2e:null 2f:["$","title",null,{"children":"개미투자공학 2장 확장판: 예측모델을 이용한 μ와 σ의 추정 | Humble Data Miner | Observable"}] 34:T6c7,{ const inputs = ["기본정보(3)","최근보고서(2)","재무제표(16)","시장지표(4)","가격변동(8)"]; const flowchart = mermaid ` %%{ init: { 'flowchart': { 'curve': 'basis' } } }%% flowchart LR influx["${inputs.join("\n")}"] ${d3.range(1,num_forests+1).map(mi=>` influx ==>|"입력(33)"| um${mi} `).join("\n")} subgraph m["전체모델"] direction TB ${d3.range(1,num_forests+1).map(mi=>` subgraph um${mi}["단위모델${mi}"] direction TB in_um${mi}("입력(33)") out_um${mi}("y_${mi}*=${d3.range(1,num_trees+1).map(ti=>`y_${mi}${ti}*`).join("+")}") ${d3.range(1,num_trees+1).map(ti=>` um${mi}_tree${ti}("${tree_str}") in_um${mi} ==> um${mi}_tree${ti} um${mi}_tree${ti} --"y_${mi}${ti}*"--> out_um${mi} `).join("\n")} end`).join("\n")} subgraph aggr["취합부 μ_r*=평균(${d3.range(1,num_forests+1).map(mi=>`y_${mi}*`).join(",")}) σ_r*=표준편차(${d3.range(1,num_forests+1).map(mi=>`y_${mi}*`).join(",")}) μ_b*=기준지수 변동 평균 σ_b*=기준지수 변동 표준편차 ---------- ${tex`μ^* = μ_b^* + μ_r^*`.outerHTML.replaceAll('"',"'").replaceAll("\n","")} ${tex`σ^*=\sqrt{{σ_b^*}^2 + {σ_r^*}^2}`.outerHTML.replaceAll('"',"'").replaceAll("\n","")} "] end ${d3.range(1,num_forests+1).map(mi=>` um${mi} --"y_${mi}*"--> aggr `).join("\n")} end outputs["μ*(1)\nσ*(1)"] aggr --"출력(2)"--> outputs `; //d3.select(flowchart).selectAll("g .n0").append("circle").attr("cx",0).attr("cy",0).attr("r",10).attr("fill","red").attr("stroke","blue"); //d3.select(flowchart).selectAll("span.edgeLabel").text("newtext"); return flowchart; }35:T930,decision_tree = { const root = d3.hierarchy(raw_forests[0].dump[0]); const descendants = root.descendants(); const padding = 2; const dx = 11; //const dy = width / (root.height + padding); const dy = 72; d3.tree().nodeSize([dx,dy])(root); const ex = d3.extent(root, d=>d.x); const ey = d3.extent(root, d=>d.y); const height = ey[1]-ey[0]+dy*1.5; const curve = d3.curveBumpY; const svg = d3.create("svg") .attr("viewBox", [-width/2+dx*2,-dy-padding*2+4, width, height]) .attr("width", width) .attr("height", height) .attr("font-size", 10); svg.append("g") .attr("fill", "none") .attr("stroke", "#555") .attr("stroke-opacity", 0.8) .attr("stroke-width", 1.5) .selectAll("path") .data(root.links()) .join("path") .attr("d", d3.link(curve).x(d => d.x).y(d => d.y)) .attr("stroke",d=>d.source.data.yes==d.target.data.nodeid?d3.schemeCategory10[2]:d3.schemeCategory10[3]); const node = svg.append("g") .selectAll("a") .data(root.descendants()) .join("a") .attr("transform", d => `translate(${d.x},${d.y})`); function fill_leaf_circle(d) { if(!d.data.hasOwnProperty("leaf")) return "#999"; return d3.interpolateRdYlBu(1-Math.min(1,Math.max(0,(d.data.leaf+0.1)/(0.2)))); } node.append("circle") .attr("stroke", d => d.children ? "none" : "#999") .attr("fill", d => d.children ? "#555" : fill_leaf_circle(d)) .attr("r", 3); node.append("text") .attr("dx", d => d.children ? 