machine-learning-for-trading

KO | EN

gitlite — search

#python #java #python3 #arduino #golang #machine-learning #rust #html #flask #javascript #seismology #nodejs

machine-learning-for-trading

★ 20,480 Open GitHub ↗

Machine Learning for Trading, 3rd edition의 코드로, 데이터 소싱부터 실시간 실행까지의 전 과정을 다룹니다.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Machine Learning for Trading — 3rd Edition

**머신러닝 기반 트레이딩 전략 구축, 테스트 및 배포 — 데이터 소싱부터 실시간 실행까지.**

이 저장소는 [Stefan Jansen](https://www.linkedin.com/in/applied-ai/)의 [*Machine Learning for Trading, 3rd Edition*](https://amzn.to/4eigy2F)을 위한 코드를 제공합니다. 이 책은 리서치 아이디어를 정의하고 이를 반복적으로 개발하여 실제 라이브 시장에서 실행하고 유지할 수 있는 전략으로 만드는 엔드-투-엔드(end-to-end) 워크플로우를 중심으로 완전히 새롭게 재구성되었습니다.

- [9가지 케이스 스터디](https://www.ml4trading.io/case-studies/)를 통해 책의 27개 장에 걸쳐 원시 데이터, 피처(feature), 모델, 백테스트, 비용, 리스크 관리부터 배포까지의 워크플로우를 설명합니다.
- 이번 에디션에서는 **Generative AI**와 **autonomous agents**가 새롭게 추가되어 retrieval-augmented generation, 지식 그래프, 멀티 에이전트 시스템을 금융 리서치에 접목했습니다.
- [컴패니언 웹사이트](https://ml4trading.io)에서는 워크플로우의 상당 부분을 지원하는 [112개의 입문서(primers)](https://ml4trading.io/primer/), [61개의 에이전트 스킬](https://ml4trading.io/skills/), 그리고 [6개의 프로덕션 Python 라이브러리](https://ml4trading.io/libraries/)를 제공합니다.

**시작하기: [Installation](docs/installation.md)** 가이드는 아무것도 설치되지 않은 Linux, Windows 또는 macOS 머신에서 필수 구성 요소를 포함하여 노트북을 실행하는 방법을 안내합니다. 요약된 내용은 아래의 [Quick Start](#quick-start) 섹션을 참조하세요.

> **무료 독자 가이드:** **2026년 7월 30일 오전 11:00(ET)**에 진행되는 [Navigate ML for Trading, 3rd Edition](https://maven.com/p/c6e0e7/navigate-ml-for-trading-3rd-edition)에 참여하여 책의 구성, 케이스 스터디, 코드 및 관련 리소스에 대한 30분간의 맵핑 가이드를 확인하세요. 현재 진행 중인 모든 [courses and workshops](https://maven.com/stefan-jansen)는 아래 [Courses](#courses) 섹션에 나열되어 있습니다.

---

## 3판에서 달라진 점

이 책은 데이터 인프라 및 전략 리서치에서 시작하여, 튜닝과 평가를 구분하는 *evidence boundary*(증거 경계)를 지나 배포 및 모니터링에 이르는 하나의 경로를 추적합니다. 또한 전략의 우위(edge)가 사라짐에 따라 전략을 재학습시키거나 일시 중지 또는 폐기하는 피드백 루프를 포함합니다.

이전 에디션들이 기법별로 접근했다면, 3판은 하나의 프로세스를 엔드-투-엔드로 실행하며 다음과 같은 방대한 새로운 내용을 추가했습니다.

- **더 넓은 모델 툴킷**: gradient boosting (XGBoost, LightGBM, CatBoost)부터 딥러닝 시계열 아키텍처 (PatchTST, iTransformer, TSMixer, TCN, Mamba), 그리고 최신 tabular 및 latent-factor 모델 (TabPFN, TabM, conditional and supervised autoencoders)까지 다룹니다.
- **전담 전략 설계 챕터**: 거래 비용(transaction costs)과 리스크 관리가 이제 독립된 챕터로 구성되어, 포트폴리오 구축 및 전략 합성 과정과 결합되어 원시 신호가 크기 조절, 비용 및 리스크를 고려한 포트폴리오로 이어지도록 합니다.
- **전체 프로덕션 트랙**: 라이브 트레이딩 시스템 (Interactive Brokers, Alpaca, QuantConnect), MLOps 및 거버넌스 (drift detection, safe rollout, circuit breakers, feature stores, experiment tracking), 그리고 전략을 단순히 구축하는 것이 아니라 실제로 *운영*하는 현실적인 측면을 다룹니다.
- **Generative AI**: SEC 공시 자료에 기반한 retrieval-augmented generation, 지식 그래프 및 Graph RAG, 그리고 자율적인 멀티 에이전트 리서치 시스템을 다룹니다.
- **Causal machine learning**: Double ML, Bayesian structural time series, causal discovery를 통해 실제 효과와 가짜 상관관계를 구분합니다.
- **Reinforcement learning**: 최적 실행(optimal execution), 인벤토리를 고려한 market making, 그리고 deep hedging을 다룹니다.
- **Synthetic financial data**: 데이터 이력이 짧을 때 검증을 위한 TimeGAN, Tail-GAN, Sig-CWGAN 및 diffusion 기반 생성기를 다룹니다.

