2026년 8월 24일5분JeTech Lab
운용 모델 주간 성과 리포트: 2026-08-23 기준
현재 운용 중인 모델의 최근 7일, 30일, 1년 누적수익률과 데이터 커버리지를 동일한 기준으로 점검합니다.
운용 성과
누적수익률
AI 트레이딩
주간 리포트
Research
시계열 예측 모델과 운용 시그널 연구 노트를 모아 확인합니다.
현재 운용 중인 모델의 최근 7일, 30일, 1년 누적수익률과 데이터 커버리지를 동일한 기준으로 점검합니다.
현재 운용 중인 모델의 최근 7일, 30일, 1년 누적수익률과 데이터 커버리지를 동일한 기준으로 점검합니다.
Active STT 351개의 완료된 최근 30일 성과를 context window 32·64·128 bars로 나눠, 모델 수익률 분포·position-level 누적수익률·상관관계로 다시 읽습니다.
현재 운용 중인 모델의 최근 7일, 30일, 1년 누적수익률과 데이터 커버리지를 동일한 기준으로 점검합니다.
현재 운용 중인 모델의 최근 7일, 30일, 1년 누적수익률과 데이터 커버리지를 동일한 기준으로 점검합니다.
가격 창을 인코더 벡터로 바꾸고, 비슷한 벡터 묶음의 다음날 수익 평균·흩어짐을 tanh로 포지션화하는 STT 통계형 모델의 시각적 설명입니다.
현재 운용 중인 모델의 최근 7일, 30일, 1년 누적수익률과 데이터 커버리지를 동일한 기준으로 점검합니다.
현재 운용 중인 모델의 최근 7일, 30일, 1년 누적수익률과 데이터 커버리지를 동일한 기준으로 점검합니다.
AWS Spot에서 중단한 Mamba IQL v4 context sweep의 9개 로그를 보존·검증하고, 체크포인트 유실 때문에 실제 OOS 트레이딩 성과를 말할 수 없는 범위를 정리합니다.
BTCUSDT IQL v4 모델 12개를 동일한 실제 OOS 구간에서 비교해 backbone별 입력 window, parameter 규모, 최근 성과와 untouched final test를 분석합니다.
Active 363개 모델의 포지션을 먼저 평균하고 turnover 비용을 재계산해, 모델 규모별 성과와 경량 모델의 실제 netting 시너지를 비교합니다.
합성데이터의 현실성을 확신할 수 없는 환경에서 IQL, gamma 0.98, synthetic confidence, 외부 regime specialist 앙상블을 선택한 이유와 검증 계획을 정리합니다.
현재 운용 중인 모델의 최근 7일, 30일, 1년 누적수익률과 데이터 커버리지를 동일한 기준으로 점검합니다.
TD3+BC, ReBRAC, CQL, IQL, Decision Transformer와 Diffusion-QL 계열을 trading policy 연구 관점에서 비교합니다.
D4RL의 목적, dataset 구성, normalized score, Minari 전환, 그리고 trading 연구에서 받아들일 점과 버릴 점을 정리합니다.
World model 가격 합성기, 새로운 offline RL algorithm, 다양한 시계열 패턴 캡처, real gate를 하나의 연구 루프로 묶습니다.
JeTech의 world model을 offline RL 알고리즘이 아니라 synthetic market path generator로 정의하고, 좋은 시장 합성기의 조건을 정리합니다.
후보 모델이 적게 생성된 원인과 missing-combo 학습 루프의 품질 개선 기준을 기록합니다.
JeTech agent의 offline RL 학습 경로를 가격-only 입력, synthetic action label, 그리고 learned price encoder 중심으로 재정리한 설계와 구현 노트입니다.
JeTech agent의 입력 경로를 OHLC-only 중심으로 재정리하고, feature engineering보다 독립 알파 모델의 다양성과 가중 앙상블이 더 중요한지 검증한 로컬 진단 결과입니다.
AI 트레이딩 모델의 합성 데이터 학습과 실제 5년 백테스트 gate가 어긋나는 이유를 TradeFi, crypto 확장, rolling Sharpe 관점에서 정리합니다.
JeTech 운용 후보 모델의 첫 iTransformer v1 preset과 gate 기준을 기록합니다.
FOIL 논문의 핵심 내용을 요약하고, 다양한 시계열 예측 모델에 적용한 방법론과 구현 사례를 상세히 분석합니다.
지난번 소개한 AutoTimes 모델을 실제 데이터로 학습시켜 트레이딩 성과를 살펴보겠습니다.