팔란티어 프로젝트 구상

계기 처음 자동매매를 했던건 2022년 상반기 즈음이었다. 그때는 증권사 Api도 아니고 그냥 예O글로벌이라는 자체 자동매매 프로그램을 이용해서 NH선물과 연동해서 했었는데, 예O랭귀지라는 자체 프로그램 언어가 있었다. 장점이라면 증권사 프로그램이다보니, 차트나 지표들은 기본제공이 된다는 점이다. 초보자에게는 이게 생각보다 꽤 크다. 파이썬으로 직접 일일이 차트를 plot하는 것도 나같은 초보자에게는 은근히 귀찮은 일이기 때문이다. 우리가 보는 일반적인 캔들차트도, 직접 파이썬으로 구현하려면 일단 X축, Y축 축척도 설정해야하고, 그래프 크기, 캔들의 색깔, 모양, 차트 바탕색은 뭘로할 건지, 가로선, 세로선은 점선으로 할 건지 실선으로 할 건지... 이런 모든 것들을 일일이 다 설정해줘야 한다. 출처: 네이버 블로그 수식지왕 그리고, 기본 내장 함수가 많다는 점도 초보자에게는 엄청난 이점이 있다. 예를 들어, '종가가 200일 이평선을 하향돌파 했을 경우'라는 진입조건을 설정한다고 하면, 증권사 프로그램에서는 그냥 CrossUp(close, sma200)을 하면 되지만 이걸 파이썬으로 하려면 def로 일일이 함수를 정의해줘야 했다. 그리고 더 골치아픈 건 그런 차트와 매매로직 관련보다도, 잔고 조회 및 주문과 관련된 부분들이었다. 차트나 매매조건 관련 함수들은 조금 틀려도 금방 알아채고 고칠 수 있었지만, 잔고와 주문집행 관련된 부분들은 삑나는 순간 실제로 금액이 이상하게 찍히고 나서는 늦어버리기 때문이었다. 이런 부분에서 자신이 없어져서 당시에는 결국 파이썬으로 돌릴 엄두를 내지 못하고, 자체 매매 프로그램을 사용했다. 그러나 장점만 있지는 않았다. 일단 범용언어가 아니다 보니, 지금의 ChatGPT처럼 어디에 물어볼데가 딱히 없었다는 점 (전부 Q&A 게시판에 직접 물어봐야했다.) 개인적인 생각으로는 본인의 매매로직이 엄청나게 복잡하거나 경제지표 등 외부 데이터나 대안 데이터를 써야하거나 고빈도매매(HFT)를 해야하거나 하지 않는 이상, 엔간하면? 증권사 자동매매 프로그램을 사용해도 90% 이상은 커버가 될 것이다. (그러나 반대로 말하면 프로그램이 허용하는 범위 내에서 알파를 만들어내기란 그만큼 어렵다는 뜻일 수 있음. 실제로 성과좋은 매매전략 랭킹으로 올라오는 것들을 보면 죄다 과최적화 덩어리임) 단점이라면, 역시 유연하지 못하다는 점이었다. 정해진 종목, 정해진 함수 외에는 사용할 수 없고, 가격데이터 말고는 외부 경제지표 데이터 등을 불러와서 정량화해 활용하기가 어렵다. 사실, 내가 AWS에 관심을 가지게 된 데에는 유연성 외에도 하나 더 큰 점이 작용했는데, 바로 자동매매를 위해 컴퓨터를 하루종일 켜놓아야 한다는 점이었다. 처음에는 데스크탑이 아니라 24시간을 돌릴 워크 스테이션을 하나 사야하나?라는 생각을 했었다. 친구가 리니지 작업장을 해본 적이 있어서 하루 종일 켜놓는 워크 스테이션을 사서 했던 것이 기억이 났던 것이었다. 그러나 가격을 보니 데스크탑에 비하면 상당히 사악(...)한 느낌이었다. 결국 6개월 정도 내 데스크탑을 켜놓고 매매를 실행했었다. 마이크로 나스닥 선물과 비트코인 두가지를 돌렸었는데, 문제는 자동매매 감시가 돌아가고 있으면 CPU와 메모리를 일정부분 잡아먹기 때문에 내가 PC를 써야해서 다른 작업을 할 때 은근히 부하가 걸리는 것이 느껴진다는 점이었다. 그리고 뭐 얼마 안될지 모르지만 전기요금도 내심 거슬리기도 했고, 사실 전기요금 자체보다 24시간 PC를 돌리는데서 오는 PC 성능저하 우려(내가 하드웨어를 잘 몰라서 기우일 수도 있겠지만) 등등 여러모로 불편한 점들이 있었다. 그러다가 아마존 웹서비스(AWS, Amazon Web Serveices)라는 것이 있다는 걸 발견했었는데, 당시에는 파이썬도 모르는데, 이걸 어떻게 쓰는지 대충 찾아보니 감조차도 안왔었다. 그러다가 최근, ChatGPT와 커서AI의 도움에 힘입어 다시 관심을 가지기 시작했는데, 사실 클라우드 컴퓨팅이라는 개념자체도 잘 와닿지가 않아서, GPT를 고문해서 질문을 몇개 해보았다. 게임은 좋아하지만, 하드웨어라고는 그래픽 카드와 CPU 성능, 메모리 정도 밖에 볼 줄 모르고, 코딩은 더 모르는 나같은 뉴런분들에게 도움이 될까하여 적어본다. ※ 이하 내용은 컴퓨터 알못의 관점에서 용어와 개념을 알음알음 찾아보며 비슷한 눈높이로 설명하기 위한 것으로, 비약과 오류가 많을 수 있습니다. 또한 의식의 흐름에 따라 쓰다보니 다소 과격한 표현이 있을 수 있습니다. (개인 블로그니 양해 부탁드립니다.) 클라우드 컴퓨팅(Cloud Computing)이 그래서 무엇인가? 아니 애초에 왜 클라우드(Cloud)라고 하는가부터 궁금해진다. 구름(Cloud)이랑 컴퓨터랑 무슨 상관이란 말인가? 그리고 이 말은 왜 이렇게 ...

