leoncuhk/awesome-quant-ai

what: AI와 머신러닝을 활용한 퀀트 투자를 위한 리소스를 모아놓은 큐레이션 목록(“awesome” 스타일 목록)입니다. 도구 자체가 아니라 논문, 오픈소스 도구, 서적, 강의로 연결됩니다. README에는 거래 전략 설계 방법, 다양한 거래 방식 비교, 2025/2026년 분야의 새로운 동향에 대한 독창적인 설명 콘텐츠도 포함되어 있습니다. 관련 사이트인 “Regime Research”는 30개 티커에 걸친 시장 체제, 변동성, 위험에 대한 데이터를 매일 게시합니다.

목록이 설명하는 핵심 아이디어:

• 퀀트 금융의 세 가지 기둥: 주요 과제(예: 시장 효율성, “모멘텀”과 같은 팩터의 지속성, 거래 비용), 각 문제에 매핑되는 AI 기술(수익률 예측, 숨겨진 패턴 발견, 상호작용을 통한 거래 정책 학습, 합성 시장 데이터 생성, 뉴스 및 공시 이해), 그리고 수학적 기초(확률 과정, 최적화, 게임 이론).

• 거래 시스템 구축을 위한 설계 프로세스: README는 7단계 과정을 제시합니다. 목표 및 제약 조건 정의, 전략 아이디어 리서치(이론 또는 데이터 마이닝 기반), 모델 구축 및 보정(과적합 주의), 현실적인 비용을 반영한 엄격한 백테스트, 위험 관리 통합, 적절한 인프라를 통한 배포, 지속적인 모니터링 및 반복.

• 거래 전략 분류: 10가지 카테고리별로 하위 전략과 추천 논문 또는 도구가 포함되어 있습니다. 예: 통계적 차익거래(평균 회귀, 페어 트레이딩), 팩터 투자(가치, 모멘텀, 규모), 고빈도 매매(마켓 메이킹, 지연 차익거래), 추세 추종, 변동성 거래, 위험 패리티, 매크로 전략, 이벤트 기반(합병 차익거래, 실적), 머신러닝 전략(Stefan Jansen의 150개 이상의 notebook 저장소 인용), 다중 전략 접근 방식(계층적 위험 패리티 포함).

• 세 가지 거래 패러다임 비교: 퀀트 트레이딩(정적 규칙, 높은 투명성), 알고리즘 트레이딩(매개변수 최적화가 포함된 사전 정의된 로직, 중간 정도의 적응성), AI 에이전트 트레이딩(자율 학습 에이전트, 높은 적응성이지만 “블랙박스” 의사결정)을 대조한 표.

• 프런티어 주제 (2025/2026): 두 가지 신흥 분야. 첫째, LLM 기반 트레이딩 에이전트 — 대규모 언어 모델이 분석가, 트레이더, 위험 관리자 등의 역할을 수행하는 멀티 에이전트 프레임워크(목록에는 TradingAgents, FinRobot, FinGPT, FinRL, Vibe-Trading, oracle3 포함). 둘째, Transformer 시계열 파운데이션 모델 — 작업별 훈련 없이 가격이나 변동성을 예측하는 사전 훈련된 모델(Chronos, TimesFM, Moirai, Lag-Llama, PatchTST, TimeGPT, Kronos; README 텍스트는 항목 중간에 잘림).

기타 섹션: 이 목록에는 학습 리소스, 서적, 연구 논문, 저자의 독창적인 노트, 커뮤니티 및 컨퍼런스 링크, 관련 목록이 포함되어 있습니다. README는 “투자 리서치: 완전한 지도”라는 제목의 이미지로 시작하며 “당신의 엣지: 당신은 어떤 계층을 컨센서스보다 더 잘 이해하고 있습니까?”라는 질문을 던집니다.

톤: 실무자를 대상으로 하며 금융 및 머신러닝 개념에 익숙함을 가정하지만, 이 목록의 가치는 독자가 개별 항목을 더 깊이 파고들 수 있도록 일차 소스(SSRN 논문, GitHub 저장소, Kenneth French Data Library와 같은 데이터 라이브러리)로 안내하는 데 있습니다.