으로 실행 마찰도 살펴봅니다. 패밀리 코호트…
이 노트북은 Binance 무기한 선물 데이터로 프리미엄에 따라 계약 순위를 매기고 롱·숏 포지션을 취하는 횡단면 전략을 지원할 수 있는지 평가합니다. 모델을 적합하거나 예측을 수행하지는 않습니다. 대신 펀딩 정산 시점의 선언된 거래 유니버스를 확인하고, 관측된 시장 폭을 전략의 의도된 포지션 규모와 비교하며, 거래소 수수료 대비 가격 변동을 살펴봅니다. 홀드아웃 기간을 유지하면서 개발 이력으로 워크포워드 검증이 가능한지도 평가합니다. 각 계약의 자기상관도…
이 문서는 고정된 ETF 모멘텀 전략의 비용 민감도를 분석합니다. 유니버스, 가중치, 일정, 시뮬레이터는 그대로 두고 거래 단위별 수수료를 달리해 백테스트를 다시 실행합니다. 결과 곡선은 가정한 거래 비용이 높아질수록 샤프 비율과 복리 성장률이 어떻게 바뀌는지 보여줍니다. 손익분기 수수료도 두 가지 방식으로 추정합니다. 비용 차감 전 성장률을 연간 회전율로 나누고, 시뮬레이션 성장 곡선을 보간합니다. 두 추정치의 차이는 시간이 지남에 따라 비용이 복리로…
이 노트북은 가격 변동성, 펀딩 비율, 평균 프리미엄 편차라는 선언된 세 가지 요인을 고정했을 때 암호화폐 무기한 계약의 프리미엄 z점수가 이후 8시간 수익률에 영향을 주는지 추정합니다. 처치가 연속형이므로 목표는 프리미엄 z점수 한 단위당 기대수익률 변화량을 나타내는 기울기입니다. 이 개입 관련 질문을 수익률 예측이나 트레이딩 전략 평가와 구분합니다. 이 방법은 이중 머신러닝을 사용합니다. 교란변수 예측 모델이 교란변수로 결과와 처치를 예측한 뒤, 잔차…
이 문서는 CME 선물 연구에서 검증 데이터로 모델 구성을 선택한 뒤 홀드아웃 기간의 예측을 생성하는 방법을 설명합니다. 검증 결과에서 선택된 구성과 체크포인트를 불러온 다음, 홀드아웃 시작 전에 확보된 이력만 사용해 모델을 다시 학습합니다. 레이블 버퍼는 학습 결과가 평가 기간으로 넘어가지 않게 하며 홀드아웃 전용 적격성 및 모델 매개변수를 다시 계산합니다. 등록된 학습 식별자는 검증 데이터로 학습한 모델을 재사용하지 않고 새로 학습했음을 뒷받침합니다.…
이 노트북은 12~-2개월 모멘텀이 베타, 고유 변동성, 시가총액, 분산을 조정한 뒤 다음 달 US 기업 수익률을 예측하는지 확장 윈도우 이중 머신러닝 분석으로 살펴봅니다. 이전 달 데이터를 사용해 교란 요인 모델을 적합하고, 학습 기간과 테스트 기간 사이에 엠바고를 적용하며, 마지막 2016 홀드아웃은 제외합니다. 조정 추정치를 동일한 아웃오브폴드 관측치에서 구한 단순 OLS와 비교하고, 시간 및 기업 간 의존성을 고려해 Driscoll-Kraay 추론을…
이 노트북은 시간가중평균가격(TWAP) 체결 규칙의 시연을 사용해 행동 모방과 역강화학습(IRL)을 비교합니다. 행동 모방은 관측한 시장 상태를 행동에 직접 대응시키고, IRL는 체결 피처에 대한 선형 보상을 적합해 추론한 목적 함수에서 정책을 도출합니다. TWAP은 알려진 기준 목적을 제공합니다. 거래를 균등하게 분산해 단계별 시장 충격을 낮추는 동시에 시간에 따른 가격 변동 노출의 균형을 맞춥니다. 노트북은 두 가지 보상 적합 방법을 설명합니다. 고정된…
