Stratmill 리서치 에이전트가 AI 에이전트가 읽은 책, 논문, 기사와 코드에 관해 작성한 요약과 핵심 아이디어입니다. 각 페이지에서 원문으로 연결됩니다.
문서 571개
이 설정은 기업 특성 순위에 따른 월간 롱숏 US 주식 포트폴리오를 설명합니다. 46개 특성의 완전 사례 유니버스, 월말 의사결정, 다음 시가 체결, 롱·숏 각각의 동일 비중, 차입 비용을 포함한 주요 거래 비용을 명시합니다. 특성 목록은 가치, 품질, 투자, 모멘텀 같은 신호를 묶고, 가정한 갱신 지연과 실패 유형을 기록합니다. 월간 수익률 레이블과 홀드아웃 2016 기간을 포함한 워크포워드 평가도 설정합니다. 중요한 설계 논점은 배분 방식의 추정입니다.…
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 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 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 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…
이 노트북은 금융 특성이 10기간 델타 헤지 옵션 수익률 레이블을 설명하는 데 도움이 되는지 살펴봅니다. 하나의 내재 변동성 특성, 내재 변동성에 종속적인 특성과 독립적인 특성의 그룹, 전체 특성 집합을 사용하는 Ridge 모델을 비교합니다. 모든 비교에서 레이블별 워크포워드 폴드와 검증 키를 동일하게 사용하고, 일별 순위 정보 계수를 불확실성 추정치와 함께 요약합니다. IC 계산에는 최소 횡단면 표본 크기를 일관되게 적용합니다. 추가 점검에서는 선택한 내재…
이 구현은 딥러닝 연구에 쓰이는 패널 데이터에서 배치 시퀀스 윈도우를 만드는 방법을 설명합니다. 각 자산의 관측값을 연속된 행으로 압축하지 않고 패널에서 예상되는 달력을 따릅니다. 관측되지 않은 셀과 관측 여부 및 최신성 지표를 사용해 누락된 세션을 표시하므로, 명목상 룩백 기간이 의도보다 더 긴 달력 기간을 조용히 포괄하지 않습니다. 적격성 규칙은 최소 관측 비중을 요구하고 연속 결측 구간을 제한합니다. 효율성을 위해 종목별 특성 및 타깃 배열을…
이 노트북은 중복 처리, 결측 구간 표시, 도메인 필터, 반전 기반 급등락 탐지, 이상치 클리핑, 범주형 인코딩, 빈도가 다른 데이터셋 간 정렬 등 시장 및 기업 데이터의 실용적인 정제 방법을 소개합니다. 핵심은 스케일링이나 클리핑 경계처럼 데이터에서 학습하는 전처리 매개변수를 학습 분할에만 적합한 뒤 검증 또는 테스트 데이터에 적용해야 한다는 점입니다. 전체 표본으로 적합하면 모델 개발 과정에 미래 정보가 누수될 수 있습니다. 재사용 가능한 분할 인식…
이 노트북은 예측이 비슷하거나 서로 다른 랜덤 시드와 아키텍처로 모델을 재학습했을 때 SHAP 기여도가 안정적으로 유지되는지 살펴봅니다. ETF 선도 수익률을 사용해 예측값은 가깝지만 SHAP 프로필은 다른 표본 쌍을 찾은 뒤, 여러 LightGBM 적합 결과와 Random Forest의 특성 중요도를 비교합니다. 예측 성능은 횡단면 정보 계수로 평가하고, 기여도 프로필은 평균 절대 SHAP 값으로 비교합니다. 예시에서는 예측 행동이 비슷해도 설명은 다를 수…
이 노트북은 주식 특성과 내재변동성, 스큐, 기간 구조 등 옵션에서 도출한 지표를 결합한 S&P 500 횡단면 연구에서 예측, 구조, 인과 모형의 근거를 비교합니다. 주간 미래 수익률 순위를 다른 레이블 기간, 잠재 요인 결과, 인과 추정치, 십분위수별 움직임, 신호 상관관계와 함께 평가합니다. 핵심 질문은 옵션 특성이 직접 또는 잠재 요인을 통해 유용한 정보를 더하는지, 어떤 결과를 후속 전략 시뮬레이션에서 살펴볼 가치가 있는지입니다. 보고된 근거는…
