Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 555개
이 노트북은 사전학습 시계열 파운데이션 모델 Chronos와 TinyTimeMixer를 LSTM 및 페널티가 적용된 선형 기준 모델과 ETF 패널에서 비교합니다. 각 모델은 단변량 과거 데이터를 입력받습니다. 사전학습 모델은 해당 시계열을 예측하고 예측 경로의 평균을 횡단면 순위 점수로 사용하며, 적합된 기준 모델은 선행 수익률을 직접 예측합니다. 제로샷 모델에는 예측 목표와 기간이 수익률 레이블과 맞지 않으므로 순위 정보계수를 사용합니다. 실험은 모델에…
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 사례 연구는 S&P 500 종목에서 등가격 내재분산이 이후 실현분산보다 큰지, 그리고 그 차이가 증권별로 달라지는지 연구하기 위한 특성을 구성합니다. 스트래들 호가와 기초자산 가격을 결합해 분산 프리미엄, 변동성, 옵션 시장 상황 및 관련 위험 특성을 측정합니다. 스트래들 호가가 모든 세션에 있는 것은 아니므로, 후행 기간은 성긴 호가 행이 아니라 기초자산의 시장 세션 캘린더를 기준으로 계산합니다. 특성군은 설정에서 룩백과 시차를 선언하며, 종목 코드…
이 노트북은 내재 변동성, 스큐, 기간 구조, 분산 위험 프리미엄 같은 예측 정보를 담은 옵션 시장 특성에 그래디언트 부스팅 트리 모델을 적합합니다. 트리 용량과 회귀 손실 선택을 미래 수익률 및 방향 레이블에 따라 비교하고 워크포워드 검증을 사용합니다. 부스팅 모델은 연속된 트리 체크포인트마다 예측을 생성하므로 각 체크포인트를 평가와 이후 선택을 위한 별도 후보로 셉니다. 노트북은 이를 페널티를 적용한 선형 모델과 비교하고, 트리가 상호작용 항을 수동으로…
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 논문은 구글 검색 활동이 다음 날 지수 중앙값을 웃도는 S&P 100 종목을 예측하는 데 도움이 되는지 검증합니다. 시차를 둔 금융 변수와 검색어 검색량을 결합하고 그래디언트 부스팅 의사결정나무를 학습시켜 결과를 분류합니다. 연구 기간은 2005년부터 2017년까지이며, 평균 ROC 면적은 54.2%에서 56.7%까지로 보고되어 우연보다 높은 예측력을 나타냅니다. 보고된 포트폴리오 실험에서는 여러 데이터 출처를 결합한 모델의 순위가 가장 높습니다.…
이 노트북은 기업 특성 데이터셋에서 XGBoost, LightGBM, CatBoost의 Optuna 하이퍼파라미터 탐색을 비교합니다. 각 라이브러리에서 트리 구조 Parzen 추정기, 중앙값 가지치기, 조기 종료, 영구 저장소를 사용하는 탐색 실험을 별도로 진행합니다. 평균제곱오차와 평균절대오차 중 선택을 범주형 하이퍼파라미터로 포함하고, 평균 횡단면 정보계수로 검증 성능을 측정합니다. 노트북은 이 데이터셋의 두꺼운 꼬리 수익률에서 MAE 손실 함수가 세…
이 시연은 하나의 이중 이동평균 교차 구현이 백테스트 및 실거래 엔진에서 일치하는 신호를 내는지 확인합니다. 두 엔진에 동일하게 준비한 ETF 봉을 입력하고 같은 전략 매개변수와 체결 규칙을 사용하므로, 비교는 엔진 동작 차이에 초점을 둡니다. 단기 이동평균이 장기 이동평균을 웃돌고 롱 포지션이 없으면 매수하며, 보유 중 역방향 교차가 발생하면 매도합니다. 노트북은 두 신호 기록을 필드별로 비교하며 불일치가 있으면 동등성 검사를 실패로 처리합니다. 근거는…
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 탐색 분석은 과거 US 주식 패널의 원시 및 수정 가격 필드를 살펴보고 시간에 따른 종목 범위를 분석합니다. 연도별 활성 종목 수와 최초·최종 관측치를 비교해 데이터셋이 과거 검증에 적합한지 이해하려면 진입과 퇴출 흐름을 모두 봐야 하는 이유를 설명합니다. 중단된 커뮤니티 관리 데이터 출처는 패널의 범위를 해석하는 데 핵심적입니다. 분석에 따르면 기록된 퇴출은 2014 무렵부터 나타나지만, 기업들은 그보다 일찍 시장을 떠났습니다. 파일의 구성과 관리 방식…
이 노트북은 GJR-GARCH 모형을 사용해 S&P 500 주식·옵션 연구의 조건부 변동성 피처를 생성합니다. 과거 가격에 기반한 고정 규칙과 달리, 적합된 피처는 추정 기간에 따라 달라집니다. 따라서 재적합 일정을 명시하고, 이전 관측치만으로 매개변수를 추정하며, 생성 시점과 폴드 식별 정보를 보존해 어떤 정보 집합에서 값이 나왔는지 추적합니다. 또한 재귀 초기화와 경계값을 추정 기간에 고정해 이후 데이터가 과거 피처 값에 영향을 주지 않게 합니다. 이…