이 학습 유틸리티는 DeePM 스타일 모형의 최적화 루프를 설명합니다. 미래 수익률, 변동성 스케일링, 마스크, 거래 비용, 설정된 워밍업 및 소프트 최소화 설정을 전달하며 강건한 샤프 지향 손실을 사용해 AdamW로 모형 매개변수를 업데이트합니다. 유한하지 않은 손실은 건너뛰며, 각 최적화 단계 전에 그래디언트를 클리핑할 수 있습니다. 정해진 간격으로 모형을 여러 배치에서 통합한 검증 수익률로 평가합니다. 학습 목적 함수와 샤프 지표를 검증 샤프와 함께…
이 사례 연구는 ETF 수익률 레이블에 그래디언트 부스팅 트리를 적합하고, 강한 릿지 정규화에서 좋은 성과를 보인 선형 기준선과 비교합니다. 트리는 시장 스트레스 국면에 따라 모멘텀이 다르게 작동하는 경우처럼 상호작용을 찾을 수 있지만, 탐욕적 분할은 릿지가 결합할 수 있는 상관된 피처 중 하나를 임의로 선택할 수 있는 이유를 설명합니다. 그리드는 트리의 용량과 손실 함수를 바꾸고 학습 중 여러 체크포인트에서 각 설정을 평가합니다. 보고된 학습 곡선에 따르면…
이 문서는 사례 연구의 Parquet 데이터로 피처 스토어 개념을 직접 보여줍니다. 피처 뷰는 엔터티 키, 이벤트 시각, 사용 가능 기간, 피처 열을 지정합니다. 모델 학습에서는 과거 값을 해당 시점에 알 수 있었던 의사결정 시각에 맞춰 조인하고, 실사용에서는 의사결정 시점까지 이용 가능했던 최신 값을 조회합니다. 이 규칙을 일치시키면 학습·서빙 간 편향을 방지하는 데 도움이 됩니다. 워크플로는 사례 연구의 교차 검증 구간 경계에서 학습 및 서빙 날짜를…
이 문서는 포트폴리오의 예정된 리밸런싱 전에 포지션을 청산하는 세 가지 규칙, 즉 고정 손실 손절, 포지션의 최고가를 기준으로 측정하는 트레일링 스톱, 정해진 보유 기간이 지나면 청산하는 시간 기준 청산을 설명합니다. 오버레이는 포지션을 추가하지 않고 제거하기만 하므로, 손실을 줄이거나 수익을 제한하면서 익스포저를 늘리는 대신 수익률 분포를 바꿀 수 있습니다. 시간 기준 청산은 보유 기간이 중요한지 평가하기 위한 가격 독립적 대조 기준입니다. 노트북은 각…
이 노트북은 기관의 13F 공시를 운용사와 주식을 연결하는 이분 그래프로 변환한 뒤 주식 단위의 보유 특성을 도출합니다. 같은 운용사와 주식의 중복 포지션을 합산하고 발행사 이름을 표준화하며 옵션 행을 제외합니다. 공시 누락을 청산으로 잘못 해석하지 않도록 완전한 보고 분기를 사용합니다. 공시일로 전체 선정 운용사의 스냅샷을 언제부터 이용할 수 있는지 판단하므로 시점별 연구를 지원합니다. 분석에서는 운용사 보유 내역으로 주식 간 코사인 유사도, 보유 폭과…
이 설정은 암호화폐 무기한 선물을 위한 롱·숏 전략 연구 워크플로를 정의합니다. 거래량으로 선별한 19개 자산 투자 대상군, 8시간 펀딩 정산에 맞춘 의사결정, 펀딩 시점 체결을 설정합니다. 주요 목표는 8시간 선행 수익률이며 수익률 및 방향 변형도 포함합니다. 펀딩, 프리미엄, 가격 변동성, 횡단면 특성과 캐리, 평균회귀, 모멘텀, 변동성 가설도 설명합니다. 백테스트 계획은 상위 순위 신호와 포트폴리오 배분기를 비교하고, 거래 비용 민감도를 평가하며,…
이 노트북은 회계 및 가격 기반 특성 57개를 각각 다음 달 US 주식 수익률의 예측 변수로 평가합니다. 월별 횡단면 순위 상관관계를 계산해 시간에 따라 평균을 내고, 시계열 의존성과 다수 후보 검정을 고려해 불확실성을 조정합니다. 워크포워드 학습·검증 구간에서 연관성이 지속되는지도 확인하고, 효과 크기, 일관성, 유의성, 중복성을 바탕으로 특성별 결정을 내립니다. 증거의 범위는 명시적으로 개발 표본에 한정됩니다. 보류 기간은 제외하며, 결과 장부에는 후속…
