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.
#model-validation
'model-validation' 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
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
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
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
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
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.