6 : 6) .attr("dy", d => d.children ? -12 : 4) .attr("text-anchor", d => d.children ? "start" : "start") .attr("paint-order", "stroke") .attr("stroke", "#fff") .attr("stroke-width", 3) .attr("transform",d=>d.children?`rotate(-60)`:`rotate(90)`) .text((d, i) => d.children ? col_label_map[d.data.split] : `${d.data.leaf>0?"+":""}${d.data.leaf.toFixed(3)}`); node.append("text") .attr("dy", "0.32em") .attr("dx", d => d.children ? 6 : 6) .attr("dy", d => d.children ? -2 : 0) .attr("text-anchor", d => d.children ? "start" : "start") .attr("paint-order", "stroke") .attr("stroke", "#fff") .attr("stroke-width", 3) .attr("transform",d=>d.children?`rotate(-60)`:``) .text((d, i) => d.children ? make_label_split_condition(d) : ""); return svg.node(); }36:Ta5b,tree_map = { const root = d3.hierarchy(raw_forests[0].dump[0]); root.sum(d=>d.cover); const leaves = root.leaves(); const height = width/3; const margin = {left:20,right:60,top:0,bottom:0}; const padding = {inner:1, outer:1, top:1, bottom:1, right:1, left:1}; d3.treemap() .tile(d3.treemapBinary) .size([width - margin.left - margin.right, height - margin.top - margin.bottom]) .paddingInner(padding.inner) .paddingTop(padding.top) .paddingRight(padding.right) .paddingBottom(padding.bottom) .paddingLeft(padding.left) .round(true) (root); const svg = d3.create("svg") .attr("viewBox", [-margin.left, -margin.top, width, height]) .attr("width", width) .attr("height", height) .attr("style", "max-width: 100%; height: auto; height: intrinsic;") .attr("font-family", "sans-serif") .attr("font-size", 10); const node = svg.selectAll("a") .data(leaves) .join("a") .attr("transform", d => `translate(${d.x0},${d.y0})`); node.append("rect") .attr("fill", d=>d3.interpolateRdYlBu(1-Math.min(1,Math.max(0,(d.data.leaf+0.1)/(0.2))))) .attr("fill-opacity", 1.0) .attr("width", d => d.x1 - d.x0) .attr("height", d => d.y1 - d.y0); function make_title_path_conds(node) { let current = node; let parent = current.parent; let path_conds = []; while(parent) { path_conds.push(`${col_label_map[parent.data.split]}${make_label_split_condition(parent,0,current.data.nodeid==parent.data.no)}`); current = parent; parent = current.parent; } return `표본수:${node.value}\n로그수익률:${node.data.leaf>0?"+":""}${node.data.leaf.toFixed(3)}\n-----\n${path_conds.reverse().join("\n")}`; } node.append("title").text((d, i) => make_title_path_conds(d)); const uid = `O-${Math.random().toString(16).slice(2)}`; node.append("clipPath") .attr("id", (d, i) => `${uid}-clip-${i}`) .append("rect") .attr("width", d => d.x1 - d.x0) .attr("height", d => d.y1 - d.y0); node.append("text") .attr("clip-path", (d, i) => `url(${new URL(`#${uid}-clip-${i}`, location)})`) .attr("dx", 3) .attr("dy", 12) .attr("paint-order", "stroke") .attr("stroke", "#fff") .attr("stroke-width", 2) .text(d=>`표본수:${d.value}`); node.append("text") .attr("clip-path", (d, i) => `url(${new URL(`#${uid}-clip-${i}`, location)})`) .attr("dx", 3) .attr("dy", 22) .attr("paint-order", "stroke") .attr("stroke", "#fff") .attr("stroke-width", 2) .text(d=>`로그수익률:${d.data.leaf>0?"