지식 라이브러리

이 장은 퀀트 트레이딩 연구에서 인과 주장을 평가하는 틀을 제시합니다. 처치, 결과, 추정 대상, 반사실, 조정 집합을 명확히 정의한 다음 연구 질문에 맞는 방법을 연결합니다. 연속 노출에는 이중 머신러닝(DML), 개별 사건에는 베이지안 구조적 시계열, 관측 자료에서 후보 관계를 찾는 데는 인과 발견 방법을 사용합니다. DAG와 식별 설계를 바탕으로 조정 변수를 선택하며, 시간 교차 적합과 처치 전 시점 설정은 추정 과정의 누출 방지에 도움이 됩니다.…

이 노트북은 1분 간격으로 관측한 NASDAQ-100 미시구조 특성에 선형 모델을 적합해 여러 미래 구간의 수익률을 예측합니다. 표현력이 더 높은 모델을 살펴보기 전에 단순한 기준선을 마련하는 것이 목적입니다. 스프레드 및 불균형 특성은 측정값과 관측 구간에 따라 겹치므로 설계 행렬에 다중공선성이 생깁니다. 노트북은 릿지, 라쏘, 엘라스틱넷을 비교합니다. 릿지는 상관된 계수를 축소하고 라쏘는 계수를 0으로 만들 수 있으며, 엘라스틱넷은 두 페널티를…

이 특성 평가에서는 금융 및 모델 기반 후보를 CME 선물의 미래 수익률과 비교해 선별합니다. 각 특성의 데이터 범위와 노후화를 점검하고, 특성값과 미래 수익률의 일간 횡단면 순위 상관을 측정하며, 겹치는 수익률 구간에 따른 불확실성을 조정하고, 검사한 집합 전체에 Benjamini-Hochberg 거짓 발견 통제를 적용합니다. 워크포워드 검증 연도별 결과와 사전에 정한 다른 수익률 구간도 살펴보고, 근거와 함께 진행·수정·중단 판단을 기록합니다. 서로…

이 노트북은 순수 PyTorch, sktime, Darts로 단변량 SPY 가격을 예측하는 구현을 비교합니다. 주된 목적은 코드 길이, 인터페이스 요건, 설치 성공 여부, 학습과 예측을 합친 소요 시간 등 실무상의 수고를 평가하는 것입니다. 마지막으로 관측한 가격을 예측값으로 쓰는 단순한 방식이 기준점을 제공하며, 라이브러리 사례는 공통 학습·예측 인터페이스가 모델 변경을 어떻게 쉽게 하는지, 래퍼가 어떤 제약을 줄 수 있는지 보여줍니다. 이 비교에는 중요한…

이 장은 지속 가능한 트레이딩 연구에는 변화하는 시장, 노이즈가 있는 근거, 실행 비용에 적응하는 체계적인 과정이 필요하다고 주장합니다. 구조적 단절, 레짐, 데이터 드리프트, 개념 드리프트의 차이를 소개한 뒤, 시점별 데이터와 명확한 범위 설정, 반복 개발, 현실적인 전략 설계, 배포와 모니터링을 중심으로 연구부터 운영까지의 절차를 제시합니다. 탐색과 확인이 어떻게 다른지도 설명하며, 실험 기록, 봉인된 홀드아웃, 선택 과정을 고려한 평가를 강조합니다. 이…

이 평가 노트북은 금융 및 모델 기반 특성이 가상자산 무기한 선물의 다음 8시간 수익률과 어떤 관계가 있는지 선별합니다. 워크포워드 검증 구간으로 평가 표본을 구성하고 최종 홀드아웃은 분석에서 제외하며, 각 결제 시점의 횡단면 순위 상관으로 특성별 점수를 매깁니다. 의존성을 고려한 불확실성 추정치로 평균 정보계수를 요약하고, 검증 연도별 성과를 확인하며, 다중 비교에 맞춰 유의성 검정을 조정합니다. 특성 원장에는 근거와 판단을 기록하지만, 모델 입력에서 열을…

