퀀트·데이터 연구

다시 실행해 확인한 것들: 퀀트 리서치 시스템의 현재와 AI의 역할

실험 기록과 보고서를 자동으로 남기기: 성공과 실패를 함께 보존하는 최소 도구

로지스틱 회귀는 기준선을 넘을까? 공정한 모델 비교의 조건

로지스틱 회귀와 기준 전략을 공정하게 비교하기 위한 시간축, 데이터 분리, 재학습과 비용 계산 규칙을 정리합니다. 실제 성과 검증에 앞서 고정할 실험 설계입니다.

거래비용을 넣어도 결론은 같을까: 합성 포트폴리오의 회계와 위험경로 검사

합성 포트폴리오에 거래비용을 적용해 매수대금과 현금 장부를 점검합니다. 종료수익, 회전율, 최대낙폭이 각각 무엇을 보여주는지 구분합니다.

첫 백테스트는 수익률보다 수량부터: 매수 후 보유와 모멘텀의 한 구간 회계

가상의 세 자산으로 매수 후 보유와 모멘텀 전략의 수량, 현금, 종료평가액을 대조합니다. 실제 시장 성과를 비교하기 전 공통 회계 규칙을 점검합니다.

shift(1)만으로는 부족하다: 신호·체결·레이블의 시간 계약

신호 생성, 주문 체결, 수익 귀속과 레이블 확정 시점을 구분합니다. 합성 단위테스트로 미래정보 누수와 전처리의 시간 경계를 점검합니다.

투자 데이터를 믿기 전에 검사할 것: 미국 ETF 데이터의 확보와 품질 검증

미국 ETF 가격 자료를 확보하기 전에 이용 조건, 가격 정의, 원본 보존과 품질 검사 기준을 설계합니다. 결측과 조정주가를 다룰 때 확인할 항목도 정리합니다.

백테스트 전에 정할 것들: 미국 ETF 퀀트 리서치의 질문과 규칙

첫 미국 ETF 연구를 시작하기 전 질문, 매매 규칙, 기준선과 시간 분할을 고정하는 방법을 다룹니다. 결과를 보기 전에 남겨야 할 연구 계약과 기록을 정리합니다.

AI는 퀀트 투자에 실제로 도움이 되는가: 조건부 결론과 검증의 기준

AI의 연구 보조 가치와 투자 수익성을 구분하고, 유용함을 판단할 조건을 정리합니다. 시간순 검증, 기준선 비교와 재현 가능한 기록이 필요한 이유를 살펴봅니다.

LLM과 함께 퀀트 리서치하는 안전한 방법: 질문부터 검증과 연구 기록까지

LLM을 활용하는 퀀트 리서치를 질문과 근거, 코드와 시간 검증, 실행과 기록의 흐름으로 정리합니다. 사람의 확인 절차와 실패한 실험을 남기는 방법을 다룹니다.