Forge Fate퀀트·데이터 연구
거래비용을 넣어도 결론은 같을까: 합성 포트폴리오의 회계와 위험경로 검사
합성 포트폴리오에 거래비용을 적용해 매수대금과 현금 장부를 점검합니다. 종료수익, 회전율, 최대낙폭이 각각 무엇을 보여주는지 구분합니다.
전체 글
새로 발행한 순서
- AI
AI 코딩 에이전트를 잘 쓰는 법: 도구 비교보다 위임 설계
AI 코딩 에이전트의 기능과 통제 장치를 비교하고, 과업 분할부터 검증·승인·복구까지 실무에서 필요한 위임 방식을 정리합니다.
- 퀀트·데이터 연구
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.
- 퀀트·데이터 연구
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.
- 퀀트·데이터 연구
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.
- 퀀트·데이터 연구
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.
- 퀀트·데이터 연구
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.
- 퀀트·데이터 연구
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.
- 퀀트·데이터 연구
가격을 맞히기보다 연구를 검증하기: 퀀트 리서치의 LLM 활용 경계
퀀트 리서치에서 LLM의 역할을 자료 변환, 검증 보조와 의사결정 경계로 나눕니다. 요약과 코드 초안을 원문·원자료와 대조하는 기준을 설명합니다.
- 퀀트·데이터 연구
금융 머신러닝에서 우연한 결과를 실력으로 오인할 위험과 반증 조건
금융 머신러닝의 좋은 결과를 과신하게 만드는 잡음, 시장 변화, 반복 탐색과 정보누수를 살펴봅니다. 비용과 연구자 편향까지 포함해 결과의 반증 조건을 정리합니다.