방법론적 엄격함이 단순한 부가 기능이 아닌 핵심 주제로 다뤄집니다. 이 책은 탐색(exploration)과 확정(confirmation) 사이에 명확한 선인 *evidence boundary*를 긋고, 전 과정에 걸쳐 walk-forward cross-validation을 사용하며, Deflated Sharpe Ratio, Rademacher Anti-Serum, White's Reality Check 및 정직한 불확실성 추정을 위한 conformal prediction과 같은 도구를 통해 대부분의 백테스트를 무효화하는 다중 테스트(multiple-testing) 및 과적합(overfitting) 문제를 해결합니다.

데이터 레이어는 빠른 표현식 기반 조작을 위해 **Polars**로 이동했으며, 모든 챕터는 결과가 머신 간에 동일하게 재현되도록 **reproducible Docker environments**에서 제공됩니다. 모델링 및 시각화 스택은 PyTorch, LightGBM, Optuna, Plotly로 구성됩니다.

### 9가지 케이스 스터디

3판의 구조적 중심은 책 전체를 관통하는 **[9가지 케이스 스터디](case_studies/)**입니다. ETF, crypto perpetuals, 인트라데이 주식, 옵션, FX, 선물, 주식 팩터 패널이 각각 *동일한* 파이프라인(원시 데이터 및 라벨 $\rightarrow$ 피처 $\rightarrow$ 모델 $\rightarrow$ 백테스트 $\rightarrow$ 비용 $\rightarrow$ 리스크 오버레이 $\rightarrow$ 최종 배포 평가)을 거칩니다. 매우 다른 9가지 시장에 하나의 절제된 프로세스를 적용함으로써 어디에서 작동하고 어디에서 실패하는지, 그리고 그 이유가 무엇인지 보여줍니다.

| Case Study                                                              | Asset Class        | Frequency | What It Explores                                                             |
|-------------------------------------------------------------------------|--------------------|-----------|------------------------------------------------------------------------------|
| [ETFs](case_studies/etfs/)                                              | Multi-asset ETFs   | Daily     | 100개 ETF에 대한 자산 간 모멘텀 및 평균 회귀                                 |
| [Crypto Perps](case_studies/crypto_perps_funding/)                      | Crypto             | 8-hourly  | 무기한 선물(perpetual futures)의 펀딩비 차익거래                                  |
| [NASDAQ-100](case_studies/nasdaq100_microstructure/)                    | Equities           | 15-min    | 주문 흐름(order flow) 및 LOB의 인트라데이 미세구조 신호                           |
| [S&P 500 Equity + Options](case_studies/sp500_equity_option_analytics/) | Equities + Options | Daily     | 내재 변동성 피처로 강화된 주식 선정                                             |
| [US Firm Characteristics](case_studies/us_firm_characteristics/)        | Equities           | Monthly   | 기업 수준 특성 패널 (규모, 가치, 모멘텀, 퀄리티)                                  |
| [FX Pairs](case_studies/fx_pairs/)                                      | FX                 | Daily     | 주요 통화쌍 간의 캐리 및 모멘텀                                                 |
| [CME Futures](case_studies/cme_futures/)                                | Futures            | Daily     | 상품 및 금융 선물 전반의 기간 구조 및 롤 수익 신호                                 |
| [S&P 500 Options](case_studies/sp500_options/)                          | Options            | Daily     | 옵션 전용 전략 (straddles, delta-hedged positions)                             |
| [US Equities](case_studies/us_equities_panel/)                          | Equities           | Daily     | 클래식 팩터 노출을 가진 미국 주식의 광범위한 횡단면 분석                           |

### 112개 입문 주제 (Primer Topics)

책에서 사용하는 모든 개념에 대한 무료 설명서입니다. 각 부분은 전체 리스트로 연결됩니다.

