짐 사이먼스의 알고리즘이 잠든 사이에도 돈을 버는 방법 (정확한 퀀트 프레임워크)

1import numpy as np
2import pandas as pd
3from scipy import stats
4
5def detect_signal(prices: pd.Series, lookback: int = 20) -> dict:
6    returns = prices.pct_change().dropna()
7
8    # 자기상관 — 오늘의 수익률이 내일을 예측할 수 있는가?
9    acf_1 = returns.autocorr(lag=1)
10
11    # 이동 평균 대비 Z-점수 편차
12    rolling_mean = returns.rolling(lookback).mean()
13    rolling_std  = returns.rolling(lookback).std()
14    z_score      = (returns - rolling_mean) / rolling_std
15
16    # 허스트 지수 — 이 시계열은 추세를 따르는가, 평균 회귀하는가?
17    hurst = compute_hurst(prices.values)
18
19    return {
20        "autocorrelation": acf_1,
21        "z_score_latest": z_score.iloc[-1],
22        "hurst_exponent": hurst,   # <0.5 = 평균 회귀, >0.5 = 추세 추종
23        "regime": "trending" if hurst > 0.55 else "mean_reverting"
24    }
25
26def compute_hurst(ts):
27    lags = range(2, 20)
28    tau  = [np.sqrt(np.std(np.subtract(ts[lag:], ts[:-lag]))) for lag in lags]
29    m    = np.polyfit(np.log(lags), np.log(tau), 1)
30    return m[0] * 2.0

1from sklearn.linear_model import LinearRegression
2
3def factor_decompose(returns: pd.DataFrame, factors: pd.DataFrame) -> dict:
4    """
5    returns: 자산 수익률의 DataFrame
6    factors: 팩터 수익률의 DataFrame (시장, 규모, 가치, 모멘텀 등)
7    """
8    model = LinearRegression()
9    model.fit(factors, returns)
10
11    alpha     = model.intercept_          # 팩터로 설명되지 않는 수익률 = 순수한 엣지
12    betas     = model.coef_               # 팩터 노출도
13    r_squared = model.score(factors, returns)
14
15    return {
16        "alpha": alpha,    # 이것이 당신이 찾는 것 — alpha > 0인가?
17        "betas": dict(zip(factors.columns, betas)),
18        "r_squared": r_squared,
19        "edge_quality": "strong" if abs(alpha) > 0.001 and r_squared > 0.3 else "weak"
20    }

1import numpy as np
2
3# 상태: 0=강세장(Bull), 1=약세장(Bear), 2=침체장(Stagnant)
4# 전이 행렬은 과거 데이터로 추정
5transition_matrix = np.array([
6    [0.78, 0.14, 0.08],  # 강세장에서: 78%는 강세장 유지, 14%는 약세장, 8%는 침체장
7    [0.20, 0.68, 0.12],  # 약세장에서: 20%는 회복, 68%는 약세장 유지, 12%는 침체장
8    [0.25, 0.23, 0.52],  # 침체장에서: 25%는 강세장, 23%는 약세장, 52%는 유지
9])
10
11def get_next_regime(current_state: int, steps: int = 5) -> np.ndarray:
12    """N 단계 후 상태 확률 분포를 반환합니다."""
13    state_vec = np.zeros(3)
14    state_vec[current_state] = 1.0
15
16    for _ in range(steps):
17        state_vec = state_vec @ transition_matrix
18
19    return {
20        "bull_probability":     round(state_vec[0], 3),
21        "bear_probability":     round(state_vec[1], 3),
22        "stagnant_probability": round(state_vec[2], 3),
23        "dominant_regime":      ["Bull", "Bear", "Stagnant"][np.argmax(state_vec)]
24    }

1import torch
2import torch.nn as nn
3
4class QuantEdgeNet(nn.Module):
5    def __init__(self, input_features: int = 50):
6        super().__init__()
7        self.layers = nn.Sequential(
8            nn.Linear(input_features, 128),
9            nn.ReLU(),
10            nn.Dropout(0.2),
11            nn.Linear(128, 64),
12            nn.ReLU(),
13            nn.Linear(64, 3)    # 출력: [매수, 매도, 관망] 확률
14        )
15
16    def forward(self, x):
17        return torch.softmax(self.layers(x), dim=-1)
18
19# 학습 신호: 팩터 점수 + 레짐 확률 + 원시 가격 특징 결합
20def build_feature_vector(prices, factors, regime_probs):
21    signal = detect_signal(prices)
22    return np.concatenate([
23        prices.pct_change().tail(20).values,   # 최근 20개 수익률
24        list(factors.values()),                 # 팩터 노출도
25        list(regime_probs.values()),            # 마르코프 레짐 확률
26        [signal["hurst_exponent"],
27         signal["z_score_latest"]]
28    ])

1def kelly_position_size(
2    win_probability: float,
3    win_loss_ratio:  float,
4    max_risk_pct:    float = 0.02   # 거래당 최대 2% 이상 리스크 감수 금지
5) -> float:
6    kelly_fraction = win_probability - (1 - win_probability) / win_loss_ratio
7    kelly_fraction = max(0, kelly_fraction)             # 켈리 비율이 음수가 되지 않도록 함
8    half_kelly      = kelly_fraction * 0.5              # 안전을 위해 하프 켈리 사용
9    return min(half_kelly, max_risk_pct)                # 최대 2% 하드 캡
10
11def calculate_execution_cost(
12    spread_bps: float,
13    market_impact_bps: float,
14    shares: int,
15    price: float
16) -> float:
17    total_bps    = spread_bps + market_impact_bps
18    cost_per_share = price * total_bps / 10_000
19    return cost_per_share * shares
20
21# 엣지가 실행 비용보다 클 때만 거래 실행
22def should_trade(edge_bps: float, execution_cost_bps: float) -> bool:
23    return edge_bps > (execution_cost_bps * 1.5)   # 최소 비용의 1.5배 이상 커버 필요

1원시 시장 데이터
2      ↓
3[L1] 신호 감지       → 허스트 지수 · 자기상관 · Z-점수
4      ↓
5[L2] 팩터 모델       → α 추출 · β 노출도
6      ↓
7[L3] 마르코프 레짐   → 강세장 · 약세장 · 침체장
8      ↓
9[L4] 신경망 엣지     → 매수 · 매도 · 관망
10      ↓
11[L5] 켈리 + 실행    → 포지션 크기 · 비용 필터 · 진입
12      ↓
13    거래 실행 / 미실행