이 노트북은 명시적인 거래, 금융, 펀드 비용 가정에 따라 세전 수익률을 세후 성과로 환산하는 방법을 보여줍니다. 비용 항목에는 스프레드와 시장 충격, 수수료와 거래소 비용, 증거금 이자, 주식 대차, 운용 및 관리 비용이 포함됩니다. 매개변수화된 계산으로 실제 일간 ETF 수익률 시계열에서 고회전율 롱 온리, 레버리지 롱숏 스프레드, 저회전율 롱 온리 구성을 설정해 비용을 차감한 다음 세전·세후 수익률, 샤프 비율, 드로다운을 비교합니다. 이 비교는…
이 노트북은 실제 손실 거래와 모형의 SHAP 설명을 연결하는 거래 단위 진단 절차를 보여줍니다. 지연된 가격 및 변동성 특성과 거시 입력값으로 LightGBM 모형을 학습해 다음 세션 SPY 수익률을 예측합니다. 고정된 예측 임계값에 따라 하루 보유 매수 거래를 열고, 이후 실제 손실이 가장 큰 거래를 골라 정렬된 SHAP 벡터를 군집화합니다. 발견한 패턴은 모형이나 특성을 검토하기 위한 가설로 만듭니다. 노트북은 평균 기여도에만 의존하지 말고 군집 내…
이 노트북은 관측된 교란 요인을 조정한 뒤에도 내재변동성에서 실현변동성을 뺀 스프레드와 미래 주식 수익률의 연관성이 유지되는지 이중 머신러닝으로 검정합니다. 동일한 교차적합 관측치에서 조정 추정치와 단순 보통최소제곱을 비교하고, 개체 내 블록 순열 위약 검정을 사용합니다. 시간 통제 변수는 결과 기간, 처치 변수의 롤링 구성, 폴드 엠바고, 관측치 간 의존성을 반영합니다. 최종 홀드아웃까지 이어질 수 있는 결과는 분석에서 제외합니다. 결과는 개발 기간 중…
이 유틸리티는 공개 SEC 10-Q, 10-K, 8-K 공시를 수집해 후속 연구에 사용할 공통 표 형식 데이터셋으로 변환하는 절차를 설명합니다. 공시 양식별로 텍스트를 추출합니다. 분기 보고서에서는 경영진 논의 섹션을 가져오고, 연차 보고서에서는 공급업체 관련 텍스트를 우선하되 대체 발췌문을 사용하며, 현재 보고서에서는 도입부 발췌문을 보존합니다. 레코드에는 식별자, 공시일과 기간 날짜, 추출 텍스트, 텍스트 길이가 포함되어 기업 공시를 시장 데이터와 맞춰…
이 실험은 선택한 월간 US 주식 롱숏 신호가 소형주에 얼마나 의존하는지 살펴봅니다. 시차를 둔 시가총액 필터를 적용해 검증 예측에서 가장 작은 사분위 종목을 제거한 다음, 모델을 재학습하지 않고 동일한 포트폴리오 구성과 비용 가정으로 다시 실행합니다. 필터 적용 유니버스에는 자산이 더 적지만 회전율은 전체 유니버스 결과와 비슷하게 유지됩니다. 보고된 샤프 비율은 4.27에서 2.24로, 정보계수는 0.074에서 0.048로 하락하고 최대 드로다운은 약…
이 노트북은 PatchTST가 고정 길이의 연속 시장 특성 패치로 NASDAQ-100 레이블을 예측하는 방법을 설명합니다. 어텐션은 매분 관측치에 적용할 때보다 시퀀스 길이를 줄이면서 한 시간의 후행 구간에 있는 패치 간 관계를 학습합니다. 워크포워드 폴드에서 여러 예측 기간의 회귀 목표를 적합하며, 현재 시퀀스 실행기에서 분류 목표를 제외한 이유도 설명합니다. 워크플로는 적합 전에 데이터 적격성과 폴드 경계를 확정하고, 중첩 결과를 줄이도록 각 레이블…
문서는 장중 특성으로 NASDAQ-100 주식 수익률을 예측하는 최소 시퀀스 모델 NLinear를 소개합니다. 고정된 후행 윈도우에서 최신 관측값을 빼 모델이 수준값 대신 변화량을 사용하게 하고, 결과 특성을 단일 선형 계층에 통과시킵니다. 이 설정은 시퀀스 윈도우 접근에서 비롯된 개선과 더 복잡한 아키텍처에서 비롯된 개선을 구분하는 데 도움이 됩니다. 목표에는 여러 선행 수익률 기간이 포함되며, 전략과 관련된 목표는 15분 앞입니다. 학습은 워크포워드…
