논문 리뷰 글의 원 논문 등급 기준입니다(월간 종합은 제외). 등급은 참신성·실전 적용성·엄밀성·재현성·인사이트를 종합해 매깁니다.
포트폴리오 최적화S백테스트에서는 대박이 나는데 실전에서는 안 되는 그 이유. 2020년 발표된 이 논문은 딥러닝 투자 모델이 훈련 데이터 안에서 미래 정보를 몰래 암기하는 메커니즘을 이론적으로 증명했습니다. 데이터 규모와 모델 복잡도의 균형으로 과학습을 통제하는 조건까지 쉽게 풀어 설명합니다.
알고리즘 트레이딩S백테스트에서는 완벽했던 강화학습 주문집행 알고리즘이 실전에서 무너지는 이유를 이론과 실험으로 규명한 2023년 연구를 쉽게 풀어 설명합니다. 과적합의 구조적 원인, 컨텍스트 압축 해법, 그리고 실전 적용 시사점을 다룹니다.
알고리즘 트레이딩S수십만 주를 팔 때 '얼마나 빨리, 어떻게 쪼개서' 팔아야 시장 충격을 최소화할까? 2022년 연구는 선형 충격에서는 공식 해를, 비선형 충격에서는 딥러닝 대리모델을 제안합니다. 시장 매개변수가 틀려도 견디는 설계와 실제 성능 수치까지 쉽게 풀어 설명합니다.
팩터 투자S수백 개 팩터를 검증하다 보면 거짓 신호가 섞이기 마련이고, 학계는 't-통계량 임계값을 올리자'고 제안했습니다. 그런데 2022년 논문은 그 임계값 자체가 데이터로는 정해질 수 없다는 놀라운 결론을 내립니다. 대신 써야 할 지표가 무엇인지, 퀀트 실무에 어떻게 적용하는지 쉽게 풀어 설명합니다.
포트폴리오 최적화S이론의 포트폴리오 최적화는 매끈한데, 현실은 세금·정수 주식·최소 거래 단위로 뒤범벅입니다. 스탠퍼드 연구진은 이 지저분한 문제를 '쪼개서' 수백 밀리초에 풀고, 그 답이 최적에 얼마나 가까운지 하한까지 계산해 보증하는 프레임워크를 제시했습니다. 소규모 계좌 운용과 세금 인식 리밸런싱에 바로 쓸 수 있는 실용 최적화의 교과서를 쉽게 풀어 설명합니다.
포트폴리오 최적화A옵션 시장 모형이 '무차익'이라는 말을 증명하려면 무엇을 해야 할까. GROMM은 S&P 500 옵션 219만 개 호가로 가격표면을 맞추고, 5천 개 계약 전체에서 위험중립성을 검증했습니다. 국소변동성과 시나리오 생성의 시사점을 정리합니다.
시계열 계량경제학A2020년 모기지 시장 위기에서 비은행 대출기관이 대출 매입을 미룬 이유를 190만 건 자료로 분석한 연구입니다. 유동성 제약이 투자 선택을 어떻게 왜곡하고, 예측 모델 평가(AUC)를 어떻게 바꾸는지 일반인 눈높이로 설명합니다.
포트폴리오 최적화A리스크 측도를 CVaR에서 엑스펙타일(expectile)로 바꾸고 분포 불확실성까지 반영한 포트폴리오 최적화가 FTSE 13년 실증에서 9개 조합 전부 이겼다. 엑스펙타일의 백테스트 가능성, 지름자 선택, 퇴화 임계값까지 쉽게 풀어 설명한다.
알고리즘 트레이딩A전략 후보를 걸러내는 통계 게이트가 진짜 정보를 줄까, 그냥 까다로울 뿐일까? 정답을 주입해 검증한 실험에서 약한 신호에만 유효하고, 절대수익 기준이면 진짜 신호까지 전부 기각한다. 백테스트 오버피팅과 전략 채택 검증의 실무 교훈.
알고리즘 트레이딩ALLM에게 전략 코드를 고쳐 가게 맡기면 백테스트 성적은 잘 나오는데 실제 시장에서 무너지는 일이 흔합니다. 텍스트 그래디언트로 전략을 개선하고 '가장 약한 시기'만 보고 학습한 TradeGrad 연구를 일반인 눈높이로 풀어 설명합니다.
