코알못들의 신, Cursor AI

나는 직관을 중요시한다. 복잡한 사고의 과정을 거치지 않고 보는 순간 바로 어떠한 '느낌'이 오는 경지야말로 그것을 제대로 이해하고 있다는 방증이라고 생각하기 때문이다. 운전을 하면서 차량 조작에 대해 생각을 굳이 하지않고 상황에 따라 발이 엑셀과 브레이크를 통해 저절로 반응하게 되는 것, 그것이 직관의 경지에 도달한 것이라는 것을 항상 하게된다. 최근 변동성이나 SKEW, 회귀분석과 관련된 논문들을 자꾸 뒤지다 보니까, 평소에 그냥 외계문자로 보이거나 이해하지 못한 채 수식으로만 받아들이던 부분들을 (아주) 조금은 '직관적'으로 이해하게 된 부분들이 몇가지 있다. 처음에는 와닿지 않지만, 일단 모르겠어도 계속 보다보니, 반복적인 부분들이 보이고 유추를 하게 되고, 찾아보다 보니 조금은(?) 이해할 수 있을 것 같은(착각 일수도있지만) 부분들도 생겨서 정리해본다. (역시 내가 제일 잘하는 반복학습이 답인가?) 아무튼, 깨달은 것들을 정리해보면, 키와 몸무게처럼 서로 다른 단위의 비교를 위해서는 정규화(normalization)를 해주어야 한다. 대표적으로 Z-Score가 있는데, 정규화 = 값 − 평균 표준편차 정규화= 표준편차 값−평균 ​ 의미를 좀 가만히 생각해보자. 분자를 보면 결국 "평균으로부터 얼마나 떨어져 있냐?"를 의미한다. 그럼 상식적으로 그걸 표준편차로 나눈다는게 무슨 의미인가? 편차 한 단위가 이만큼인데, 현재의 평균으로부터의 떨어짐의 정도가 그 표준편차 한 단위만큼의 얼마나(직관적으로는 몇%)해당 되냐를 의미한다. 가령, 현재 A라는 사람의 키가 180cm이고, 평균이 160cm이다. 그럼 분자는 180-160=20cm이고, 이는 A라는 사람의 키가 현재값이 평균으로부터 20cm만큼 떨어져있다는 의미이다. 근데, 표준편차가 40cm라고 하면, 사람들의 키가 평균으로부터 떨어져 있는 편차의 표준이 40cm이라는 뜻인데, 이 A씨는 20cm만큼만 떨어져 있다는 뜻이다. 그럼 A라는 사람의 키의 Z-Score는 0.5인 것이다. 왜? 표준편차가 40인데 그것의 절반인 20cm니까 20cm/40cm = 표준편차의 0.5배수인 것이다. 그럼 여기서 두번째 의문이 생긴다. 표준편차란 무엇인가? 아니, 애초에 표준은 둘째치고 편차란 무엇인가? 먼저, 편차를 사전에서 찾아보자. 단어 자체의 어감에서 뭔가로부터 "떨어져 있다"라는 느낌이 팍팍 온다. 탄착군에서 탄환이 벗어난 거리라... 갑자기 훈련소에서 영점사격을 못해서 눈바닥에 배를 깔고 PRI를 오지게 했던 PTSD가 몰려온다. 아무튼 직관적인 생각이 어느 정도는 맞는 것 같다. 핵심 단어는 요컨대 "벗어난 정도가 얼마냐?"라는 것 같다. 수학적으로 표현하면 편차(deviation)는 관측값에서 평균값을 뺀 것이다. 위 A씨의 예시에서 관측값은 A씨의 키인 180cm, 평균값은 사람들의 평균값인 160cm이므로, 편차는 20cm가 된다. 오케이, 그럼 여기까지는 이해했다. 그럼 앞에 표준이 붙은 표준편차는 무엇인가? 설명을 찾아보니, 아래와 같은 청천벽력같은 단어가 또 나온다. 표준편차(standard deviation)는 분산을 제곱근한 것이다. 슬슬 빡이 친다. 아니 그럼 또 분산은 뭔가? 또 찾아본다. 분산(variance)은 관측값에서 평균을 뺀 값을 제곱하고, 그것을 모두 더한 후 전체 개수로 나눠서 구한다. 진심 죽여버리고 싶다. 일단 애초에 관측값에서 평균을 뺀게 편차인데, 그 편차를 왜 제곱을하고 X랄이란 말인가? 분명 이유가 있을 터이다. 열받아서 ChatGPT를 갈궈본다. 일단 핵심을 찌르는 좋은 질문이라는 아부쟁이 ChatGPT... 일단 첫번째 이유는 납득이 간다. 평균이라는 거 자체가 직관적으로 엔빵때린 가운뎃값이기 때문에, 편차들을 그냥 더해버리면 서로 양쪽 +-부호를 가진 편차들이 서로 ...

