Forge Fate퀀트·데이터 연구
복잡한 모델은 더 나을까? 로지스틱 회귀와 트리 모델을 같은 조건에서 비교하기
모멘텀, 로지스틱 회귀, 의사결정나무와 랜덤 포레스트를 같은 조건에서 비교하는 설계입니다. 모델 복잡도와 선택 편향을 관리하고 분류 성능과 경제적 성과를 구분합니다.
전체 글
새로 발행한 순서
- 퀀트·데이터 연구
7편. 첫 머신러닝 모델: 로지스틱 회귀로 다음 리밸런싱 기간의 상승 확률을 검증하기
로지스틱 회귀를 첫 ML 기준선으로 삼아 특징, 레이블, 시간 분할과 월별 재학습을 설계합니다. 실제 성과 수치 대신 정확도와 투자 수익을 분리하는 검증 기준을 제시합니다.
- 퀀트·데이터 연구
수익률보다 먼저 봐야 할 것: 손실 경로와 거래비용
같은 최종수익률이라도 손실 경로와 거래비용에 따라 평가가 달라집니다. 가상 예제로 변동성, 최대낙폭, Sharpe와 회전율을 함께 읽는 방법을 설명합니다.
- 퀀트·데이터 연구
좋은 백테스트는 무엇이 다른가? 수익률보다 먼저 검증 절차를 설계하는 법
가설과 기준 전략을 먼저 정하고 시간순 분할, walk-forward 검증과 테스트 구간 보호를 설계합니다. 반복 탐색의 선택 편향과 연구 기록의 역할을 살펴봅니다.
- 퀀트·데이터 연구
첫 기준선: 단순 모멘텀 전략 만들기
AI·ML 모델과 비교하기 전에, 결과를 보고 바꾸지 않을 단순 롱/현금 모멘텀 기준선을 먼저 고정한다. 12개월 신호·월별 리밸런싱·동일가중·거래비용 시나리오를 재현 가능한 Python 코드로 만드는 법.
- 퀀트·데이터 연구
그 데이터는 그때도 알 수 있었을까? AI 투자 실험 전에 확인할 데이터의 함정
수정주가, 상장폐지, 실제 공시일, 경제지표 수정과 시간대를 통해 데이터의 과거 가용성을 점검합니다. 종가 신호를 지연하는 예제로 미래정보 사용 오류를 살펴봅니다.
- 퀀트·데이터 연구
규칙, 머신러닝, 딥러닝, LLM: 같은 투자 질문을 푸는 네 가지 방식
규칙 기반 전략, 머신러닝, 딥러닝과 LLM이 받는 입력과 만드는 출력을 비교합니다. 도구 선택보다 예측할 결과, 사용할 데이터와 평가 기준을 먼저 정하는 방법을 다룹니다.
- 퀀트·데이터 연구
퀀트 투자에 AI가 정말 도움이 될까? 직접 검증을 시작합니다
퀀트 연구에서 AI가 맡을 수 있는 예측, 리서치와 자동화의 역할을 구분합니다. 생산성 개선과 투자 성과를 별도로 검증하기 위한 위험 요인과 비교 계획을 정리합니다.
- 백엔드·인프라
초급에서 중급으로 성장하는 Spring 백엔드 개발자 실전 로드맵
Java와 Spring 핵심 원리부터 REST API, 데이터베이스, 테스트, 보안과 운영까지 학습 순서를 제안합니다. 기간 대신 설명·구현·테스트·진단 역량으로 성장 단계를 점검합니다.
- 백엔드·인프라
Docker Compose 서비스 간 API 연동, 안전하게 검증하는 7단계
Docker Compose 환경에서 포트, 주소, 인증, 읽기·쓰기 계약을 안전한 순서로 검증하는 실전 체크리스트입니다.