시계열 계량경제학A미국 전력 시장의 공식 운영 공지문을 예측 시점 기준으로 되살려 가격 데이터와 결합한 재현 가능 벤치마크 TRACE를 소개합니다. 텍스트가 전력 가격의 상방 위험 예측을 얼마나 개선하는지, 실험 설계와 한계를 일반인 눈높이로 설명합니다.
포트폴리오 최적화A머신러닝에서 흔히 쓰는 변수 선택 도구 LASSO가 마코위츠의 효율적 프런티어를 그대로 그려 준다는 연구를 쉽게 풀어 설명합니다. 포트폴리오 최적화 계산이 왜 수십 배 빨라지는지, 그리고 주의할 한계까지 정리합니다.
고빈도 트레이딩(HFT)ACME 나스닥 선물 시장 데이터 1년치를 패킷 단위로 추적한 측정 연구를 쉽게 풀어봅니다. 고빈도 트레이딩 시스템의 단일 스레드 설계 법칙은 언제 뒤집히는가, 마이크로초 지연 꼬리의 진짜 원인은 무엇인가 — 초 단위가 아닌 마이크로초의 세계에서 벌어지는 일들입니다.
LLM 트레이딩 에이전트ALLM 멀티 에이전트로 알파 팩터를 자동 발굴하면서도 같은 아이디어만 반복하는 연구 경로 붕괴를 극복하고, 외부 API 없이 로컬 모델로 훈련한 AlphaDiverse 논문을 쉽게 설명합니다. 예측 성능과 탐색 다양성을 함께 얻은 비결과 한계를 짚어봅니다.
팩터 투자ALLM 에이전트가 투자 팩터를 제안하고, 에이전트가 건드릴 수 없는 동결 통계 심판이 유효성을 판단하는 새로운 프레임워크를 소개합니다. 팩터 과적합과 가짜 발견을 막는 근본적인 해결책.
시계열 계량경제학A개별 전력 가격이 아니라 시간대 간 가격 차이(스프레드)를 직접 예측하면 배터리 차익거래 수익이3% 이상 개선된다는 놀라운 실증 결과를 소개합니다. 통계적으로 가장 정확한 모델과 실제 가장 수익이 높은 모델이 다른 '정확도-수익 역설'도 확인했습니다.
LLM 트레이딩 에이전트A자금을 직접 굴리는 LLM 트레이딩 에이전트 15개를 견고성과 보안 9개 지표로 진단한 FARSIGHT 연구를 쉽게 풀어 설명합니다. 플래시 크래시 대응 부재, 프롬프트 주입, 에이전트 탈취 위험과 실무 방어 설계까지 AI 트레이딩 보안이 왜 필요한지 알려드립니다.
팩터 투자A투자 신호 간 유사성과 실제 수익률 간 상관이 왜 다른지 정확한 분해식으로 밝힌 연구를 쉽게 풀어 설명합니다. 팩터 포트폴리오를 구성하는 분들에게 꼭 필요한 진단 도구를 소개합니다.
포트폴리오 최적화A상대가치 거래에서 교차영향과 시간 감쇠를 고려한 볼록 최적화 거래비용 모델을 소개합니다. 기존 모델이 놓치고 있던 거래비용의 두 가지 그림자를 포착해 실행 전략을 개선하는 방법을 쉽게 설명합니다.
LLM 트레이딩 에이전트ASEC 보고서 3,575건과 12개 AI 모델로 검증한 결과, '당신은 공매도 투자자입니다'라는 한 줄이 '중립' 분석 점수까지 바꾸는 것으로 나타났습니다. 편향이 어디서 생기고, 어떻게 줄이는지(그리고 왜 완전히 없애기는 어려운지) 쉽게 설명합니다.
시계열 계량경제학A큰 주문이 시장을 흔들 수 있는 경계선에서 포트폴리오 한도를 어떻게 정할까? 교차충격·조건부 리스크·위험부담능력을 함께 추정하고, 틀릴 수 있는 추정을 정직하게 반영해 투자 한도를 인증하는 통계 프레임워크를 쉽게 설명합니다.