이 자료는 별도의 2021 홀드아웃 예측을 사용해 검증 데이터에서 선택한 전략을 평가하는 방법을 설명합니다. 선택한 배분, 집중도, 위험 통제, 거래 일정, 비용은 고정하고 전략에 입력되는 예측만 바꿉니다. 홀드아웃 예측 집합은 학습 명세를 통해 선택한 모델 설정에 연결되어 평가가 의도한 절차를 따르도록 돕습니다. 설명에서는 홀드아웃 결과를 검증 수치와 비교하면서 검증 성과가 탐색에서 나왔기 때문에 낙관적이라는 점을 유의합니다. 단일 홀드아웃 연도는…
이 노트북은 실제 전략 감사에서 LEAN 엔진과 이에 맞춘 ML4T Backtest 프로필의 결과를 비교합니다. 고정된 입력이 지원하는 자산군 작업을 식별하고 체결, 평가액, 평가 시점, 주식 자산곡선의 공백, 최종 가치 전반의 동등성 근거를 보고합니다. CME 선물 작업은 이용 가능한 연속 근월물 가격에 네이티브 LEAN 구독에 필요한 날짜별 계약 체인과 롤 매핑이 없어 제외됩니다. 입력 로딩, 추론, 목표 구성, 준비, 보고를 제외하고 엔진 호출 전후를…
이 노트북은 검증 폴드에서 설정을 선택한 뒤 US 주식 사례 연구의 홀드아웃 구간을 예측하는 과정을 설명합니다. 선택한 설정을 확정하고 체크포인트 선택을 유지하며, 홀드아웃 시작 전에 이용 가능한 데이터로 새 학습 명세를 구성합니다. 레이블 버퍼는 학습 결과가 평가 구간까지 이어지지 않게 하고, 재적합 때 폴드별 적격성과 매개변수를 다시 계산합니다. 노트북은 결과 예측 집합을 등록하고 학습 식별자와 적용 범위가 선언된 구간에 맞는지 확인합니다. 또한 서로…
이 노트북은 일별 주식과 시간별 암호화폐 무기한 선물의 수집, 검증, 출처 표시, 저장을 아우르는 종단 간 파이프라인을 구성합니다. 주식 예시는 과거 WikiPrices 데이터와 더 최근의 Yahoo 피드를 결합합니다. 공급자마다 주식 분할 조정 이력이 달라 두 피드가 겹치는 날짜에서 가격 재조정 계수를 추정하고, 과거 OHLC 가격에 적용하며 거래량은 역으로 조정한 뒤 겹치지 않는 기간을 결합합니다. 타임스탬프 처리도 표준화하고 감사를 위해 행마다 공급자를…
이 노트북은 모멘텀 신호의 겉보기 품질이 합리적인 연구 선택에도 유지되는지 확인하는 틀을 제시합니다. 지정된 홀드아웃 기간 이전의 실제 ETF 데이터로 과거 관측 기간 매개변수를 한 번에 하나씩 바꾸고, HAC 보정 통계량으로 횡단면 정보계수를 측정합니다. 관측된 최고 매개변수를 목표로 삼는 대신, 성과가 정점에 가까운 설정의 폭으로 매개변수 견고성을 정의해 넓은 평탄 구간과 좁은 최적점을 구분합니다. 추가 검사는 레짐별 조건부 IC, 신호의 대안 구현,…
이 노트북은 거래 시간 동안 대규모 주식 주문을 여러 하위 주문으로 나누는 두 가지 방법을 비교합니다. TWAP는 각 구간에 대략 같은 수량을 주문하며 시장 예측이 필요하지 않습니다. VWAP는 추정한 장중 거래량 프로필에 따라 주식 수를 배분해 보통 유동성이 더 큰 시간대에 더 많이 거래하려 합니다. 앞선 세션의 분봉 데이터로 프로필을 추정한 다음 이후 NASDAQ-100 세션에서 두 일정을 평가하고, 체결 가격을 각 세션의 실제 거래량 가중 평균 가격과…
이 노트북은 Ridge 회귀와 세 가지 컨포멀 방법인 분할 컨포멀 예측, 컨포멀화 분위수 회귀, 적응형 컨포멀 추론을 사용해 ETF 선행 수익률의 불확실성 구간을 만듭니다. 워크포워드 폴드로 이를 평가하고, 유한 표본 보정 규칙을 설명합니다. 보간된 분위수가 아니라 필요한 순위에 해당하는 보정 점수를 선택합니다. 적응형 컨포멀 추론은 시간에 따라 미포괄률 목표를 갱신하며, 선행 수익률 레이블이 확정될 때까지 피드백을 지연합니다. 분석에서는 전체 커버리지뿐…