전체 글
-
8. 실시간 예측과 주문 시스템PJT/Quant 2026. 9. 13. 13:58
1. MSS(Market State Service)MSS는 거래소의 WebSocket에서 실시간 시장 데이터를 수집해 Redis에 갱신하고, Prediction Service와 CES(Crypto Execution Service)가 이를 공통 입력으로 사용하도록 하는 서비스다.수집 데이터사용 목적진행 중인 3분봉 OHLCVPrediction Service의 현재 시점 Feature 계산실시간 체결 데이터매수·매도 체결 압력과 단기 거래 흐름 계산최우선 매수·매도 호가주문 가격, Spread와 Mid 가격 확인상위 10단계 호가잔량유동성, 호가 불균형과 가격 충격 가능성 확인수집한 데이터는 심볼별 최신 상태로 통합한 뒤 Redis에 갱신한다. 이 과정에서 Spread, 호가 불균형, 체결 흐름과 단기 변동..
-
7. Portfolio SelectorPJT/Quant 2026. 9. 11. 03:38
이전 글에서는 Meta-label Model의 점수를 ECDF로 변환하고, Strategy Selector가 각 label_id에서 다음 달에도 Positive Edge를 가질 가능성이 높은 Gate를 선택하도록 구성했다. 이번 글에서는 이렇게 선택된 label_id × Gate를 어떤 Portfolio로 조합하고, 매월 어떤 후보를 사용할지를 다룬다. Portfolio Selector는 이 문제를 이미 만들어진 Portfolio 후보들의 순위를 학습하는 문제로 다룬다. 사람이 매월 과거 수익률과 Sharpe와 같은 지표 하나를 보고 하나를 고르는 대신, 당시까지 확인할 수 있었던 성과·구성·분산 정보를 이용해 후보를 일관된 규칙으로 정렬한다. Meta-label Model에서 Portfolio Sele..
-
6. ECDF Gate & Strategy SelectorPJT/Quant 2026. 9. 9. 01:35
지금까지 Meta-label Model이 진입 시점의 Feature를 이용해 PT와 non-PT 거래를 구분할 수 있는지 확인했다. 그러나 모델의 점수만으로는 실제 거래 여부를 결정할 수 없다. label_id(Filter – Primary Model–Label 조합)마다 예측확률의 범위와 손익분기 Precision이 다르고, 같은 모델도 학습 시점에 따라 점수 분포가 달라지기 때문이다.이번 단계에서는 모델 점수를 실제 진입 기준으로 변환하는 ECDF Gate와, 다음 달에 사용할 전략과 Gate를 선택하는 Selector를 구성했다.구성요소판단 단위역할Meta-label Model개별 거래PT 도달 가능성이 높은 거래를 정렬ECDF개별 거래모델 점수를 과거 분포 내 상대적 순위로 변환Strategy S..
-
5. Meta-label ModelPJT/Quant 2026. 9. 4. 10:27
이전에 Primary Model과 Triple-barrier로 거래 방향과 성공 기준을 정의하고, 경제적 난이도와 시간 안정성을 기준으로 Label 후보를 선택했다. 경제적 난이도는 Meta-label Model 없이 모든 거래에 진입할 때 손익분기에 필요한 Precision 개선 수준이다.Meta-label Model은 Primary Model이 제안한 거래가 정해진 시간 안에 PT에 도달할지를 진입 시점의 Feature로 예측한다. 1. 기본 실험 모델과 Feature 구성1.1 실험 모델 선정AFML[1]에서는 Meta-label Model로 Random Forest를 사용하지만, 특정 모델을 반드시 사용해야 하는 것은 아니라고 판단했다. 레이블 후보가 많고 반복적으로 Walk-forward OOS..
-
Codependence - 2. 연속형 Feature와 이진 Label 간의 의존성 측정PJT/etc. 2026. 9. 4. 01:55
이전 글에서 Codependence를 표현하는 Copula, 관계를 요약하는 Dependence measure와 이를 거리로 사용하는 Metric을 구분했다. Feature Selection에서는 Label과의 관련성을 높이고 Feature 사이의 중복성을 줄이는 두 문제가 함께 존재한다.이번 글에서는 그중 연속형 Feature와 이진 Label 사이의 관련성 측정에 집중한다. 여러 측정값이 선형·비선형 관계, Noise와 표본 수의 변화에 어떻게 반응하는지 모의실험으로 비교한다. 1. 연속형 Feature와 이진 Label이번 문제에서 변수의 형태는 다음과 같다.\(X\): 진입 시점에 계산한 연속형 Feature\(Y\): PT 도달 여부를 나타내는 이진 Label\(Y=1\): PT에 먼저 도달\(..
-
Codependence - 1. Copula와 의존성 측정PJT/etc. 2026. 9. 4. 01:34
두 변수가 함께 움직인다고 할 때, ‘함께’는 여러 뜻을 가질 수 있다. 같은 방향으로 비례해 움직일 수도 있고, 순서만 비슷할 수도 있으며, 특정 구간이나 꼬리에서만 관계가 나타날 수도 있다. Codependence는 이처럼 한 변수를 알았을 때 다른 변수의 불확실성이 달라지는 통계적 연관성을 넓게 부르는 표현이다. 연관성은 인과관계를 의미하지 않는다.이 글에서는 Pearson 상관계수에서 시작해 Mutual Information과 Copula로 범위를 넓힌다. 기존 Information Theory 글에서 엔트로피와 Mutual Information의 기본 개념을 정리했으므로, 여기서는 의존성 측정과 실제 추정에 필요한 부분만 다룬다.Codependence를 다루는 개념은 다음과 같이 구분할 수 있다..
-
4. Primary Model과 Label 최적화PJT/Quant 2026. 9. 2. 01:40
1. Primary Model: 거래 방향 가설 생성Sampling이 정한 사건 시점마다 아래 9개의 규칙으로 Long 또는 Short 방향을 부여했다. 조건을 만족하지 못해 방향이 생성되지 않은 사건은 Label로 이어지지 않는다.Primary Model계열설명정해야 하는 파라미터Label 감소 가능성Long-only고정 방향모든 사건에 Long 방향 부여없음없음Short-only고정 방향모든 사건에 Short 방향 부여없음없음Donchian추세·돌파이전 가격 범위의 상단 돌파 시 Long, 하단 돌파 시 Short기준 가격, 채널 기간중간Donchian Retest추세·돌파최근 채널 상·하단 부근을 확인한 뒤 경계를 돌파하는 방향 선택기준 가격, 채널 기간, Retest 기간·판정 범위중간~높음Kel..
-
3. 데이터 전처리와 샘플링PJT/Quant 2026. 8. 31. 23:14
1. 가격 데이터 구축1.1 데이터 구성자산운용 Symbol상장 이전 데이터비트코인BTCUSDT거래소 장기 데이터이더리움ETHUSDT거래소 장기 데이터금XAUUSDTHistData XAUUSD 현물은XAGUSDTHistData XAGUSD 현물원유CLUSDTDatabento CME CL 월물 선물비트코인과 이더리움은 거래소에서 충분한 장기 데이터를 구할 수 있지만, 금·은·원유 기반 USDT 상품은 상장 이력이 짧아 현재 거래소 데이터만으로는 충분한 학습 기간을 확보할 수 없다.따라서 금과 은은 현물 가격을, 원유는 CME 월물 선물을 이용해 상장 이전 구간을 재구성했다. 외부 데이터를 바로 연결하지 않고 실제 거래소 데이터와 겹치는 구간에서 가격 변화의 정합성을 먼저 검증했다.1.2 금·은 상장 이전 ..