포트폴리오 최적화A100년 만의 손실처럼 희귀한 사건을 시뮬레이션할 때 표본이 모자라는 문제, 어떻게 풀까? 교차엔트로피 중요도 샘플링에 조건부 확률을 더한 ISCOS가 신용 포트폴리오 꼬리 위험 계산을 얼마나 빠르고 안정적으로 만드는지 쉽게 설명합니다.
LLM 트레이딩 에이전트AAI가 트레이딩 전략을 대량으로 만들어 그중 최고 성적만 보고하는 시대. 데이터 누수 차단과 탐색 횟수 보정으로 100개 후보를 정직하게 시험한 연구가 무엇을 남겼는지, 백테스트 과대평가의 함정부터 쉽게 풀어 설명합니다.
시계열 계량경제학ACRSP 26,100개 기업 50년 데이터로 검증한 주식 시장의 traveling wave 모델. 기업의 생존과 소멸이 시장 전체의 자본분포를 어떻게 안정시키는지, 그리고 이것이 포트폴리오에 무엇을 의미하는지 쉽게 풀어봅니다.
포트폴리오 최적화A그래디언트 부스팅 트리로 켈리 기준 성장 최적 포트폴리오를 직접 학습하는 KellyBoost 방법론을 소개합니다. 예측과 최적화를 분리하는 기존 방식의 한계를 넘어, 목표 함수를 직접 최적화하는 엔드투엔드 접근법의 가능성과 한계를 살펴봅니다.
알고리즘 트레이딩A이더리움 트랜잭션의 자금흐름을 추문 구문 트리로 분석하고, 15개 규칙의 항 재작성 시스템으로 프로토콜에 독립적인 차익거래를 탐지하는 형식 검증된 프레임워크를 소개합니다. 22만 블록 대상 평가에서 Eigenphi 대비 6만 건 이상의 추가 탐지를 달성했습니다.
NLP·센티먼트 분석A금융 뉴스로 주가 방향을 예측할 때 무작위 데이터 분할이 성능을 최대 6.5배 부풀리는 '시간 누수'를 16개 모델로 감사한 연구. 시간 순 분할로 검증하면 대부분의 신호가 사라지고 M&A 뉴스만 살아남는 이유를 쉽게 풀어 설명합니다.
LLM 트레이딩 에이전트A공시와 리서치 자료를 근거 기반으로 조사하는 금융 전용 에이전트 모델 Mint-Agent를 소개합니다. 9B와 27B의 작은 모델이 범용 초거대 모델을 벤치마크와 비용에서 모두 앞선 비결, 데이터 엔진과 근거 원장 설계를 쉽게 풀어 설명합니다.
NLP·센티먼트 분석A457만 건 미국 금융 기사와 LLM 분류로 '뉴스는 이미 가격에 반영된다'는 시장 격언을 정량 검증한 연구를 살펴봅니다. 뉴스 유형별로 가격 반영 속도가 어떻게 다른지, 투자에 어떤 의미가 있는지 쉽게 풀어 설명합니다.
포트폴리오 최적화A옵션 가격과 리스크 추정에 등장하는 이중 기대값 계산을 훨씬 효율적으로 만드는 중첩 MLMC 기법. 편향 샘플링과 대칭적 결합으로 계산 비용을 줄이는 새로운 프레임워크를 소개합니다.
LLM 트레이딩 에이전트A금융 데이터 추출을 넘어 실제 투자자 워크플로 전체를 평가하는 FrontierFinance 벤치마크를 소개합니다. 220개 전문가 설계 쿼리와 11,543개 이진 루브릭으로 금융 AI 에이전트의 진짜 능력을 측정한 결과, 최고 시스템도 56% 수준임을 보여줍니다.
LLM 트레이딩 에이전트A금융 데이터 추출을 넘어 실제 투자자 워크플로 전체를 평가하는 FrontierFinance 벤치마크를 소개합니다. 220개 전문가 설계 쿼리와 11,543개 이진 루브릭으로 금융 AI 에이전트의 진짜 능력을 측정한 결과, 최고 시스템도 56% 수준임을 보여줍니다.
LLM 트레이딩 에이전트A금융 데이터 추출을 넘어 실제 투자자 워크플로 전체를 평가하는 FrontierFinance 벤치마크를 소개합니다. 220개 전문가 설계 쿼리와 11,543개 이진 루브릭으로 금융 AI 에이전트의 진짜 능력을 측정한 결과, 최고 시스템도 56% 수준임을 보여줍니다.
