글

라벨이 quantitative trading인 게시물 표시

[퀀트] 포트폴리오 분산 수식 유도과정

  포트폴리오 분산은 왜 이렇게 생겼을까? — 정의에서 출발하는 완전한 유도 많은 금융·퀀트 책에서 포트폴리오 분산은 갑자기 다음과 같이 등장한다. σ p 2 = w T Σ w \sigma_p^2 = w^T \Sigma w 하지만 이 식은 기억해야 할 공식이 아니라 , 아주 기본적인 분산의 정의에서 기계적으로 따라 나온 결과 다. 이번 글의 목표는 단 하나다. “이 식이 어디서 나왔는지, 단 한 줄도 점프하지 않고 이해하기” 1️⃣ 출발점: 분산의 정의 모든 것은 이 정의 하나에서 시작한다. V a r ( X ) = E [ ( X − E [ X ] ) 2 ] \mathrm{Var}(X) = \mathbb{E}\left[(X - \mathbb{E}[X])^2\right] 이 식이 말하는 것은 단순하다. “X가 자기 평균에서 얼마나 흔들리는지를 제곱해서 평균 낸 값” 여기서: X X  : 확률변수 (예: 자산 수익률) E [ X ] \mathbb{E}[X]  : 그 확률변수의 평균(기대값) 2️⃣ 자산 수익률은 왜 확률변수인가? 자산의 미래 수익률은 확정된 숫자가 아니다. 오를 수도 있고 내릴 수도 있고 그 크기도 매번 다르다 그래서 우리는 자산 수익률을 이렇게 둔다. X = 자산 X의 수익률 (확률변수) X = \text{자산 X의 수익률 (확률변수)} 그리고 과거 데이터로 평균을 추정한다. E [ X ] ≈ 1 T ∑ t = 1 T r t \mathbb{E}[X] \approx \frac{1}{T}\sum_{t=1}^{T} r_t ​ 3️⃣ 포트폴리오 수익률 정의 이제 자산 2개짜리 포트폴리오 를 보자. 자산 X 비중: w 1 w_1 ​ 자산 Y 비중: w 2 w_2 ​ 포트폴리오 수익률은 정의상 R p = w 1 X + w 2 Y R_p = w_1 X + w_2 Y 👉 이건 모델이 아니라 정의다 (“돈을 이렇...

[퀀트] 배당을 반영한 조정 종가(Adj Price) 계산하기

  배당을 반영한 조정 종가(Adj Price) 계산하기 – Python 예제 주식 투자나 포트폴리오 분석을 할 때, **배당을 반영한 조정 종가(Adjusted Close, Adj Price)**를 사용하는 것은 매우 중요합니다. 그 이유는 단순 종가(Close)만으로 수익률을 계산하면, 배당 지급으로 인한 가격 변동을 무시하게 되어 **총수익률(total return)**이 정확히 반영되지 않기 때문입니다. 이번 글에서는 CSV 파일에서 종가와 배당 데이터를 읽어와 Python으로 조정 종가를 계산 하는 방법을 예제와 함께 소개합니다. 1️⃣ 왜 조정 종가(Adj Price)가 필요한가? 배당이 나오는 날, 주가는 배당만큼 하락하는 것이 일반적입니다. 예를 들어: 날짜 종가(Close) 배당(Dividend) 1월 1일 100 0 1월 2일 90 10 단순 종가만 보면 100 → 90으로 10% 손실 처럼 보이지만 실제로는 배당 10을 받았기 때문에 총 자산 가치는 여전히 100 입니다. 이처럼, 배당을 고려하지 않으면 로그 수익률 계산, 변동성 계산, 포트폴리오 최적화 에서 왜곡이 생깁니다. 그래서 과거 가격을 배당 지급 기준으로 조정 한 Adj Price가 필요합니다. 2️⃣ 조정 종가 계산 원리 배당일 t t 에 배당금 D t D_t 이 지급될 때: factor t = P t − D t P t \text{factor}_t = \frac{P_t - D_t}{P_t} ​ ​ P t P_t  : 배당일 종가 D t D_t  : 배당금 규칙 배당일 이전의 모든 가격에 factor를 곱함 배당일 이후 가격은 그대로 둠 여러 배당이 나올 경우 factor를 누적 곱 이렇게 하면, 배당이 포함된 총수익률 기준 연속 가격 시계열 을 만들 수 있습니다. 3️⃣ CSV 예제 구조 Date,Close,Dividend 2025-01-01,100,0 2025-01-02,...

[트레이딩] 주가는 선형 아닌데 왜 선형 분석을 사용할까?