- [Foundations](https://ml4trading.io/primer/): limit order book 메커니즘, bitemporal 데이터 모델, 시뮬레이터가 재현해야 할 정형화된 사실 등 8개 주제.
- [Research Design and Feature Engineering](https://ml4trading.io/primer/): 팩터 리서치의 다중 테스트, fractional differencing, 금융 시퀀스를 위한 path signatures 등 21개 주제.
- [Model Development](https://ml4trading.io/primer/): regularization geometry, 금융에서의 conformal prediction, double machine learning의 메커니즘 등 22개 주제.
- [Strategy Implementation](https://ml4trading.io/primer/): deflated Sharpe ratio, hierarchical risk parity부터 Almgren-Chriss 최적 실행까지 27개 주제.
- [Advanced AI](https://ml4trading.io/primer/): Markov decision processes, policy-gradient theorem, 이벤트 예측을 위한 proper scoring rules 등 8개 주제.
- [Production](https://ml4trading.io/primer/): champion-challenger 평가, feature store를 이용한 training-serving skew 등 2개 주제.
- [Cross-cutting concepts](https://ml4trading.io/primer/): 모멘텀 및 평균 회귀, bias-variance tradeoff, walk-forward validation 등 여러 챕터에서 참조되는 24개 기본 구성 요소.

### 61개 에이전트 스킬 (Agent Skills)

코딩 에이전트를 위한 재사용 가능하고 가드레일이 설정된 작업들로, lookahead bias, 데이터 누수(data leakage) 및 다중 테스트 오류에 대한 방어 기제가 내장되어 있습니다.

- [Concepts](https://ml4trading.io/skills/): lookahead bias, 데이터 누수, information coefficient를 포함한 10개 스킬.
- [Data Acquisition](https://ml4trading.io/skills/): 데이터 가져오기, 바(bars) 구축, 데이터 검증 등 7개 스킬.
- [Feature Engineering](https://ml4trading.io/skills/): 피처 계산, triple-barrier 라벨링, 피처 선택 등 10개 스킬.
- [Evaluation & Validation](https://ml4trading.io/skills/): walk-forward CV, purging-and-embargo부터 deflated Sharpe ratio까지 8개 스킬.
- [Backtesting](https://ml4trading.io/skills/): 백테스트 실행, 비용 모델, tear sheets 등 5개 스킬.
- [Portfolio Management](https://ml4trading.io/skills/): 포지션 사이징, 리스크 지표, kill switches 등 5개 스킬.
- [Infrastructure](https://ml4trading.io/skills/): 표준 스키마, 레지스트리 시스템, Polars 패턴 등 4개 스킬.
- [Workflows](https://ml4trading.io/skills/): 팩터 리서치, 모델 검증, 프로덕션 준비도 등을 다루는 5개 스킬.
- [Production](https://ml4trading.io/skills/): 라이브 트레이딩 및 모니터링 & 알림 2개 스킬.
- [Advanced AI](https://ml4trading.io/skills/): 리서치 오퍼레이터, 에이전트 메모리, 예측, 거버넌스 및 RAG 평가를 다루는 5개 스킬.

### Courses

직접적인 피드백과 함께 실시간으로 내용을 학습하는 [Maven](https://maven.com/stefan-jansen)의 [코호트 기반 코스](https://ml4trading.io/courses/)입니다.

- [Machine Learning for Trading: From Research to Production](https://maven.com/stefan-jansen/research-to-production): 리서치 아이디어를 배포 및 모니터링 가능한 전략까지 구현합니다.
- [Engineering a Multi-Agent Forecasting System](https://maven.com/stefan-jansen/agent-engineering): 금융 리서치를 위한 감사 가능한 멀티 에이전트 시스템을 설계합니다.

각 코스는 정해진 일정에 따라 운영됩니다. 위 링크는 항상 다음 코스로 연결되며, 등록하거나 대기 명단에 이름을 올릴 수 있습니다. 코호트 사이 기간에는 [**Insights** 뉴스레터](https://insights.ml4trading.io/)를 통해 최신 정보를 확인하세요.

