Vectoronica

안녕하세요, 오늘은 지난 게시글에서 언급한 Bottleneck Score 시리즈 3번째 버전을 들고 왔습니다. 독자분들에게 도움이 되었으면 좋겠네요. 1. 외면할 수 없었던 문제지난 편에서 SEC 10-K 공시 문서를 기반으로 공급망 그래프를 구축하고, 단순 저P/E 벤치마크 대비 초과 수익을 낸 실험을 소개했습니다. 그런데 글을 올리고 나서 한 가지 질문이 계속 머릿속을 맴돌았어요. "이 방법이 정말로 의미있는 전략이 될 수 있을까?" 1편에서는 단순한 NLP 모델을 사용했어요. "Microsoft"라는 단어가 "supplier"라는 단어 150자 이내에 등장하면 연결선(Edge)을 그리는 방식이죠. 특정 키워드에 중점을 두는 이 방법은 단순하고 빠른 파악이 가능하지만, 글의 전반적인 맥락을 고려하진 ..

안녕하세요, 오늘은 최근에 제가 개인적으로 진행했던 공급망 병목 탐지 모델의 두번째 버전을 들고 왔습니다. 기존의 방식을 찬찬히 읽다보니 제가 몇가지를 놓쳤던 거 같아 이 부분을 교정하여 진행하였습니다. 1. 잠재력이 얼마인가요? 이 실험의 시작은 우연히 접한 '심야·새벽 배송 규제 도입'에 대한 뉴스 기사였습니다. 기사의 요점은 새벽 근무 제재에 따른 수입 보전 과정에서 월 369억 원 규모의 추가 지출이 발생할 것이라는 추정이었습니다. 소비자에게는 기존의 편리함이 사라지는 불편을, 투자자에게는 기업의 비용 부담이라는 악재를 의미했습니다.이 뉴스를 보며 문득 투자의 본질을 되짚어보았습니다. 투자자의 궁극적인 목표는 결국 '수익 창출'이며, 이를 위해서는 기업이 가진 '시장 내 잠재력'을 파악할 수 있..

1편에서는 여러 모델을 결합한 Voting Ensemble이 일상적인 장세에서 뛰어난 설명력을 보여준다는 것을 확인했습니다. 하지만 리스크 관리의 본질은 평온한 날이 아닌, 예측 불가능한 '블랙 스완'에 대비하는 것입니다.2편에서는 모델이 위기 상황에서 '소심해지는' 문제를 해결하기 위해 도입한 두 가지 핵심 알고리즘과 그 분석 결과를 공유합니다.1. 고도화 목표1편에서 선정한 Voting Ensemble 베이스라인 모델은 평균적인 시장 상황에서 우수한 성적을 거두었습니다. 하지만 이 모델은 최소제곱법(Ordinary Least Squares) 기반의 접근 방식을 취하고 있어, 데이터의 중앙값(Mean)을 예측하는 데 최적화되어 있습니다. 이러한 방식은 변동성이 급증하는 하락 구간에서 실제 하락폭보다 ..

일반적으로 투자할 때 수익률을 중요하게 생각하지만 투자계 인사들은 오히려 지지 않는 투자의 중요성을 강조하곤 합니다. 이와 관련하여 세계적인 투자가인 워렌 버핏(Warren Edward Buffett, 전 Birkshire Hathaway CEO)가 남긴 매우 유명한 말이 있죠. 이 프로젝트는 단순히 높은 수익률을 쫓는 모델이 아닌, '블랙 스완(Black Swan)'과 같은 극한의 위기 상황에서 내 자산의 안정성을 검증하는 리스크 예측 엔진 개발을 목표로 시작되었습니다.1. 위기를 위한 견고한 데이터 파이프라인 블랙 스완을 분석하기 위해선 과거의 단순한 데이터 이상의 '맥락'이 필요합니다. 이를 위해 세 가지 파이프라인을 구축했습니다.Stock(Crpyto) Crawling: 한/미 주식과 암호화폐를..