주식의 시계열 그래프는 우리가 일상적으로 보며 흔히 접하는 데이터 중 하나입니다. 그러나 대부분의 사람들은 주식 시세의 변동성 이나 비선형적인 패턴 을 직관적으로 느낍니다. 그렇다면, 주식 시계열이 왜 선형적이지 않은지, 그리고 그럼에도 불구하고 선형 분석 을 활용하는 이유는 무엇일까요? 이 글에서는 주식 시계열이 선형적이지 않은 이유 와 선형 분석이 퀀트 전략에서 어떻게 활용될 수 있는지 에 대해 자세히 살펴보겠습니다. 1. 주식 시계열 데이터는 왜 선형적이지 않나? 1.1 주식은 본질적으로 비선형적이다 주식의 시세는 무작위성 (Randomness)과 변동성 (Volatility)을 특징으로 합니다. 주식 시장은 많은 복잡한 요인들이 상호작용하는 시스템이기 때문에, 각 주식의 가격 변동은 단기적으로 예측하기 어렵고 비선형적인 패턴을 보입니다. 시장 참가자의 감정과 심리 : 주식 가격은 투자자의 감정 이나 시장 심리 에 큰 영향을 받습니다. 사람들이 주식에 대해 긍정적 이라면 가격은 급격히 상승할 수 있고, 부정적 이라면 하락할 수 있습니다. 이런 심리적 요소는 비선형적인 변화를 만들어냅니다. 외부 변수와 뉴스 : 주식의 가격은 기업의 실적 발표, 정부 정책, 국제적인 사건 등 다양한 외부 요인에 의해 급격히 변동할 수 있습니다. 이런 급격한 변동은 비선형적 특성을 강화합니다. 자동화된 거래 시스템 : 알고리즘 매매와 고빈도 거래(HFT) 시스템 또한 비선형적인 변화를 일으킬 수 있습니다. 특정 알고리즘이 가격을 일시적으로 왜곡 시킬 수 있기 때문입니다. 1.2 과거 데이터에 대한 비선형성 주식 시세는 과거 데이터 를 기반으로 미래를 예측하는 시계열 데이터 입니다. 하지만 시계열 데이터는 다음과 같은 특징을 보일 수 있습니다: 추세 변화 : 주식 시장은 장기적인 추세 (Bull or Bear market)와 단기적인 횡보 가 반복되는 특성을 가지고 있습니다. 이런 변화는 비선형적 이며 예측하기 어렵습니다. 변동성 클...

[알고리즘 트레이딩] 트레이딩에 딥러닝을 적용하는 방법

금융시장 예측에 AI를 활용하는 실전 가이드 금융시장, 특히 주식이나 암호화폐 트레이딩 에 딥러닝을 적용하면 정말로 수익을 낼 수 있을까요? 정답부터 말하자면: 가능하지만 쉽지 않습니다. 하지만 제대로 접근하면, 딥러닝은 전통적인 기술적 분석을 넘어 새로운 가능성 을 열어줄 수 있어요. 이번 글에서는 딥러닝을 트레이딩에 적용하는 방법을 실제 개발자의 관점에서 단계별로 소개합니다. 1단계. 문제 정의 – 어떤 걸 예측할 것인가? 딥러닝을 적용하려면 먼저 무엇을 예측할 것인지 를 명확히 해야 합니다. 예를 들어: 다음 1시간 후 가격이 오를지/내릴지 (이진 분류) 내일 종가를 숫자로 예측 (회귀) 특정 조건에서 매수/매도 시점 판단 (시계열 이벤트 감지) 2단계. 데이터 수집 딥러닝은 많은 데이터 가 있어야 잘 작동합니다. 데이터 종류 예시: OHLCV (시가, 고가, 저가, 종가, 거래량) 기술 지표 (EMA, RSI, MACD, 볼린저밴드 등) 주문장 데이터 (Bid/Ask depth) 뉴스, 트위터 등 외부 요인 체결 강도 , 펀더멘털 , 온체인 데이터 (암호화폐) 👉 코인이라면 업비트나 바이낸스의 API로, 주식이라면 Yahoo Finance, Quandl, Alpaca 등에서 데이터를 수집할 수 있어요. 3단계. 데이터 전처리 & 특징 만들기 딥러닝은 정제된 입력 을 원합니다. 결측치 보간 정규화/스케일링 (MinMaxScaler, StandardScaler) 윈도우 생성 (시계열 → 시퀀스) 기술 지표 추가 가격 변화율, 평균 리턴 등 파생 변수 생성 ✅ 이 과정이 모델 성능의 반 이상을 좌우합니다! 4단계. 모델 설계 트레이딩에 자주 쓰이는 딥러닝 모델은 다음과 같습니다: 모델 종류 설명 및 활용 LSTM 과거 시계열 흐름을 학습해 미래 가격 예측 CNN 캔들차트를 이미지처럼 다뤄 패턴 인식 Transformer ...