이 개요는 주식, 암호화폐, 외환, 선물, 옵션, 멀티자산 포트폴리오를 아우르는 9개 트레이딩 사례의 설정 데이터를 정리합니다. 각 사례의 투자 대상군, 데이터 빈도, 의사결정 주기, 비용 모형, 신호와 포지션 간 매핑을 비교합니다. 예시는 전략과 데이터셋에 따라 이러한 선택이 어떻게 달라지는지 보여주며, 거래 비용이 특히 큰 영향을 미치는 설정도 다룹니다. 노트북은 워크포워드 학습·검증 구간, 폴드 수, 별도로 보류한 홀드아웃 기간도 요약합니다. 핵심 연구…
이 사례 연구는 다른 모델 계열과 동일한 시점별 CME 선물 특성 행 및 워크포워드 폴드에서 매개변수 효율적인 신경망 앙상블 TabM을 평가합니다. 대부분의 매개변수를 공유하면서 모델 간 변동을 평균 내는 방법으로 TabM을 소개하고, 작고 노이즈가 많은 패널에서 적합과 일반화의 균형을 확인하기 위해 모델 용량을 바꿉니다. 명시된 평가는 동일가중 검증 백테스트와 샤프를 기준으로 정해진 에포크 체크포인트 중 하나를 선택합니다. 노트북은 신뢰할 수 있는 비교를…
이 데모는 단일 주문 워크플로를 대형 US 주식의 고정 유니버스에 대한 일간 리밸런싱으로 확장합니다. 현재 브로커 포지션을 모델 목표와 비교하고 차이에 대한 주문을 구성한 뒤, 모의 거래 브로커 래퍼를 통해 바스켓 주문을 선택적으로 제출하는 방법을 설명합니다. 연결된 계좌가 모의 거래 계좌인지 확인하고 저장 상태를 브로커 포지션 및 미체결 주문과 대조하며, 포지션·주문·일일 손실 한도를 적용합니다. 워밍업 봉과 시세는 실행에 사용하는 브로커 세션에서…
이 교육용 노트북은 퀀트 연구에 쓰이는 가격 및 거래량 기반 특성을 살펴봅니다. 여러 구간의 단순 및 로그 수익률, 한 세션을 건너뛴 모멘텀, 장중 및 오버나이트 수익률, 이동평균과의 거리, 추세와 반전 지표, 여러 변동성 추정치, 변동성 상태 지표, 거래량과 유동성 지표, 위험 통계, 횡단면 순위와 표준화 값을 다룹니다. 예시에서는 ETF 데이터를 사용하며 직접 계산한 결과를 실무용 특성 라이브러리와 함께 보여줍니다. 노트북은 연구 타당성에 영향을 주는…
이 사례 연구는 S&P 500 구성 종목의 등가격 스트래들을 매주 진입해 만기까지 보유하고 매일 델타 헤지를 하는 전략을 평가합니다. 만기 보유 수익률을 모형화하는 것이 핵심 방법론입니다. 옵션 포지션에는 진입 스프레드가 발생하지만 청산 스프레드는 없고, 헤지 거래에는 기초자산의 일일 비용이 발생합니다. 수익률과 스프레드가 옵션 프리미엄에 연동되는 경우 명목 금액의 베이시스 포인트로 표시한 비용이 마찰을 크게 과소평가할 수 있다고 설명합니다. 전략의 실행…
이 노트북은 이전에 선택한 FX 전략을 홀드아웃 예측으로 평가하는 방법을 설명합니다. 선택 구성에 등록된 백테스트 명세를 재사용하며 신호, 배분, 위험 통제, 리밸런싱 규칙, 비용, 계좌 설정을 고정합니다. 파생된 학습 식별자를 사용해 예측 집합을 확인하고, 명세에 일관되게 홀드아웃 구간을 평가할 수 있도록 전략에 지정된 워밍업 데이터를 포함해 가격 프레임을 불러옵니다. 워크플로는 누락되거나 중복된 홀드아웃 예측과 동일 홀드아웃 구간에서 다른 구성을 사용해…