지난번 번역한 스큐 관련 논문 - 위험중립 왜도(Risk-Neutral Skewness)의 만기 구조가 담고 있는 정보에 의하면, 단기(1개월)스큐는 시장을 양의 방향으로, 12개월 스큐는 시장을 음의 방향으로 예측력이 있다고 한다. 물론 학계논문을 실전투자에 그대로 적용하는 것은 일일이 나열하기 어려운 한계가 있지만, 그래도 호기심은 들기 마련이다. 아무튼 위 논문에서 말하는 위험중립스큐(RNS, Risk-Neural Skewness)는 25델타 리스크 리버설 등 대체수단(Proxy)으로 측정할 수도 있고, 아예 왜도를 측정하는 방법도 있다. 어느 측정법이 되었든, 위 논문의 요지는 약 1개월 뒤 만기되는 단기옵션의 스큐는 시장 급락에 대한 헷징 수요를 반영하여 시장을 양의 방향으로 예측한다. 정보거래자, 즉 정보를 가진 매매주체의 정보가 단기 옵션 내재변동성에 반영되므로, 왜도가 음일 수록 시장 급락에 대한 우려가 커서 단기 하락의 가능성이 높다고 보고, 반대로 양일 수록 단기 상승의 가능성을 높게 본다는 것이다. 이에 반해 약 12개월 뒤 만기되는 장기기간 옵션은 사실상 헷징수요보다는 혹여라도 있을 복권(lottery)과도 같은 상승 확률을 반영하여 투기심리를 반영하기 때문에 시장의 실제 방향과 음의 상관관계를 갖는다는 것이다. 따라서 아래와 같이 이렇게...

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 ...