[알고리즘 트레이딩] 퀀트는 펀더멘탈 분석을 어떻게 할까? | 구현 가능한 영문 도서 추천

요즘 투자에 관심 있는 분들이라면 한 번쯤 “퀀트”라는 단어를 들어보셨을 겁니다. 퀀트(Quant)는 숫자와 알고리즘을 기반으로 투자 결정을 내리는 방식인데요, 그렇다면 퀀트는 기업의 펀더멘탈 분석 을 어떻게 바라볼까요? 이 글에서는 퀀트의 관점에서 펀더멘탈 데이터를 어떻게 다루는지 살펴보고, 실제 구현에 도움 되는 영문 도서 6권 도 함께 추천드립니다. 🧠 퀀트 입장에서의 펀더멘탈 분석 전통적인 펀더멘탈 분석은 분석가의 판단과 경험이 중요한 요소지만, 퀀트는 오직 데이터와 수학 으로 움직입니다. 🔹 재무제표 수치화 PER, PBR, ROE, 부채비율, 매출 성장률 등 모두 정제된 숫자로 처리되어 모델에 투입 🔹 팩터 모델 기반 전략 특정 지표가 수익률에 미치는 영향 분석 Value, Quality, Growth, Momentum 팩터 등을 조합 🔹 자동화된 시스템 트레이딩 분기마다 재무제표 기준 종목 선정 백테스트로 전략 검증 → 실제 운용에 적용 🔹 기술적 지표와 결합 가능 펀더멘탈 + 기술적 분석 + 수급 데이터로 종합 전략 구성 📚 퀀트 펀더멘탈 분석 관련 영문 도서 6선 퀀트 스타일로 펀더멘탈 분석을 배우고 싶다면 아래 도서들을 추천드립니다. 각 책마다 강조점이 다르니 목적에 맞게 선택해보세요. 1. Quantitative Value by Wesley R. Gray & Tobias Carlisle ✔ 퀀트 가치투자 전략의 고전 PER, PBR 같은 지표로 알파를 찾아내는 전략 통계 기반으로 우량 종목을 선별하는 방법을 배울 수 있어요 2. Financial Statement Analysis and Security Valuation by Stephen H. Penman ✔ 정통 재무제표 분석의 퀀트적 접근 기업 가치를 계산하고 예측하는 방법 집중 정성적 분석보다는 숫자 기반의 사고 방식 훈련에 적합 3. Qua...

[알고리즘 트레이딩] 수십 개의 지표로 매수 시점을 판단한다는 것은 무슨 뜻일까?

금융에서 "매수 시점 판단"은 단순히 하나의 지표나 조건에 의존하는 것이 아니라, **여러 개의 지표(수십 개)**를 종합적으로 고려하여 수학적 이고 고차원적인 분석 을 통해 이루어집니다. 이를 통해 **"지금이 매수 시점인가?"**를 판단하게 되며, 이 과정은 고차원 벡터 공간 에서 이루어집니다. 이 글에서는 이러한 고차원 데이터 분석 이 어떻게 작동하는지, 그리고 이를 수학적으로 어떻게 모델링할 수 있는지에 대해 수학적 설명 을 덧붙여서 풀어보겠습니다. 🎯 1. 각 지표는 하나의 차원(Dimension) 먼저, 각 지표는 하나의 **차원(dimension)**에 해당합니다. 예를 들어, 매수/매도 결정에 영향을 미칠 수 있는 지표는 다음과 같을 수 있습니다: 수익률(Return) 변동성(Volatility) 거래량(Volume) RSI, MACD, Bollinger Bands 등 이 지표들을 벡터로 표현 할 수 있습니다. 예를 들어, 매 순간마다 계산되는 지표들을 하나의 벡터로 취급하면 다음과 같이 나타낼 수 있습니다: x ( t ) = [ x 1 ( t ) x 2 ( t ) ⋮ x n ( t ) ] ∈ R n 여기서 x ( t ) \mathbf{x}^{(t)} 는 특정 시점 t t 에 대한 벡터로, x 1 ( t ) , x 2 ( t ) , … , x n ( t ) x_1^{(t)}, x_2^{(t)}, \dots, x_n^{(t)} 는 각각의 지표값을 나타냅니다. 각 지표는 고차원 벡터 공간에서 하나의 차원 을 형성하며, n개의 차원 을 가진 벡터가 됩니다. 🧠 2. 고차원 벡터 공간에서 "좋은 패턴"을 찾는다 고차원 벡터 공간에서 우리는 과거의 데이터를 바탕으로 좋은 패턴을 찾는 것 이 핵심입니다. 이때 중요한 점은 **"패턴"**을 찾는 방식입니다. 🔸 패턴 발견 방법: 분류 문제로 접근 우리는 머신러닝을 사용하여 **"매수 ...