---

## The ML4T Libraries

노트북들은 워크플로우의 각 단계별로 하나씩, 총 6개의 프로덕션 Python 패키지를 기반으로 구축되었으며, 각 패키지는 독립적으로 문서화되어 사용 가능합니다.

| Library                                                     | Stage      | What it does                                                                   |
|-------------------------------------------------------------|------------|--------------------------------------------------------------------------------|
| [`ml4t-data`](https://ml4trading.io/docs/data/)             | Data       | 하나의 인터페이스를 통해 19개 이상의 제공자로부터 통합 시장 데이터 수집        |
| [`ml4t-engineer`](https://ml4trading.io/docs/engineer/)     | Signal     | 피처, 라벨, alternative bars 및 누수 없는 데이터셋 준비                         |
| [`ml4t-models`](https://ml4trading.io/docs/models/)         | Models     | 금융 전용 잠재 요인, SDF, 직접 예측 및 포트폴리오 학습                             |
| [`ml4t-diagnostic`](https://ml4trading.io/docs/diagnostic/) | Evaluation | 피처 검증, 전략 진단 및 Deflated Sharpe Ratio                                     |
| [`ml4t-backtest`](https://ml4trading.io/docs/backtest/)     | Strategy   | 현실적인 실행을 반영한 이벤트 기반 백테스트                                       |
| [`ml4t-live`](https://ml4trading.io/docs/live/)             | Deployment | 브로커 연동을 통한 프로덕션 트레이딩                                              |

---

서론과 결론 챕터가 6개의 워크플로우 기반 파트를 감싸고 있습니다. 각 챕터 제목은 가이드로 연결되며, 노트북은 최종 완료되는 대로 디렉토리별로 추가됩니다.

## Introduction

### [1. The Process Is Your Edge](01_process_is_edge/)

왜 프로세스의 규율이 모델의 정교함보다 중요한지를 다룹니다. 리서치-투-프로덕션 시스템으로서의 ML4T 워크플로우, 팩터 수익률 및 매크로 지표에 대한 regime detection, 그리고 탐색과 확정을 구분하는 evidence boundary를 소개합니다.

## Part I — Financial Data (Chapters 2–5)

책의 나머지 부분의 기반이 되는 시장, 상품 및 인프라를 다룹니다. 소스 분류, 피처 준비가 된 바(bars)로 변환된 원시 거래소 메시지, point-in-time 펀더멘털, 그리고 견고한 검증을 위한 합성 이력을 다룹니다.

### [2. The Financial Data Universe](02_financial_data_universe/)

시장, 펀더멘털 및 대체 데이터의 분류. 8가지 자산 클래스를 조사하고, survivorship bias를 정량화하며, 저장 포맷(Parquet, DuckDB, kdb+, TimescaleDB)을 벤치마킹하고, 책 전체에서 사용되는 데이터 품질 프레임워크를 구축합니다.

### [3. Market Microstructure](03_market_microstructure/)

원시 거래소 메시지부터 피처 준비가 된 바까지. NASDAQ ITCH를 파싱하고, 여러 데이터 소스로부터 limit order book을 재구성하며, Lee-Ready 거래 분류를 검증하고, 바 샘플링 방법을 비교합니다. (dollar bars가 가장 좋은 수익 정규성을 제공합니다.)

### [4. Fundamental and Alternative Data](04_fundamental_alternative_data/)

SEC EDGAR 공시 자료를 위한 point-in-time 파이프라인, 식별자 시스템 간의 엔티티 분석(entity resolution), 매크로 및 상품 펀더멘털, 그리고 온체인 크립토 펀더멘털과 예측 시장(Kalshi, Polymarket)을 포함한 대체 데이터 평가를 다룹니다.

### [5. Synthetic Financial Data](05_synthetic_data/)

견고한 검증을 위해 대체 시장 이력을 생성합니다. TimeGAN, Tail-GAN, Sig-CWGAN, Diffusion-TS 및 LLM 기반 tabular 생성을 구현하고, fidelity–utility–privacy 프레임워크를 통해 평가합니다.

## Part II — Research Design and Feature Engineering (Chapters 6–10)

트레이딩 문제를 정의한 다음, 데이터를 모델 준비가 된 신호로 변환합니다. 리서치 설계, 라벨, 피처, 그리고 모델이 무엇을 학습할 수 있는지를 결정하는 평가를 다룹니다.

### [6. Strategy Research Framework](06_strategy_definition/)

모델을 구축하기 전 트레이딩 게임을 정의합니다. 유니버스 규칙, 결정 일정, 비용 모델, 평가 프로토콜 및 실행 로그를 설정합니다. 9가지 케이스 스터디와 7~20장에서 핵심이 되는 walk-forward cross-validation 규율을 소개합니다.

### [7. Defining the Learning Task](07_defining_the_learning_task/)

라벨 엔지니어링(forward returns, triple-barrier, trend scanning), 단변량 피처 평가(information coefficients, quantile analysis, feasibility screens), 다중 테스트 제어(BH-FDR, Deflated Sharpe Ratio) 및 인과적 타당성 검토를 다룹니다.