딥러닝 가격 예측A78개 재무제표 항목을 최대 20분기 앞까지 jointly 예측하는 전문 트랜스포머 Forma가 랜덤포레스트, LLM, 시계열 기반 모델 모두를 압도한 연구를 소개합니다. DCF 밸류에이션의 핵심 입력을 장기로 정확하게 추정하는 방법을 살펴봅니다.
포트폴리오 최적화A동적 포트폴리오 최적화에서 신경망·수치 솔버의 결과를 정책 거리와 제약 활성면으로 동시에 인증하는 Same-Grid Duality 프레임워크를 쉽게 풀어 설명합니다.
시장 미시구조A탈중앙화 거래소에서 공개된 지갑 주소로 정보성 있는 거래자를 식별하고, 이를 통해 단기 가격을 예측할 수 있다는 놀라운 실증 연구를 소개합니다.
시장 미시구조APolymarket 예측시장과 Binance 암호화폐 거래소의 밀리초 단위 동기화 데이터셋을 분석한 결과, 고빈도 트레이딩으로 예측시장에 진입하는 것이 왜 어려운지를 보여주는 흥미로운 연구입니다.
시장 미시구조APolymarket 예측시장과 Binance 암호화폐 거래소의 밀리초 단위 동기화 데이터셋을 분석한 결과, 고빈도 트레이딩으로 예측시장에 진입하는 것이 왜 어려운지를 보여주는 흥미로운 연구입니다.
LLM 트레이딩 에이전트AAI 트레이딩 봇이 벌어들인 수익에서 추론 비용을 빼면 남는 건 무엇일까? 10개 LLM 백본의 손익을 시장·자산선택·타이밍으로 분해한 TradeLens 진단에서, 성패를 가른 것은 AI 사용 비용이 아니라 의사결정의 질이었다. LLM 트레이딩 에이전트 비용효율성 분석.
시계열 계량경제학AS&P 500 옵션 가격만으로 시장 참가자들의 기대·위험 선호가 담긴 확률할인인수(SDF)를 복원해, 주식 초과수익률을 샘플 외로 예측하는 새로운 연구를 소개한다.
알고리즘 트레이딩A룩어헤드 바이어스를 '시간적 비간섭'이라는 수학적 개념으로 형식화하고, 백테스트 파이프라인의 정확성을 선형 시간에 검증하는 방법을 소개합니다.
포트폴리오 최적화A거래비용이 고정이 아니라 시장 상황에 따라 변동하는 현실을 반영한 포트폴리오 이론. 확률적 거래비용 하에서도 시장 대비 초과 성과를 보장하는 새로운 수학적 프레임워크를 소개합니다.
딥러닝 가격 예측A45개 거래소, 120억 개 K-line 데이터로 사전학습한 금융 시계열 파운데이션 모델 Kronos를 소개합니다. 가격 예측, 변동성 예측, 합성 데이터 생성을 하나의 모델로 제로샷 처리하는 구조와 실전 시사점을 쉽게 풀어 설명합니다.
강화학습 포트폴리오A강화학습(RL) 기반 포트폴리오 전략이 실전에서 손실로 이어지는 이유를 이론적으로 분석한 논문을 소개합니다. 실행 비용과 청산 마찰을 무시한 RL이 마이opic 최적화에 왜 뒤처지는지, 그리고 투자자에게 어떤 시사점을 주는지 설명합니다.
포트폴리오 최적화A헤비테일 금융 데이터에서 최소분산 포트폴리오를 구성할 때, 공분산 추정 오차가 포트폴리오 성능에 실제로 영향을 미치는 '의사결정 기하학'을 소개합니다.
포트폴리오 최적화A추정한 투자 전략이 얼마나 틀릴 수 있는지까지 감안하는 '강건한 베이지안 포트폴리오' 방법론을 일상 비유와 함께 쉽게 풀어 설명합니다.
LLM 트레이딩 에이전트A대형 언어 모델(LLM)이 금융 데이터를 '기억'해서 만든 허위 알파 신호를 실시간으로 걸러내는 MemGuard-Alpha 프레임워크를 소개합니다. Sharpe 비율 49% 개선, 오염 신호 대비 7배 수익 차이의 핵심 원리를 쉽게 풀어 설명합니다.