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 금융 시계열 데이터를 사용하는 데이터베이스 엔진의 벤치마크를 설명합니다. 대량 쓰기, 전체 스캔, 시간 범위 조회, OHLCV 집계, 거래 및 호가 데이터의 시점 기준 조인을 비교합니다. 방법론에서는 클라이언트 측 변환을 쓰기 비용에 포함하고, 데이터가 영구 저장되어 조회 가능해질 때까지 기다리며, 결과 개수를 정확히 검증해 잘린 조회 결과가 인위적으로 빠르게 보이지 않게 합니다. 읽기는 워밍업 후 반복 측정하며, 임베디드 엔진과 서버에서 사용할…
이 문서는 금융 데이터 정제 방법과 전처리를 학습 데이터와 테스트 데이터 분할에 맞추는 방법을 소개합니다. 핵심은 스케일링이나 윈저화 같은 변환을 학습 데이터만으로 추정하는 것입니다. 전체 데이터셋을 사용하면 미래 관측치 정보가 모델 개발에 유입될 수 있습니다. 중복 처리, 도메인 필터, 결측 구간 표시, 반전 급등 탐지, 이상치 클리핑, 범주형 인코딩, 주기가 다른 데이터셋 정렬 등 재사용 가능한 작업을 설명합니다. 노트북은 주식, ETF 및 기타 시장…
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 문서는 벤치마킹, 위험 귀속, 팩터 연구에 활용할 수 있는 공개 Fama-French 및 AQR 팩터 수익률 데이터셋을 소개합니다. Fama-French 라이브러리의 시장, 규모, 가치, 수익성, 투자, 모멘텀 팩터와 품질, 저베타, 대안적 가치 개념을 다루는 AQR 시리즈를 설명합니다. 데이터는 월별로 제공되며, 로더에서 일별 Fama-French 데이터와 날짜 범위 필터링도 지원합니다. 워크플로는 데이터셋 다운로드와 캐싱, 로드 및 프로파일링, 월별…
이 노트북은 오프라인 머신러닝 파이프라인과 QuantConnect의 LEAN 엔진 사이의 배포 경계를 보여줍니다. ETF 사례 레지스트리에서 예측 집합을 선택하고 학습 및 예측 출처를 검증한 뒤, 플랫폼이 사용할 수 있는 JSON 구조로 표본 외 홀드아웃 예측을 내보냅니다. 플랫폼 알고리즘은 모델 추론 파이프라인을 재현하지 않고 해당 점수에 포트폴리오 규칙을 적용합니다. 예측을 고정하면 연구자가 재학습 없이 임계값, 포지션 한도, 리밸런싱 규칙을 시험할 수도…
이 노트북은 시계열 관측값의 순서와 결합된 형태를 보존하는 고정 길이 특성인 경로 시그니처를 설명합니다. 첫 번째 시그니처 차수는 전체 변화를 기록하고, 두 번째 차수 항은 좌표 쌍 사이의 부호 있는 면적을 담습니다. 시간을 경로 좌표에 추가하면 총수익률은 같더라도 가격 경로가 다른 경우를 구별할 수 있고, 거래량을 더하면 가격과 거래량의 동반 움직임을 나타내는 특성을 만들 수 있습니다. 중복 특성을 줄이는 로그 시그니처를 권장하며, 차수가 높아질수록 특성…
이 노트북은 선정된 실제 사례 연구 전략에서 Backtrader, Zipline Reloaded, 내부 트레이딩 프레임워크 간 패리티 비교 결과를 보고합니다. 두 외부 엔진의 ETF 및 US 주식 패널 비교와 Backtrader의 CME 선물 및 USD 표시 FX 비교를 포함합니다. 감사에서는 체결 가격과 수량, 평가 시점, 계좌 가치를 센트 단위 정밀도로 확인합니다. 지원되지 않는 자산 모델은 성공적인 비교로 간주하지 않고 별도로 나열하며, 이 감사에서는…
위험 조정 모멘텀 점수, 즉 연환산 실현 변동성으로 나눈 직전 기간 누적 수익률을 사용해 월간 ETF 배분 기준 전략을 정의합니다. 10년물 금리에서 2년물 금리를 뺀 수익률 곡선 기울기가 임계값을 넘으면 순위가 가장 높은 자산을 선택하고, 그렇지 않으면 종합 채권과 장기 국채 사이에 방어적으로 배분합니다. 유니버스에는 광범위 주식, 해외 자산, 부동산, 금, 원자재 펀드도 포함됩니다. 비교 기준으로 동일 가중, 역변동성, 고정 주식·채권 포트폴리오도…
이 문서는 트레이딩 사례 전반의 모델 학습, 예측, 인과 추정, 백테스트를 기록하는 실행 로그 시스템을 설명합니다. 사례 설정에서 학습 메뉴와 모델 사전 설정으로 이어진 구성이 데이터 파일, 특성 열, 폴드 날짜, 예측 행, 전처리, 추정기 매개변수, 소프트웨어 버전을 포함한 확정 명세가 되는 과정을 다룹니다. 이 명세의 표준화된 표현으로 실행 식별자를 만듭니다. 아카이브는 학습 실행, 예측 집합, 백테스트를 3단계 엔터티 모델로 연결하고 인과 실행은 별도…
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…