import pandas as pd 판다스를 불러오고 import yfinance as yf 야후 파이낸스를 불러와서 sp500 = yf.download('^GSPC', start='1990-01-01') S&P500 데이터를 야후파이낸스에서 불러오면 다음과 같은 데이터프레임이 만들어진다. 근데 알고리즘 트레이딩을 할 게 아니면, 솔직히 대부분의 경우 종가(Close)와 거래량(Volume)만 중요하지, 그밖의 고가, 저가, 시가는 크게 중요하지가 않다. sp500.drop(columns=['High','Low','Open']) 그래서 drop을 통해서 그 세개의 열을 날려준다. file = sp500.to_csv('sp500.csv') 그리고나서 csv파일로 저장해주면 파일이 저장된다. 그렇게 csv파일을 열어보면 ?? 내가 분명히 종가랑 거래량 빼고 나머지 열은 다 지우라고 했을텐데... 우매한 컴터쉨 다시 한번 애꿎은 실행을 눌러본다. 이번엔 됐겠지? ... 그렇게 왜 안되는 건지 혼자 20분을 고민한다. 라이브러리 설치가 제대로 안됐나? 파일경로가 잘못됐나? 확장자가 잘못됐나? . . . . 아... 여기서 그냥 저렇게 쓰면 안되고... 앞에 sp500 = 을 붙여서 '이제부터 새로운 sp500은 열 3개를 지운 이놈이다'라고 다시 정의를 해줘야 하는 거다. sp500 = 을 안 붙이고 그냥 쓰면 빨간색으로 표시된 drop으로 열을 날리기 전의 데이터가 인식되어 csv파일로 저장이 되는 것이다. 미개한 컴퓨터쉨... 내 20분...

시황분석에서도 이용할 겸, 매일 시장 리스크를 조망할 수 있는 대시보드를 만들어보려고 한다. 트레이딩뷰로 화면분할 하는게 더 편하긴 하지만, 직접 파이썬으로 만드는 과정에서 배우는 의미가 있으니! 일단 생각해본 지표들은 아래 9가지인데, 점점 늘려나가도 괜찮을 것 같다. S&P500 ✔ 유동성 지표 (지준금, RRP, TGA, 다듀라인) ✔ 지준금/GDP SOFR-IORB, EFFR-IORB 스프레드 ✔ 마켓 감마 CBOE SKEW Index ✔ 하이일드 스프레드 ✔ 장단기 금리차 Fear & Greed Index

