옵션 체인 분석은 데이터 싸움같다.

금가격은 실질금리(명목금리-인플레이션)와 역의 상관관계가 있다고 배워서, 실제로 그러한지 Cursor AI를 부려먹으며 확인해보기로 함. 금가격은 Yfinance에서 GC=F (아마 금 선물가격으로 추정됨) 명목금리는 Yfinance에서 ^TNX (CBOE Interest Rate 10 Year T Note) 기대인플레이션은 FRED에서 T10YIE (10-year break-even inflation rate) 처음에는 금가격 자체와 실질 금리를 회귀분석하려고 했더니, 금가격이 시계열자료라서 그런지 영 이상하게 나왔다. 그래서 시험삼아 1개월 금 수익률 vs 1개월 실질금리 변동을 두고서 회귀분석했더니 아래와 같은 결과가 나옴. -0.44정도의 음의 상관관계로 나오는데, 일별, 주별, 월별, 분기별, 반기별, 1년단위도 확인해보고 싶어졌다. import yfinance as yf import pandas as pd import statsmodels.api as sm import matplotlib.pyplot as plt from pandas_datareader import data as pdr # Set the date range start_date = '1999-01-01' end_date = pd.Timestamp.today().strftime('%Y-%m-%d') # Collect Gold Price Data print("Downloading Gold Price Data...") gold_data = yf.download('GC=F', start=start_date, end=end_date) print("\nGold Data Head:") print(gold_data.head()) # Collect 10-Year Treasury Yield Data print("\nDownloading Treasury Yield Data...") treasury_yield_data = yf.download('^TNX', start=start_date, end=end_date) print("\nTreasury Yield Data Head:") print(treasury_yield_data.head()) # Get Break-even Inflation Rate from FRED print("\nDownloading Break-even Inflation Rate Data...") breakeven_inflation = pdr.DataReader('T10YIE', 'fred', start_date, end_date) print("\nBreak-even Inflation Rate Data Head:") print(breakeven_inflation.head()) # Create DataFrame with aligned dates df = pd.concat([ gold_data['Close'], treasury_yield_data['Close'], breakeven_inflation['T10YIE'] ], axis=1) df.columns = ['Gold', 'Treasury', 'Breakeven_Inflation'] # Calculate Real Interest Rate df['Real_Rate'] = df['Treasury'] - df['Breakeven_Inflation'] # Function to calculate returns and changes for different periods def calculate_period_changes(data, period): if period == '1D': return data return...

얼마전 DuDu01님의 추천으로 Cursor를 알게 되어서, https://www.youtube.com/watch?v=vOn9S4zh1Qs 대충 이거 보고 깔아서 한번 해보고 있습니다. 엄청 기초적인 시각화긴 하지만, 패키지 까는거 제외하고 결과물을 뱉게 하는데 거의 한두마디씩 밖에 안필요하네요. ChatGPT-4o로 코드짜게 시키고 수동으로 파이썬에 붙여넣는 것보다 왜 말을 더 잘알아듣는 것 같지 (긁적) 똑같은 모델을 GPT-4o로 놓고 한거면 똑같아야 하는거 아닌가? 왜 더 잘알아듣는 것 같지... 그리고 저같은 극강의 코알못들은 ChatGPT가 수정할 부분을 알려줘도, 코디가 길어지면 어딜 고치는 건지 못알아듣고 그냥 전체 코드를 다시 작성하라고 일을 두번 시켰어야 했는데 (ㅇㅅaㅇ) 커서AI는 오류나면 그냥 오류 메시지 긁고 답변나오면 Accept 한번 누르면 해당 부분 자동수정 되는게 진짜 치트키 같습니다. 이제 회귀분석을 실제로 한번 해보려고 이것 저것 시도해보고 있는데, 도구는 잘 갖춰진 것 같은데 질문을 할 통계적 기본 지식이 부족하니 잘 시키질 못하겠네요. 요청사항이 좋아야 답변이 잘나오는데... 각 통계 분석 모델 별 특징과 장단점, 쓰임새를 잘 모르니 선형회귀, 다중회귀 많이 들어는 봤는데 각각의 차이점도 잘 모르겠고, 특히 시계열 쪽은 ARIMA, GARCH, ARCH 차이점이 뭔지도 직관적으로 안 와닿고 뭐 어질어질하네요... 통계특강이라도 찾아봐야 할 판입니다 흑흑

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