이 노트북은 합성 ETF 수익률 시퀀스를 생성하도록 Diffusion-TS을 적용하는 방법을 설명합니다. 노이즈 제거기는 원래의 깨끗한 시퀀스를 다항식 추세, 푸리에 계절성, 잔차 성분의 합으로 예측하며, 시간 영역과 푸리에 영역의 손실을 결합해 각 지점과 주파수 구조의 충실도를 모두 높입니다. DDIM 샘플러는 생성에 쓰이는 역방향 단계를 줄입니다. 노이즈가 있는 시퀀스로 학습된 별도 분류기는 저변동성 또는 고변동성 국면 레이블이 붙은 표본을 만들도록…

이 장은 특정 전략보다 반복 가능한 연구 규율이 더 오래가는 트레이딩 우위의 원천이라고 주장합니다. 반증 가능한 가설, 표본 외 평가, 다중 검정 보정으로 편향을 줄이는 작업 흐름을 제시합니다. 이어서 퀀트 직무와 기관을 살펴보며, 주요 기술 분야의 전문성과 함께 트레이딩 전 과정에 걸친 폭넓은 협업을 강조합니다. 연구, 출판, 오픈소스 작업, 전문 커뮤니티를 통한 체계적인 지속 학습과 실무 적용도 권합니다. 이 장은 양자 컴퓨팅, 탈중앙 금융, 윤리적…

이 문서는 무기한 선물 펀딩 패널 데이터를 모델링하는 데 TabM을 사용하는 이유를 설명합니다. 공유 신경망 백본은 모든 입력 특징을 결합하고 비선형 층은 상호작용을 표현할 수 있습니다. 각 분할에서 하나의 특징을 선택하는 트리와 달리 이 설계는 상관된 열을 함께 사용할 수 있습니다. TabM 앙상블 구성원은 네트워크 대부분을 공유하면서 별도의 스케일링 벡터와 출력층을 유지하므로 개별 네트워크를 학습하는 것보다 낮은 비용으로 평균을 낼 수 있습니다. 회귀,…

이 평가 작업 흐름은 NASDAQ-100 장중 패널의 금융 및 모델 기반 특징을 선행 수익률과 비교해 선별합니다. 먼저 최종 테스트 기간을 따로 떼어 두고, 해당 구간 안에 선행 레이블이 확정되는 관측값은 제외합니다. 각 특징에 대해 레이블 기간에 맞춘 간격으로 횡단면 순위 정보 계수(IC)를 측정하고, 시계열 의존성을 Newey-West 방식으로 조정하며 다중 검정을 고려합니다. 데이터 범위, 반복값 빈도, 분위별 수익률 형태, 쌍별 중복성도 품질 및 진단…

이 분석은 모멘텀이 수익률을 얼마나 잘 예측하는지 묻는 대신, 최근 기간을 건너뛰고 계산한 모멘텀이 ETF의 선행 수익률에 인과적 변화를 일으키는지 추정합니다. 이중 머신러닝은 명시된 교란 변수를 사용해 결과와 처치를 모델링한 다음, 두 모델이 설명하지 못한 부분으로 관계를 추정합니다. 교란 변수에는 실현 변동성, 시장 국면 지표, 수익률 곡선 기울기가 포함됩니다. 분석은 적합 전에 모집단, 시점 규칙, 엠바고, 플라시보 설계를 확정하고 결과를 예측 모델…

이 노트북은 암호화폐 무기한 선물의 수익률과 방향을 예측하는 그래디언트 부스팅 모델을 연구합니다. 탐색 격자는 트리 용량과 제곱 오차, 절대 오차, 후버 목적 함수 등 손실 함수를 바꾸며 학습 중 여러 시점에서 모델을 평가합니다. 트리가 거의 중복된 프리미엄 특징을 반복해서 분할하면 정보를 더하지 않은 채 학습 표본의 세부 사항에 맞춰질 수 있는 이유를 설명합니다. 후보는 서로 다른 예측 목표끼리 비교하는 대신 각 레이블별로 비교합니다. 노트북은 탐색 횟수…