### [8. Financial Feature Engineering](08_financial_features/)

가격 데이터 기반의 5가지 피처 제품군(모멘텀, 리버설, 변동성, 유동성, 미세구조), 구조적 및 교차 상품 피처(수익률 곡선, 기간 구조, 상대 가치), 컨텍스트 피처(매크로 regime, 캘린더, 센티먼트) 및 강건성 테스트를 통한 피처 선택을 다룹니다.

### [9. Model-Based Feature Extraction](09_model_based_features/)

학습된 모델로부터 추출한 피처: 정상성(stationarity) 진단, Kalman filters, Fourier 및 wavelet spectral 피처, GARCH 변동성, HMM regime 확률을 다루며, 전 과정에서 point-in-time 정확성을 강제합니다.

### [10. Text Feature Engineering](10_text_feature_engineering/)

bag-of-words부터 transformers까지: TF-IDF, Word2Vec 및 GloVe 임베딩, LSTM 시퀀스 모델, FinBERT 센티먼트, 금융 NER 파인튜닝 및 뉴스-수익 신호 구축을 다룹니다.

## Part III — Model Development (Chapters 11–15)

선형 베이스라인을 바탕으로 동일한 9가지 케이스 스터디에 적용되는 5가지 모델 제품군을 다룹니다.

### [11. The ML Pipeline](11_ml_pipeline/)

이후 모든 모델이 뛰어넘어야 할 베이스라인으로서의 정규화 선형 모델 (Ridge, LASSO, Elastic Net)을 다룹니다. 방향성 예측을 위한 logistic regression, SHAP 해석 가능성, 불확실성을 위한 conformal prediction, 그리고 9가지 케이스 스터디 전반에 걸친 교차 데이터셋 비교를 수행합니다.

### [12. Gradient Boosting and Advanced Tabular Models](12_gradient_boosting/)

Optuna 다목적 튜닝을 적용한 XGBoost, LightGBM, CatBoost와 딥러닝 기반 tabular 대안 (TabPFN, TabM)을 다룹니다. TreeSHAP 설명 가능성과 교차 데이터셋 결과를 통해, 대부분의 케이스 스터디에서 gradient boosting이 가장 강력한 tabular 모델임을 보여줍니다.

### [13. Deep Learning for Time Series](13_dl_time_series/)

LSTM, N-BEATS, Transformers (PatchTST, iTransformer, TFT), TSMixer, TCN, Mamba를 LTSF-Linear 논쟁과 대조하여 다룹니다. 실무자 선택 프레임워크와 딥러닝이 도움이 되는 경우와 단순한 모델로 충분한 경우에 대한 교차 데이터셋 증거를 제시합니다.

### [14. Latent Factor Models](14_latent_factors/)

PCA eigenportfolios, 시간에 따라 변하는 로딩을 가진 IPCA, conditional 및 supervised autoencoders, adversarial SDF 추정, 수익률 곡선 분해를 다루며, 잠재 요인이 예측 가치를 더하는 경우에 대한 교차 데이터셋 결과를 제공합니다.

### [15. Causal Machine Learning](15_causal_estimation/)

팩터 처치 효과(treatment effects)를 격리하기 위한 Double Machine Learning, 이벤트 영향을 위한 Bayesian Structural Time Series, 그리고 9가지 케이스 스터디에 적용된 causal discovery (PCMCI, NOTEARS, VAR-LiNGAM)를 다룹니다.

## Part IV — Strategy Implementation (Chapters 16–20)

예측에서 배포 가능한 전략까지 — 백테스트, 포트폴리오 구축, 비용, 리스크 및 합성을 다룹니다.

### [16. Strategy Simulation](16_strategy_simulation/)

반증으로서의 백테스트: 트레이딩 프로토콜 사양, 벡터화 vs 이벤트 기반 엔진, ETF 베이스라인 전략, 핵심 지표 보고, regime 진단, 그리고 전략 수준의 과적합 제어 (Deflated Sharpe Ratio, Rademacher Anti-Serum, White's Reality Check)를 다룹니다.

### [17. Portfolio Construction](17_portfolio_construction/)

점수에서 포트폴리오로: 평균-분산 최적화(mean-variance optimization)와 그 함정, Hierarchical Risk Parity, Kelly criterion, conformal 포지션 사이징, deep portfolio allocation 및 케이스 스터디 간의 통제된 할당자 비교를 다룹니다.

### [18. Transaction Costs](18_transaction_costs/)

비용 분류, 스프레드 추정, 시장 충격(market-impact) 캘리브레이션, 실행 알고리즘 (VWAP, TWAP, Almgren-Chriss 최적 실행), 거래 비용 분석 및 실질적인 가드레일을 다루며, 자산 클래스별로 크게 다른 손익분기점 비용을 분석합니다.

