데이터 수집부터 실제 배포까지, 머신러닝 기반 트레이딩 전략을 구축하고 검증하는 완전한 워크플로우 가이드 및 코드 저장소
중간맛 분석
3판 신판으로 XGBoost, LightGBM, PatchTST, iTransformer 같은 최신 모델들을 지원하며, 생성형 AI와 자율 에이전트를 활용한 금융 연구, 인과 머신러닝, 강화학습까지 포함합니다. 스택은 Polars(데이터), PyTorch(모델), Optuna(하이퍼파라미터), (재현성) 기반이고, 6개 자체 라이브러리(ml4t-data, ml4t-engineer, ml4t-models, ml4t-diagnostic, ml4t-backtest, ml4t-live)가 각 단계를 지원합니다. 난이도는 높지만 Jupyter Notebook + 로 구성되어 코드를 바로 실행할 수 있으며, 테스트 데이터 다운로드와 튜토리얼 제공으로 진입 장벽을 낮췄습니다.
이런 레포예요
이럴 때 쓰면 좋아요
- 자산 운용사나 헤지펀드의 퀀트 팀이 데이터 소싱부터 실시간 매매까지 프로덕션 규모의 전략을 구축할 때
- 금융 데이터 사이언티스트가 과적합 없이 통계적으로 유효한 트레이딩 모델을 개발하는 방법을 배울 때
- 개인 트레이더가 자신의 매매 아이디어를 머신러닝으로 검증하고 자동화하고 싶을 때
핵심 기능
대안 대비 차별점
대부분의 트레이딩 책과 라이브러리가 모델 개발이나 백테스팅에만 집중하는 반면, 이 저장소는 연구 설계→피처 공학→모델 선택→비용·위험 관리→실제 배포까지의 완전한 프로세스를 하나의 일관된 워크플로우로 다루며, 생성형 AI와 자율 에이전트를 활용한 금융 연구 자동화까지 포함합니다.
준비물
- Python 3.9 이상 또는 Docker
- Git
- uv 패키지 관리자(로컬 환경 사용 시)
바로 시작하기
- 저장소 복제 및 설정
git clone https://github.com/stefan-jansen/machine-learning-for-trading.git
cd machine-learning-for-trading
cp .env.example .env
- 실행 환경 선택 - Docker(권장) 또는 로컬 uv 환경
# Docker 옵션
docker compose pull ml4t
# 또는 로컬 uv 환경 옵션
pip install uv && uv sync
- 데이터 다운로드(무료 데이터셋, API 키 불필요)
uv run python data/download_all.py --free-only
- 빠른 테스트 실행
uv run python 01_process_is_edge/factor_regimes.py
- Jupyter Lab 실행(Docker)
docker compose up -d ml4t
http://localhost:8888 에서 접속
- 노트북 실행(선택사항) - 상세한 설정은 docs/running-notebooks.md, docs/installation.md 참고
별 추이 · 7일
활용성 · 따라 만들기 좋은가
- 관대한 라이선스
- 테스트 있음
- 예제 디렉토리
- 최근 활동
- AGENTS.md
- llms.txt
- 템플릿
🟢 최근 활동 있음 · 2018년 생성
이 레포에 깃밥 배지 달기
[](https://www.gitbap.com/r/stefan-jansen/machine-learning-for-trading)🔌 클로드에서 바로 써보기
깃밥을 클로드에 연결하면 이런 레포를 클로드·커서·Codex에서 바로 찾고 체험할 수 있어요.
클로드 설정 → 커넥터에 이 주소를 붙여넣기.
https://www.gitbap.com/api/mcp플러그인을 설치하면 /gitbap-trending·/gitbap-try 슬래시 커맨드로 레포를 그 자리에서 체험. Claude Code에서 아래 두 줄을 차례로 실행하세요.
/plugin marketplace add jakeparkcolde/gitbap-cowork/plugin install gitbap-cowork@gitbapAI가 README 기반으로 요약했습니다 · 원문 보기