이 문서는 다변량 시계열 예측을 위한 PatchTST 신경망 백본을 소개합니다. 각 입력 시계열을 서로 겹치는 패치로 나누고, 각 패치를 학습된 특징 공간에 투영한 뒤 위치 인코딩을 더해 여러 트랜스포머 인코더 층으로 처리합니다. 인코더는 어텐션 층을 통해 각 입력 변수를 독립적으로 다룬 다음, 예측 헤드가 인코딩된 패치를 목표 예측 구간에 매핑합니다. 이 아키텍처는 가역적 인스턴스 정규화, 선택적 끝부분 패딩, 드롭아웃, 잔차 어텐션을 지원하며, 예측…

이 노트북은 금융 시계열 생성을 위한 무조건부 Sig-Wasserstein GAN을 제시합니다. 학습된 실제 데이터 대 생성 데이터 판별기 대신 경로의 순차적 움직임을 수학적으로 요약하는 경로 시그니처의 기댓값을 기반으로 한 거리를 사용합니다. 신경망 생성기는 노이즈에서 경로를 만들고, 증강된 경로를 절단 시그니처로 변환한 뒤 시그니처 수준별로 정규화하여 실제 데이터의 시그니처 기댓값과 일치하도록 학습합니다. 예제는 단일 자산의 S&P 500 로그 수익률…

이 노트북은 사례 연구 레지스트리에서 모델 실험 카탈로그를 재구성하고 그 내용을 MLflow와 비교하는 방법을 설명합니다. 학습 실행, 예측 세트, 백테스트 실행을 따라가며 각 단계를 앞 단계와 연결합니다. 표준화된 명세에는 결정론적 해시를 부여해 반복 실행이 같은 결과를 내도록 하고 설정 변경을 식별할 수 있게 합니다. 그런 다음 조회를 통해 검증 지표, 포트폴리오 백테스트 결과, 산출물의 출처를 검색 가능한 뷰로 모읍니다. 예측 순위와 배포용 선택을…

이 장은 주식, 거시경제 시계열, 선물, 암호화폐, 예측시장 전반에서 시간 일관성을 갖춘 펀더멘털 및 대체 데이터 분석을 구축하는 방법을 정리합니다. 핵심 방법은 이중 시간 데이터 저장과 특정 시점 기준 조회, 출처별 발표 시점 관리, 시간에 따라 유효한 엔터티 매핑, 감사 가능한 공시 텍스트 추출입니다. 노트북은 이 아이디어를 SEC 공시와 XBRL, 거시 지표 발표, CFTC 포지션, 온체인 지표, 기관 보유 정보, 시장 예측 데이터에 적용합니다.…

이 가이드는 인과 질문에 맞는 Python 라이브러리를 정리하고, 가정한 인과 구조 아래에서 효과를 추정하는 것과 데이터에서 가능한 구조를 발견하는 것의 차이를 설명합니다. 조정된 처치 효과를 위한 이중 머신러닝, DoWhy를 이용한 그래프 기반 식별과 반증, PCMCI, PC, FCI, GES, LiNGAM, NOTEARS 같은 시계열 또는 횡단면 구조 탐색 방법을 소개합니다. 처치 유형과 추정 대상이 도구 선택에 미치는 영향도 설명합니다. 연속형 처치를…

이 노트북은 가중치를 공유하는 신경망 앙상블 TabM을 암호화폐 무기한 선물 특성 패널에 적용합니다. 구성원은 신경망 백본을 공유하지만 별도의 스케일링 벡터와 출력 계층을 사용해, 효율적인 앙상블과 상관된 입력 간 비선형 상호작용을 결합합니다. 작업 흐름은 회귀, 이진 방향, 3개 클래스 방향 타깃을 처리하며, 불균형 라벨에 대해서는 폴드별 클래스 가중치도 적용합니다. 또한 여러 학습 체크포인트에서 예측을 저장하고 등록해 각 체크포인트를 별도의 후보 모델로…

