Forge Fate퀀트·데이터 연구
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.
#data-leakage
'data-leakage' 태그가 붙은 글
- 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
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
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.
- 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
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.