지식 라이브러리

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 모듈은 여러 모델 계열에 공통으로 사용할 워크포워드 학습 및 검증 폴드 준비 방식을 설명합니다. 시간 윈도우 분할, 폴드별 모델 기반 특성 적용, 라벨 누락 행 제거, 학습 데이터 샘플링 등 비용이 큰 모델 비종속 작업을 이후의 모델별 변환과 분리합니다. 원시 폴드를 재사용하면 구성마다 같은 준비 과정을 반복하지 않아도 됩니다. 선형 모델에는 결측값 대체와 표준화를 적용하고, 그래디언트 부스팅 트리는 결측값을 유지한 채 자체 결측값 분기 방식을…

이 노트북은 선물 예측을 위한 LSTM 및 NLinear 시퀀스 모델을 평가합니다. 의사결정마다 특성 행 하나를 사용하는 모델과 달리 시퀀스 모델은 과거 관측값의 순서가 있는 윈도우를 입력으로 받아, 고정 요약에서는 놓칠 수 있는 패턴을 학습할 가능성이 있습니다. NLinear는 각 윈도우의 마지막 값에 대한 변화를 예측하고, LSTM는 윈도우를 따라 정보가 어떻게 전달될지 학습합니다. 정교한 모델은 더 큰 용량을 가질 수 있지만, 선형 기준 모델도 예측…

이 노트북은 무기한 선물 펀딩 연구를 위해 여러 모델 계열의 검증 예측을 비교합니다. 정보 계수는 예측값과 후속 수익률 간 순위 연관성을, AUC는 상승 또는 하락 라벨에 대한 순위 성능을 측정하며, 로그 손실은 확신에 찬 오답에 큰 페널티를 부과해 확률 예측의 정확성을 평가한다고 설명합니다. 지표마다 답하는 질문이 다르므로 AUC가 개선되는 동안 로그 손실은 악화될 수 있습니다. 어느 순위 지표도 유용한 수익률 규모나 확률 보정을 입증하지 않습니다.…

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 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 실행 기록에서 학습하기 위해 행동 복제와 역강화학습(IRL)을 비교합니다. 시연은 위험 중립 목적이 알려진 TWAP 일정에서 가져옵니다. 충격을 줄이기 위해 거래를 고르게 분산하되 타이밍 위험 노출을 감수하는 방식입니다. 행동 복제는 상태·행동 쌍에서 직접 행동을 학습하는 반면, IRL는 해당 행동을 설명할 수 있는 보상을 추정하며 다른 환경으로 전이하는 토대가 될 수 있습니다. 노트북은 두 가지 보상 적합 방법을 소개합니다. 고정된 후보 경로…

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 노트북은 근거를 검색하고 이진 질문에 대한 구조화된 확률을 반환하는 연구 에이전트를 구성합니다. 행동 파싱 및 검증, 턴 예산, 근거와 실행 세부사항을 기록하는 저장된 예측 아티팩트를 설명합니다. 유효하지 않은 응답은 수정 요청을 받고, 턴을 모두 썼지만 예측을 내놓지 않은 에이전트는 확률을 제시한 에이전트와 구분됩니다. 모형이 예측과 근거를 제공하고, 코드는 감정, 신뢰도, 근거 유형, 핵심 발견 사항 같은 필드를 산출합니다. 이 지표는 휴리스틱에…

이 노트북은 PCA을 입력 특성 없이 잠재 요인을 사용하는 기준선으로 삼아 ETF 수익률을 예측하는 방법을 설명합니다. 각 펀드의 로딩과 추정된 요인 프리미엄을 사용해 각 레이블의 학습 구간 수익률 행렬을 분해하고 예측치를 구성합니다. 같은 펀드가 구간 내내 열로 유지되므로 이 방법은 고정된 ETF 유니버스에 적합하며, 개체의 정체성이 시간에 따라 바뀌는 경우에는 적절하지 않습니다. 노트북은 이 접근법을 입력 특성 기반 모델과 비교하고 워크포워드 학습 및…