이 노트북은 금융 및 모델 파생 특성이 후속 수익률을 기준으로 ETF 순위를 매길 수 있는지 선별합니다. 날짜별로 각 특성의 횡단면 순위와 선도 수익률 순위를 비교해 정보 계수를 계산한 뒤, 그 시계열을 살펴봅니다. 겹치는 수익률 라벨로 인한 불확실성을 조정하고, 동시에 수행한 여러 특성 검정에서 거짓 발견을 통제하며, 워크포워드 검증 구간에서 연관성의 방향이 유지되는지 확인합니다. 또한 중복된 근거를 나타내는 고상관 특성을 식별합니다. 평가는 검증 날짜로…

이 노트북은 학습된 무기한 선물 펀딩 특성의 시퀀스 표현이 프리미엄, 즉 무기한 선물과 현물 가격 간 격차를 사람이 만든 요약값보다 더 잘 포착하는지 집중적으로 시험합니다. 최근 윈도우 안의 변화에 선형 매핑을 적용하는 NLinear와 순환형 LSTM를 비교합니다. 두 모델은 특성 순서, 폴드, 결측 데이터 규칙, 체크포인트 일정이 같으므로 측정된 차이를 아키텍처에 더 명확히 귀속할 수 있습니다. 노트북은 실험을 정의하고 검증 예측을 기록하며, 전략 선택은…

이 노트북은 SHAP 특성 기여도가 모델 간소화, 리스크 의사결정 또는 보고를 뒷받침할 만큼 안정적인지 살펴봅니다. ETF 예측 과제에서 예측값은 가깝지만 SHAP 프로필은 다른 테스트 표본을 먼저 찾습니다. 그런 다음 서로 다른 랜덤 시드로 학습한 LightGBM 모델과 Random Forest의 기여도 프로필을 비교하고, 검증 횡단면 정보 계수도 비교합니다. 예시는 설명이 여러 방식으로 가능해지는 두 가지 양상을 보여줍니다. 하나의 모델도 비슷한 출력에…

이 노트북은 20개 통화쌍의 후보 특성을 하나씩 선행 수익률과 비교해 평가합니다. 분석은 워크포워드 검증 기간으로 제한하고 각 세션에 폴드를 표시하며, 홀드아웃 전에 완충 구간을 둬 라벨이 해당 예약 기간 안에 확정되지 않게 합니다. 홀드아웃 자체는 측정하지 않습니다. 먼저 커버리지와 움직임이 충분한 특성을 필터링한 뒤, 특성값과 다음 세션 수익률의 일별 횡단면 Spearman 순위 일치도를 측정합니다. 인접 세션 간 연관성을 허용해 불확실성을 추정하고,…

이 노트북은 여러 에이전트의 확률 예측을 결합하고 결과 확률을 보정하는 방법을 설명합니다. 패널 크기와 가정된 쌍별 상관관계에 따라 평균 예측을 기준 비율에서 멀어지게 조정하는 Neyman 극대화를 소개합니다. 가정된 상관관계가 낮으면 패널을 여러 증거 원천으로 보아 더 큰 비중을 두고, 높으면 에이전트들이 서로 더 비슷하다고 봅니다. 예시와 합성 그래프는 이 가정이 달라질 때 통합값이 크게 변할 수 있음을 보여줍니다. 이 방법은 평균이 같더라도 예측값의…

이 데이터 유틸리티는 주식 수익률, 기업 특성, 거시경제 시계열, 분할 전 특성 텐서를 포함하는 Chen, Pelger, and Zhu 자산 가격 데이터셋을 지원합니다. 변환 방식은 공개된 학습, 검증, 테스트 텐서로 Parquet 파일을 만듭니다. 아카이브에는 각 블록 안에서 지속되는 익명 기업 위치가 있지만 블록 간 대응 정보가 없으므로, 변환기는 블록마다 서로 겹치지 않는 식별자 범위를 할당합니다. 이를 통해 같은 식별자가 여러 블록에서 알려진 동일…