stefan-jansen/machine-learning-for-trading

해결하는 문제

기계학습 기반 거래 전략의 개발, 테스트, 배포를 포괄적이고 종단간(end-to-end)으로 제공하는 프레임워크입니다. 이 프로젝트는 이론적 연구와 실제 시장 실행 사이의 격차를 메우기 위해, 데이터 인프라 관리, 신호 생성, 엄격한 평가("증거 경계"), 생산용 MLOps를 통합한 체계적인 워크플로우를 구축함으로써 과적합과 사전 정보 노출(bias)과 같은 일반적인 함정을 방지합니다.

작동 방식

이 프로젝트는 6개의 전문적인 Python 라이브러리로 구현된 연구에서 생산까지의 파이프라인을 중심으로 구성됩니다:

• Data: 19개 이상의 공급자로부터 통합적인 데이터 획득 (ml4t-data).
• Signal: 특징 공학 및 누출 안전한 데이터셋 준비 (ml4t-engineer).
• Models: 금융 중심의 잠재 요인 및 포트폴리오 학습 구현 (ml4t-models).
• Evaluation: 전략 진단 및 특징 검증 (ml4t-diagnostic).
• Strategy: 현실적인 실행을 고려한 이벤트 기반 백테스트 (ml4t-backtest).
• Deployment: 실시간 거래를 위한 브로커 통합 (ml4t-live).

다양한 기술을 활용하며, 기울기 부스팅, 심층 시계열 아키텍처(예: PatchTST, Mamba), 인과 기계학습, 실행을 위한 강화학습, 그리고 금융 연구를 위한 생성형 AI(RAG 및 다중 에이전트 시스템)를 포함합니다.

대상 사용자

원시 금융 데이터에서 생산 가능한 거래 시스템으로 전환하고자 하는 양적 연구자, 알고리즘 트레이더, ML 엔지니어.

주요 특징

• 종단간 워크플로우: 데이터 수집 및 특징 공학에서 리스크 관리, 실시간 배포까지 전체 라이프사이클을 커버.
• 다양한 모델 툴킷: 선형 기준 모델과 XGBoost부터 고급 딥러닝, 인과 기계학습까지 포함.
• 생성형 AI 통합: SEC 제출서, 지식 그래프, 자율적 다중 에이전트 연구 시스템 기반의 RAG 구현.
• 엄격한 검증: 워크포워드 교차검증 및 Deflated Sharpe Ratio와 같은 도구를 사용해 과적합 방지.
• 9개의 사례 연구: ETF, 암호화자산, 외환, 주식 등 다양한 자산 클래스에 동일한 파이프라인 적용.