### [19. Risk Management](19_risk_management/)

VaR/CVaR 꼬리 위험 측정, drawdown 및 경로 리스크 제어, 팩터 및 섹터 분해, 스트레스 테스트, 적응형 리스크 오버레이, deep hedging 및 kill switches를 다룹니다. 오버레이의 효과는 전략마다 다름을 확인합니다.

### [20. Strategy Synthesis](20_strategy_synthesis/)

ML 예측을 전략으로 변환하는 것에 대해 9가지 실험이 밝혀낸 점들: IC–Sharpe 상관관계 제거, Fundamental Law 진단, 모델 제품군 캐스케이드, 비용-생존 분석, holdout 실패 모드 및 실무자를 위한 결정 프레임워크를 다룹니다.

## Part V — Advanced AI (Chapters 21–24)

강화 학습, 거대 언어 모델, 지식 그래프 및 금융을 위한 자율 에이전트를 다룹니다.

### [21. Reinforcement Learning for Execution and Hedging](21_rl_execution_hedging/)

금융을 위한 MDP 정식화, DQN/PPO/SAC 알고리즘, 최적 실행, 인벤토리 관리를 포함한 market making, PFHedge를 이용한 deep hedging, 전략 복구를 위한 inverse RL, 그리고 sim-to-real gap을 다룹니다.

### [22. RAG for Financial Research](22_rag_financial_research/)

SEC 공시 자료에 기반한 retrieval-augmented generation: 데이터 수집, 도메인 특화 임베딩, 리랭킹을 포함한 하이브리드 검색, 제약 조건 기반 프롬프팅, RAG 평가 및 실패 진단, 그리고 에이전트 워크플로우로의 전환을 다룹니다.

### [23. Knowledge Graphs](23_knowledge_graphs/)

그래프가 인프라 비용만큼의 가치를 내는 경우: SEC 공시 자료를 통한 KG 구축, 멀티 홉 추론을 위한 Graph RAG, ML을 위한 그래프 피처 (GNN 임베딩, 중심성, 커뮤니티 탐지), 금융 네트워크 및 시간적 누수(temporal-leakage) 방지를 다룹니다.

### [24. Autonomous Agents](24_autonomous_agents/)

에이전트 아키텍처 (ReAct, Tree of Thoughts, Reflexion), 메모리 시스템, 도구 계약(tool contracts), 엔지니어링 스택 (LangGraph, Claude SDK), 상태 저장형 주식 리서치 에이전트, 적대적 토론을 통한 멀티 에이전트 예측 및 프로덕션 신뢰성을 다룹니다.

## Part VI — Production (Chapters 25–26)

전략을 라이브로 전환 — 트레이딩 시스템과 이를 운영하는 인프라를 다룹니다.

### [25. Live Trading Systems](25_live_trading/)

리서치와 프로덕션을 연결하는 통합 프레임워크: Interactive Brokers 및 Alpaca 연동, 관리형 플랫폼 (QuantConnect), 주문 생명주기 관리, 파이프라인 검증 및 운영 준비도를 다룹니다.

### [26. MLOps and Governance](26_mlops_governance/)

ML 실패 분류 (파이프라인 발산 vs 성능 저하), drift detection, 안전한 모델 롤아웃, circuit breakers, feature stores, 실험 추적 및 금융 ML 시스템에 필요한 MLOps 인프라를 다룹니다.

## Conclusion

### [27. The Systematic Edge](27_systematic_edge/)

체계적인 철학, 퀀트 커리어 경로, 학습 리소스, 리서치 프런티어, 그리고 자신만의 우위(edge)를 구축하는 방법을 다룹니다. 1장의 마무리: 프로세스가 곧 우위입니다.

---

## Quick Start

**처음 오셨나요? 다음 세 가지를 순서대로 읽어보세요.**

1. **[What this repository is, and what it is not](docs/what-this-is.md)** - 명령어 하나로 재현할 수 있는 것, 설정 변경으로 얻을 수 있는 것, 실제 컴퓨팅 자원이나 라이선스 데이터가 필요한 것, 그리고 보장되지 않는 것이 무엇인지 설명합니다. 설치 전 5분만 투자하여 기대치를 설정하세요.
2. **[Installation](docs/installation.md)** - Linux, Windows WSL2, macOS, Docker 및 GPU 설정 방법.
3. **[Running notebooks](docs/running-notebooks.md)** - 케이스 스터디 파이프라인, 실행 로그, 그리고 다운로드된 결과를 건드리지 않고 실험하는 방법.

