Z score

분석가에게 있어서 알파 값을 표준화 하는 것은 일반적인 사례이다.

표준화된 알파값은 한 개 이상의 알파 값을 비교하고 결합하기에 편하다.

비슷하게 서로 크게 다른 알파값도 Z score을 할 경우 그 값이 비슷하게 되어지기 때문에 비교하기 편해진다.

또한 데이터 셋의 갯수가 크게 다르다 하더라도 Z score을 통해 비교하기 편해진다.

하지만 Z-Score의 단점은 우리가 원하는 아웃라이어가 적고 분산이 적은 결과를 제공해 주지는 않는다.

Z score quiz

groupby 함수는 동일한 카테고리의 데이터를 묶는 함수이기 때문에 여기에서의 답은
mask이다.

실재 코드에서도 factor 객체에 mask를 씌어주어서 결과를 낸 것을 확인할 수 있다.

Smoothing

주식데이터는 굉장히 난잡하고 분산이 많기 때문에 이를 잡을 전략이 필요하다.

그 중 하나가 Smoothing이다.

네이버 지식백과에서 '지수평활법'(exponential smoothing) 이라고 불리며 '미래의 매출액 등을 예측하기 위해 쓰이는 정량적 예측 방법 중 하나' 입니다.

이를 더 강화하는 방법으로는 Rolling Window Average기법이 존재합니다.

rolling window average 이라는 분석기법으로 첫번째 부터 구하고자 하는 시점까지의 알파값의 평균값을 구하는 방법입니다.

비슷하게 weighted moving average 이라는 분석기법은 현재와 이전의 알파의 값을 평균을 내더라도 현재 알파값에 조금 더 큰 가중치를 부여하여 평균값을 내는 방법입니다.

이러한 기법을 일반화 하여 제작하면 위와 같이 만들 수 있습니다.

이렇게 만들어진 그래프는 더 단순해지고 아웃라이어는 적어지게 만들 수 있습니다.

Smoothing Quiz 1

앞에서 배운 Simple Moving Average(단순 이동평균) 을 만들기 위해 decay alpha 값은 1로 맞추어야 한다.

[블로그]

알파는 평활계수이고 지금 구하는 건 sma 이기 때문에 금일 종가에 대한 평균을 찾는 것이기 때문에 알파 값은 1로 맞우어야 합니다.

그렇기에 실재 ewm 함수에서는 com이 알파 값을 결정하기 때문에 com 값을 0으로 설정하면 decay alpha값이 1이 될거라고 생각됩니다.

Smoothing Exercise