이 노트북은 Interactive Brokers를 실시간 데이터 소스이자 주문 실행 플랫폼으로 사용해 일간 FX 통화쌍 모델을 배포하는 절차를 살펴봅니다. 과거 패널로 릿지 회귀 모델을 학습하고 일간 수익률, 모멘텀, 변동성, 가격에서 도출한 특성을 간결하게 계산한 뒤 최근 봉 데이터를 가져옵니다. 통화쌍 유니버스의 점수를 매겨 예측 수익률이 가장 높은 통화쌍으로 구성한 바스켓을 계획하고, 모델 아티팩트와 모니터링 및 감사를 위한 실행 기록도 저장합니다.…

이 노트북은 CME 선물 패널을 대상으로 신경망 확률할인요인 모형을 제시합니다. 이 모형은 상품 수익률과 캐리, 모멘텀, 변동성 같은 관측 가능한 특성을 함께 사용해 잠재 요인을 구성하고, 미리 정한 미래 수익률 기간에 대한 예측을 생성합니다. 수익률만 사용하는 PCA와 이 접근법을 비교해 특성이 수익률 공분산을 넘어 추가 가격 정보를 제공하는지 검토할 수 있는 방법을 설명합니다. 표현은 각 학습 폴드 안에서 적합하고 검증 데이터는 재적합 없이 변환하며,…

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 모듈은 멀티 에이전트 예측 파이프라인의 두 구성 요소를 설명합니다. 토론 에이전트는 강세와 약세 논거를 번갈아 제시하며 각 입장이 상대 주장을 다루고 근거와 함께 확률 추정치를 내도록 합니다. 각 라운드를 기록하고 최대 라운드 수를 지키면서 두 추정치가 설정된 합의 범위 안에 들면 일찍 종료할 수 있습니다. 감독 에이전트는 먼저 의견 불일치, 모호성, 누락된 기저율, 검증이 필요한 주장을 찾아 검색어를 제안합니다. 날짜가 포함된 검색 결과를 모으고 그…

이 노트북은 사전에 인과 그래프를 지정하지 않고 PCMCI로 ETF와 변동성 수익률 간 지연 관계를 탐색하는 방법을 보여줍니다. 패널 기반 조건부 독립성 검정을 쌍별 Granger 검정과 비교합니다. Granger 검정은 대상 변수 자체의 과거 이력을 고려하지만 다른 변수에 조건을 걸지는 않습니다. 최대 시차는 거래일 기준 5일로 미리 설정합니다. 자기상관 그래프는 각 시계열의 지속성을 설명하지만 어떤 시계열 간 지연을 검정할지 결정하지는 않습니다.…

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…

이 문서는 선형 및 그래디언트 부스팅 모델과 동일하게 가공된 특성 행과 워크포워드 폴드를 사용하는 CME 선물 TabM 실험을 설명합니다. TabM은 앙상블 구성원 간 대부분의 가중치를 공유해 여러 신경망 평균화의 분산 감소 효과 일부를 전체 계산 비용 없이 얻습니다. 설정마다 모델 용량이 달라지며, 선언한 모든 학습 체크포인트는 이후 검증 백테스트와 샤프 비율 기반 선택을 위해 공개됩니다. 이 비교는 특성 열, 레이블, 폴드 계약을 일관되게 유지하면서…

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…

문서는 SEC 8-K 공시를 구조화된 기업 이벤트로 변환하는 파이프라인을 설명합니다. 언어 모델이 이벤트 관계를 추출하고 명시적인 스키마 검사로 개체명, 관계 유형, 범주, 날짜를 검증합니다. 결정론적 정규화로 개체 형식을 바로잡으며, 지원되지 않는 값이 포함된 레코드는 검토를 위해 미해결 상태로 둡니다. 공시 항목 번호를 맥락으로 전달하고 여러 항목을 보존하며, 누락된 항목은 추론하지 않고 누락으로 표시합니다. 워크플로는 추적 가능성과 시간적 무결성을…

이 모듈은 날짜 구간과 적합값은 그대로 둔 채 라이브러리가 워크포워드 폴드 번호를 변경한 뒤 레지스트리를 마이그레이션하는 방법을 설명합니다. 학습 명세, 예측 키, 입력 지문, 모델 매개변수, 산출물, 후속 해시에 폴드 식별자가 포함되어 있으므로 레이블을 바꾸려면 관련 식별자와 참조의 연결된 흐름을 갱신해야 합니다. 마이그레이션은 저장된 구간 경계로부터 순열을 도출한 다음 식별자에 포함되는 다이제스트를 다시 계산하고, 쓰기 전에 파생 값을 저장된 결과와…

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…