Forge Fate퀀트·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.
#machine-learning
'machine-learning' 태그가 붙은 글
- 퀀트·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.
- 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.