1. 필요한 패키지 불러오기 pandas와 datareader, matplotlib, 야후 파이낸스(yfinance)를 불러온다. Eric.K님께서 인터뷰때 야*파이낸스나 인*스팅 닷컴 데이터는 클리닝이 안되어 있어서 쓰면 안된다고 하셨지만, 이걸로 알고리즘 트레이딩을 하려는 건 아니고, 단순 시각화 공부 측면이니 일단 넘어가는 걸로... 2. 데이터 가져오기 데이터리더를 통해 FRED에서 지준금, 역레포 잔고, TGA잔고를 불러와서 각각 reserves, rrp, tga에 할당해준다. 기간은 넉넉하게 세팅. 트레이딩뷰와 동일하게 FRED 티커를 그대로 쓰면 되어서 티커만 알면 어렵지는 않았다. S&P500 데이터도 야후파이낸스에서 불러온다. 3. 하나의 데이터 프레임으로 합치기 3-1. 시장유동성 (market_liquidity)라는 데이터프레임을 하나 만들어주는데, 이 데이터프레임은 위에서 할당해준 지준금, 역레포 잔고, TGA잔고를 pd.concat()을 이용하여 열로 합친 것이다. 참고로 concat은 Concatenate의 줄임말로 '엮다, 연결하다'라는 의미를 가진 단어이다. axis=1은 열을 기준으로 합치겠다는 의미이다. axis=0은 행, axis=1은 열을 나타낸다. 3-2. 세개의 데이터를 하나의 데이터프레임으로 합친 후, 각 데이터의 시작기간이 다르기 때문에, 시작시점을 동일하게 맞춰주기 위해, dropna()를 사용하여 빈칸을 날려준다. 3-3. 데이터프레임의 열이름을 지정해준다. 각각 지준금(Reserves), 역레포(Reverse Repo), TGA계좌(TGA Account)로 지정했다. 4. 시각화 4-1. 먼저 기본 축을 설정해준다. 첫번째 축(ax1)을 그리는데, 사이즈가 가로 10인치, 세로 6인치라는 뜻이다. 4-2. 아까 하나로 합쳐준 market_liquidity 데이터프레임의 각 열을 선(Plot)으로 나타내준다. 불러올 열 이름, 색상, 선 두께, 라벨명을 입력해준다. 이 부분은 트레이딩뷰 파인스크립트와 거의 다르지 않다. 4-3. set_xlim()은 x축의 기간범위를 설정해주는 역할이다. 말그대로 x축을 lim즉, limit(제한)하겠다는 의미이다. 인덱스가 기간이니 기간을 기준으로 설정해준다. 4-4. axhline()은 가로선(Horizontal line)을 그린다는 뜻이다. y축값은 0이며, 검은색, 선 스타일은 점선(Dashed)이다. 4-5. set_ylabel()은 Y축의 라벨이다. 잔고이니 '잔액'으로 표시. 4-6. legend()는 전설이 아니라 '범례'라는 뜻이다. 나도 항상 legend가 무슨뜻인지 항상 궁금했는데, 범례라는 의미가 있었다. 좌측 상단(upper left)에 표시해준다. 여기까지 하면 이런 차트를 얻을 수 있다. 4-7. 이제 두번째 데이터인 S&P500도 같은 차트에 나타내주어야 한다. X축인 기간을 공유할 것이기 때문에 twinx()를 통해 x축을 복사해준다. 4-8. 동일하게 plot()을 사용하여 S&P500의 종가(Close), 색상, 선 두께, 라벨이름을 지정해준다. 4-9. Y축 라벨이름은 S&P500으로 지정해준다. 4-10. 범례는 유동성 지표의 범례와 겹치지 않도록 우측 상단에 추가해준다. 5. 다이나믹 듀오 라인 유익한 초보자해설을 써주고 계시는 티모씨님께서 시중 지준금 유동성을 가늠하기 위한 지표로 '지준금 - 역레포 - TGA잔고'라는 일명 다이나믹 듀오 라인(다듀라인)을 제시해주신 적이 있는데, 세가지 재료가 모였으니 내친김에 이 지표도 만들어보도록 하자. 5-1. 다듀라인(DDline) = 지준금(Reserves) - 역레포(Reverse Repo) - TGA잔고(TGA Account)로 정의해준다. 5-2. DD라인을 검은색 플롯으로 그린다. 5-3. 마찬가지로 범례를 지정해준다. 검은색 선으로 다듀라인이 시각화 된 것을 확인할 수 있다. 6. 백분위 지표로 변환 이전에 매크로 통합지표를 만들기 위한 글에서 여러 매크로 데이터들의 표준화 방법중 하나로 백분위 지표를 이용한 적이 있었다. 그럼 과거 1년간의 유동성 레벨 중 현재는 어느 수준에 와있는가를 한눈에 파악하기 위해 백분위화를 해보자. 계산식은 다음과 같다. 백분위    지표 = 100 × 현재가 − 250 일간    최저가 250 일간    최고가 − 250 일간    최저가 백분위지표=100× 250일간최고가−250일간최저가 현재가−250일간최저가 ​ 과거 250일간의 최고와 최저 수준중에서 현재는 몇% 상단에 위치하는가이다. 이 내용을 함수로 정의해준다. def로 함수를 선언하고, 함수의 변수는 x값과 기간(window)다. x값에 다듀라인값을 넣어줄 예정이다. high_x = 250일간의 고가를 계산한다. low_x = 250일간의 저가를 계산한다. result = 계산식의 결과를 계산한다. return = 최종값(result)을 반환한다. 그리고 이렇게 정의한 함수에 데이터(다듀라인)와 기간(52주)을 집어넣는다. 52인 이유는 FRED 유동성데이터가 주간 데이터이기 때문에 1년 = 250영업일 = 52주를 기준으로 한 것이다. 그 뒤 플롯해주면 이렇게 나온다. 트레이딩뷰와 ...

시리즈 데이터가 순차적으로 나열된 1차원 배열 인덱스와 값의 1:1 대응관계 딕셔너리 외에도 리스트로도 시리즈를 만들 수 있다. 이 경우 인덱스는 자동으로 정수형으로 0부터 시작된다 따라서 인덱스 명을 자동으로 지정된 숫자가 아니라, 임의로 바꿔주고 싶으면 아래와 같이 적어준다. series = pd.Series(data, index=['1월','2월','3월','4월','5월']) 0으로 표시된 칼럼의 이름을 지정하고 싶으면 name= ' ' 으로 넣어주면 된다. 시리즈도 인덱싱, 슬라이싱 가능하다. 만약 1월 CPI값을 보고 싶다면, 인덱스값인 cpi['1월']을 입력하면 해당 인덱스의 value값이 튀어나온다. 당연히 슬라이싱으로 범위를 지정해서 불러낼 수 있다. 리스트를 이용해서 특정 월만 집어서 불러낼 수도 있다. (대괄호가 두개임에 유의) 시리즈는 사칙연산도 가능 가령, 실질금리 = 명목금리 - ...