이 명령어들은 GitHub가 아니라 본인의 컴퓨터 터미널에 입력해야 합니다. 커맨드 라인이 처음이신가요? **[Before You Begin](docs/installation.md#before-you-begin)**부터 시작하세요.

모든 명령은 **저장소 루트(repository root)**에서 실행하세요. Docker 또는 로컬 `uv` 환경으로 클론하고 설정하십시오.

```bash
git clone https://github.com/stefan-jansen/machine-learning-for-trading.git
cd machine-learning-for-trading
cp .env.example .env

docker compose pull ml4t # Option A — Docker (권장)
```

Option B는 **macOS, Linux 또는 WSL2 내부**에서의 로컬 `uv` 환경입니다. `uv`는 대부분의 최신 시스템에서 누락되었거나 설치를 거부하는 `pip` 대신 자체 설치 프로그램을 사용하여 설치하세요.

```bash
curl -LsSf https://astral.sh/uv/install.sh | sh
source $HOME/.local/bin/env   # 설치 프로그램의 안내 라인; uv를 PATH에 즉시 추가합니다
uv sync
```

Option B는 `scikit-learn`을 포함한 여러 의존성을 소스에서 컴파일하므로, **C/C++ 컴파일러와 Python 헤더**가 필요합니다. Ubuntu, Debian 및 WSL2의 경우 `sudo apt install build-essential python3-dev`, macOS의 경우 `xcode-select --install`을 실행하세요. Docker는 자체적으로 갖추고 있으므로 이 과정이 필요 없습니다.

**macOS 사용자:** **Apple Silicon**의 경우 Option B를 선택하세요. 이는 릴리스 전 실제 하드웨어에서 테스트한 경로이며, 소스 빌드 패키지를 위한 Xcode command-line tools만 필요합니다. Docker는 arm64 빌드가 없고 미리 실행되어 제공되는 12개의 `ml4t-py312` 노트북과 2장의 컨테이너화된 데이터베이스 벤치마크를 위해서만 필요합니다. **Intel Mac**의 경우 Option A를 선택하세요. PyTorch가 macOS x86_64 휠을 제공하지 않으므로 Option B는 작동하지 않습니다.

**Windows 사용자:** 두 옵션 모두 PowerShell이 아닌 WSL2 내부에서 실행됩니다. 관리자 권한의 PowerShell에서 `wsl --install -d Ubuntu`를 실행하고 재부팅한 뒤, 다시 한번 실행하여(첫 실행 시 배포판 없이 런타임만 설치되는 경우가 많습니다) Ubuntu 터미널에서 Linux 지침을 따르세요. Windows Python에 직접 설치하는 것은 지원되지 않으며 작동하지 않습니다. `scikit-learn`이 이 Python 버전에 대한 Windows 휠을 제공하지 않으며 소스 빌드에 실패하기 때문입니다. [installation guide](docs/installation.md)에 자세한 WSL2 가이드가 있습니다.

Option B의 경우 약 **16 GB**(환경 11 GB, 무료 데이터셋 4 GB, git 이력 0.9 GB)의 공간과 데이터 다운로드에 약 12분이 소요됩니다.

플랫폼별 설정 및 GPU 지침은 **[installation guide](docs/installation.md)**를 참조하세요. Intel Mac은 Docker만 가능합니다. PyTorch가 더 이상 macOS x86_64 휠을 제공하지 않으므로 로컬 `uv` 경로를 사용할 수 없습니다.

**데이터 다운로드.** 대부분의 노트북에 데이터셋이 필요합니다. API 키가 필요 없는 무료 데이터셋부터 시작하세요.

```bash
uv run python data/download_all.py --free-only
```

Docker 사용자는 Jupyter Lab 터미널(**File → New → Terminal**)에서 `python data/download_all.py --free-only`로 실행하세요. Docker 경로에는 호스트 Python이 없습니다.

이 명령은 7개의 데이터셋을 가져오며 약 **4 GB**의 용량과 12분이 소요됩니다. 대부분은 4장에서 처음 필요한 기업 특성(firm-characteristics) 패널입니다. 약 75 MB 정도로 가볍게 시작하려면 이를 제외하고 나중에 해당 챕터에서 요청할 때 가져오세요.

```bash
uv run python data/download_all.py --free-only --skip-firm-characteristics
```

**[data guide](data/README.md)**에 모든 데이터셋, API 키 설정, 로더 및 저장 계층이 문서화되어 있습니다.

**(선택 사항) 사전 계산된 결과.** 재학습 없이 공개된 11-20장의 9가지 케이스 스터디를 탐색하려면 검증된 레지스트리, 예측값, 모델 파일 및 백테스트 결과물을 다운로드하세요.

```bash
uv run python scripts/download_artifacts.py
```