1. 실험 주제: "필연적 수요는 숫자로 증명되는가?"단순한 차트 분석을 넘어, 빅테크의 자본지출(CAPEX)이 흘러 들어올 수밖에 없는 '길목(Bottleneck)'을 지키는 기업을 데이터 사이언스로 선제 탐지하는 실험입니다. 2. 실험 동기: "엔비디아를 놓쳤다면, 그 다음은?"투자는 "상승할 잠재력이 있는 종목"을 찾는 것이 매우 중요하다고 생각했습니다. 상승할 잠재력에 대한 정의로 "시장 내 수요의 거부할 수 없는 증가"이라 생각했습니다. 현재 시장의 심장인 IT 섹터에서, 대중의 열광이 아닌 데이터가 말하는 필연적 수요를 추적하고자 합니다.병목의 미학 (The Bottleneck Principle): AI 생태계가 팽창할수록 반도체(뇌)뿐만 아니라 메모리(기억), 커넥터(신경), 보안(면역)은 ..

1. Summary (3줄 요약)실험 목적: Sharpe Ratio가 포트폴리오의 '연간 원금 회복 확률(Win-Rate)'과 어떤 상관관계를 갖는지 몬테카를로 시뮬레이션을 통해 정량화함.핵심 결과: Sharpe Ratio가 1.2~1.5 구간을 통과할 때, 1년 후 원금 손실을 보지 않을 확률이 95%를 상회하며 급격히 안정화됨을 확인.비즈니스 가치: 목표 Sharpe Ratio 설정을 통해 블랙 스완(Black Swan) 발생 시 기대 손실 규모를 예측하고, 허용 가능한 리스크 하한선을 수치로 정의할 수 있음. 2. The Problem: Sharpe Ratio는 단순한 '성적표'인가?일반적으로 Sharpe Ratio는 "위험 대비 수익성이 좋다"는 것을 보여주는 사후적인 성적표로만 활용됩니다. 하지..

HistGradientBoosting? 히스토그램 기반 그래디언트 부스팅으로, 행이 많고 열이 중간 정도인 대규모 표형(tabular) 데이터셋에 적합하고 기존 GradientBoosting보다 빠르고 비슷하거나 더 나은 성능을 원할 때 사용됨. 핵심 아이디어- 연속형 특징을 구간(bin)으로 나눔 -> 각 특성값을 정수 버킷으로 바꿔서 분할 후보를 "버킷 경계"에서만 찾음.- 누락값(NaN) 처리 내장 -> 분할 시 결측을 어느 쪽으로 보낼지까지 학습- 조기 종료(Early stopping), 정규화, depth/leaf 수 제한 등 오버피팅 제어 옵션이 기본 제공- CPU 기반이라 설정이 단순 동작 예시예제 데이터- 연속형 특성 X 하나와 라벨 y (이진)- NaN 2개 포함X = [ 2, 3, 4,..

나의 전환점: 맨땅에 헤딩하며 세운 데이터 공부법전공자라는 이름표, 하지만 실전은 ‘0’이었다데이터 사이언티스트가 되겠다고 결심했지만, 막상 책상 앞에 앉으니 막막했다. 정보통신공학을 전공하며 기본 프로그래밍 등을 배웠지만, 데이터를 다루는 법은 완전히 다른 영역이었다. 시중의 강의는 너무 많았고, 유튜브의 조언은 파편화되어 있었다. ‘무엇부터 해야 할까?’ ‘수학을 다시 해야 하나? 코딩부터 해야 하나?’ 나는 나만의 ‘생존형 학습 로드맵’을 짜야만 했다.첫 번째 단계: 어떻게 공부할 것인가우선 내가 가장 먼저 한 것은 공부 가이드라인을 세우는 것이었다. 데이터 사이언티스트에게 필요한 역량은 무엇인지 파악한 뒤, 이 역량을 습득하기 위해 여러 사람들을 검색하다 한 프로필을 발견했다. 그 프로필을 따라하..