[알고리즘 트레이딩] 선형식을 합친다는 것의 의미: 모델링 관점에서의 해석

수학이나 경제, 금융, 공학 등 다양한 분야에서 선형 모델은 널리 사용됩니다. 특히 시스템을 모델링할 때 선형식을 활용하면, 그 구조를 명확하게 분석하고, 조합하고, 예측하는 데 큰 장점을 제공합니다. 그렇다면 한 가지 질문이 생깁니다. "두 개의 선형식을 더한다는 건 모델링 관점에서 어떤 의미일까?" 이 글에서는 이 질문에 대한 해석적 접근을 소개하고, 선형성의 장점을 실제 모델링 맥락에서 살펴보려 합니다. 선형식의 예시 우선 선형식의 형태는 다음과 같습니다: z = α x + β y 여기서 x , y x, y : 독립 변수 (ex. 노동, 자본 등) α , β \alpha, \beta : 각 변수에 대한 계수 z z : 종속 변수 (ex. 산출량, 수익 등) 두 선형식을 더하면? 예를 들어 아래 두 모델이 있다고 해봅시다. 모델 A: z 1 = α x 1 + β y 1 z_1 = \alpha x_1 + \beta y_1 ​ 모델 B: z 2 = α x 2 + β y 2 z_2 = \alpha x_2 + \beta y_2 ​ 이 둘을 단순히 더해보면: z 1 + z 2 = α ( x 1 + x 2 ) + β ( y 1 + y 2 ) 즉, 새로운 식: Z = α X + β Y 가 성립합니다. 여기서 X = x 1 + x 2 X = x_1 + x_2 ​ , Y = y 1 + y 2 Y = y_1 + y_2 ​ , Z = z 1 + z 2 Z = z_1 + z_2 ​ 로 치환할 수 있죠. 수학적으로는 너무 당연한 이 합이, 모델링 측면에서는 꽤 흥미로운 의미를 지닙니다. 모델링 관점에서의 해석 1. 서로 다른 시스템 또는 관측의 기여 합 각 모델이 서로 다른 공장, 지점, 시장 등을 나타낸다고 가정하면, 이 둘의 선형 결합은 단순히 전체 시스템의 결과를 나타내게 됩니다. 예: A: 공장 1의 생산량 B: 공장 2의 생산량 A + B: 전체 공장의 총 생산량 ...

[알고리즘 트레이딩] 로그 수익률이 복리 효과를 반영하는 이유

📈 로그 수익률이 복리 효과를 반영하는 이유 복리 효과 는 금융에서 매우 중요한 개념으로, 시간이 지남에 따라 이자 나 수익 이 원금에 추가되어 점차적으로 자산이 증가하는 방식입니다. 주식, 암호화폐, 채권 등의 자산 가격은 종종 복리 효과 를 따르는 경향이 있기 때문에 이를 분석할 때 로그 수익률 을 사용하는 것이 매우 유리합니다. 이번 글에서는 로그 수익률 이 어떻게 복리 효과 를 반영하는지, 그리고 그 이유에 대해 알아보겠습니다. 1. 복리 효과란? 복리 효과(compound interest)는 시간에 따라 이자 나 수익 이 원금 에 더해져, 다음 기간의 수익 을 계산할 때도 이자 가 더해져서 점점 더 많이 복리로 증가 하는 방식입니다. 예를 들어, 만약 1000원 이 1년 동안 **10%**의 이자를 받는다면, 1년 후 자산은 1100원 이 됩니다. 그런데 2년째 이자를 계산할 때는, 1100원에 10%의 이자 가 추가되어 1210원 이 되는 방식입니다. 이처럼 시간이 지날수록 수익이 누적 되며, 더 많은 수익을 낳게 되는 복리 효과 가 적용됩니다. 2. 로그 수익률이 복리 효과를 반영하는 이유 복리 효과를 설명할 때, 자산의 수익률을 계산하는 방식이 중요합니다. 로그 수익률 은 바로 이 복리 효과를 자연스럽게 반영할 수 있는 수학적 특성을 가지고 있습니다. 2.1 일반적인 수익률 계산 일반적으로 자산의 단리 수익률 은 다음과 같이 계산됩니다: R = P t − P t − 1 P t − 1​ 여기서 P t P_t 는 현재 자산 가격, P t − 1 P_{t-1} ​ 은 이전 자산 가격입니다. 2.2 로그 수익률 계산 반면, 로그 수익률 은 연속적인 수익률 을 다루며, 다음과 같은 수식으로 계산됩니다: r = log ⁡ ( P t P t − 1 ) 이때 중요한 점은 로그 수익률이 복리 효과를 반영한다는 것 입니다. 여러 기간의 수익률을 덧셈 으로 처리할 수 있기 때문에, 여러 기간에 걸친 복리 효과를 손쉽게 모델링할 수 있습...