**노트북 실행.** 노트북은 [Jupytext](https://jupytext.readthedocs.io/) 파일(`.py` 소스 + 생성된 `.ipynb`)로 쌍을 이룹니다. 간단한 스모크 테스트를 실행하거나 Jupyter Lab을 여세요.

```bash
uv run python 01_process_is_edge/factor_regimes.py                # 스모크 테스트
ML4T_DATA_PATH="${ML4T_DATA_PATH:-$PWD/data}" uv run jupyter lab  # 로컬: 출력되는 URL을 엽니다
docker compose up -d ml4t                                         # Docker: 동일한 주소
```

`uv sync`를 통해 이미 Jupyter Lab이 설치되었습니다. 저장소 루트에서 실행하세요. `ML4T_DATA_PATH` 접두사는 로더에게 절대 경로를 제공합니다. Jupyter는 각 노트북을 해당 챕터 폴더를 작업 디렉토리로 하여 실행하므로, 그렇지 않으면 데이터셋을 찾지 못하고 누락되었다고 보고하기 때문입니다. 이미 내보낸(export) 값이 있다면 그 값을 유지하며, 기본값은 이 저장소의 `data/`입니다.

케이스 스터디 파이프라인, Papermill 파라미터 및 실험 워크플로우는 **[running notebooks](docs/running-notebooks.md)** 가이드를 참조하세요.

### Docker images

대부분의 노트북은 기본 **ml4t** 이미지에서 실행됩니다. 일부는 특수 이미지가 필요하며, 해당 노트북의 서문에 명시되어 있습니다. 자세한 내용은 **[Docker environments guide](envs/README.md)**를 참조하세요.

| Image        | Covers                                                           | When you need it        |
|--------------|------------------------------------------------------------------|-------------------------|
| `ml4t`       | 모든 27개 챕터 + 9개 케이스 스터디 (CPU)                           | 기본 설정                  |
| `ml4t-gpu`   | 동일한 `ml4t` 이미지, NVIDIA 런타임으로 실행 (`--profile gpu`)      | 딥러닝 챕터                |
| `ml4t-py312` | signatory, esig, gensim, pfhedge, tfcausalimpact를 위한 Python 3.12 | 약 10개 노트북            |
| `benchmark`  | 데이터베이스 클라이언트 (TimescaleDB, ClickHouse, QuestDB, InfluxDB) | 2장 저장소 벤치마크        |
| `rapids`     | RAPIDS cuML + LightGBM CUDA (로컬 빌드 필요)                      | 12장 GPU 벤치마크 하나     |

**2판을 찾으시나요?** `second-edition` 브랜치에서 완성된 안정 버전으로 제공됩니다. `git checkout second-edition`을 실행하면 책에 설명된 그대로의 내용을 확인하실 수 있습니다.

---

## Repository Layout

```text
machine-learning-for-trading/
├── 01_process_is_edge/ … 27_systematic_edge/   27개 챕터 — Jupytext .py + .ipynb, 각 챕터별 README 포함
├── case_studies/     전체 파이프라인(Ch6 → Ch20)을 거치는 9가지 데이터셋
├── data/             모든 데이터셋에 대한 다운로드 스크립트 및 로더      → data/README.md
├── utils/            공유 설정, 경로, 스타일링, 모델링 및 CV 코드        → utils/README.md
├── scripts/          독자 유틸리티 (설치 확인, 노트북 동기화, 결과물)    → scripts/README.md
├── tests/            Papermill 노트북 실행 + 유닛 가드, CI에서 실행      → tests/README.md
├── envs/             모든 이미지에 대한 Dockerfiles                     → envs/README.md
├── docs/             what-this-is, installation, notebook-execution 가이드
├── docker-compose.yml    모든 Docker 서비스
├── pyproject.toml · uv.lock    고정된 의존성 (uv)
└── matplotlibrc      피겨 스타일링, 저장소 루트에서 자동 적용
```

---

## Contributing and Feedback

오류나 깨진 링크를 발견했거나 제안 사항이 있으신가요? 책이 출시되기 전의 초기 피드백은 매우 가치 있습니다.

- **Issues**: [GitHub issue를 열어주세요](https://github.com/stefan-jansen/machine-learning-for-trading/issues)
- **Website and contact**: [ml4trading.io](https://ml4trading.io)

---

## License

<a href="https://amzn.to/4eigy2F">책 구매하기</a> •
 <a href="https://ml4trading.io">ml4trading.io</a> •
 <a href="https://github.com/stefan-jansen/machine-learning-for-trading">GitHub</a>

machine-learning-for-trading

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README