+":""}${d.data.leaf.toFixed(3)}`); return svg.node(); }37:T146d,modelflowchart = { const inputs = ["기본정보(3)","최근보고서(2)","재무제표(16)","시장지표(4)","가격변동(8)"]; const treemapdim = {width:100,height:100}; const flowchart = mermaid ` %%{ init: { 'flowchart': { 'curve': 'basis' } } }%% flowchart LR influx["${inputs.join("\n")}"] ${d3.range(1,num_forests+1).map(mi=>` influx ==>|"입력(33)"| um${mi} `).join("\n")} subgraph m["삼림(전체모델)"] direction TB ${d3.range(1,num_forests+1).map(mi=>` subgraph um${mi}["숲${mi}(단위모델${mi};학습MAE=${raw_forests[mi-1].loss[0].toFixed(4)},미학습MAE=${raw_forests[mi-1].loss[1].toFixed(4)})"] direction TB in_um${mi}("입력(33)") out_um${mi}("y_${mi}*=${d3.range(1,num_trees+1).map(ti=>`y_${mi}${ti}*`).join("+")}=+0.000") ${d3.range(1,num_trees+1).map(ti=>` um${mi}_tree${ti}("") in_um${mi} ==> um${mi}_tree${ti} um${mi}_tree${ti} --"y_${mi}${ti}*=+0.000"--> out_um${mi} `).join("\n")} end`).join("\n")} subgraph aggr["취합부 μ_r* = 평균(${d3.range(1,num_forests+1).map(mi=>`y_${mi}*`).join(",")}) = +0.000 σ_r* = 표준편차(${d3.range(1,num_forests+1).map(mi=>`y_${mi}*`).join(",")}) = +0.000 μ_b* = 기준지수 변동 평균 σ_b* = 기준지수 변동 표준편차 ---------- ${tex`μ^* = μ_b^* + μ_r^*`.outerHTML.replaceAll('"',"'").replaceAll("\n","")} ${tex`σ^*=\sqrt{{σ_b^*}^2 + {σ_r^*}^2}`.outerHTML.replaceAll('"',"'").replaceAll("\n","")} "] end ${d3.range(1,num_forests+1).map(mi=>` um${mi} --"y_${mi}*"--> aggr `).join("\n")} end outputs["μ*(1)\nσ*(1)"] aggr --"출력(2)"--> outputs `; const gtreemaps = d3.select(flowchart).selectAll("svg.treemap"); const toutspans = d3.select(flowchart).selectAll("span.tout"); const toutsumspans = d3.select(flowchart).selectAll("span.toutsum"); const murelspan = d3.select(flowchart).select("span.murel"); const sigmarelspan = d3.select(flowchart).select("span.sigmarel"); const trees = raw_forests.map(f=>f.dump.map(t=>t)).flat(); const leaves_list = []; const box_list = []; for (let i=0; id.cover); const leaves = root.leaves(); leaves_list.push(leaves); const height = width/3; const margin = {left:0,right:0,top:0,bottom:0}; const padding = {inner:0, outer:0, top:0, bottom:0, right:0, left:0}; d3.treemap() .tile(d3.treemapBinary) .size([treemapdim.width - margin.left - margin.right, treemapdim.height - margin.top - margin.bottom]) .paddingInner(padding.inner) .paddingTop(padding.top) .paddingRight(padding.right) .paddingBottom(padding.bottom) .paddingLeft(padding.left) .round(true) (root); const svg = d3.select(gtreemaps.nodes()[i]); svg.append("rect").attr("width",10).attr("height",10).style("fill","red"); const node = svg.selectAll("a") .data(leaves) .join("a") .attr("transform", d => `translate(${d.x0},${d.y0})`); node.append("rect") .style("fill", d=>d3.interpolateRdYlBu(1-Math.min(1,Math.max(0,(d.data.leaf+0.1)/(0.2))))) .attr("width", d => d.x1 - d.x0) .attr("height", d => d.y1 - d.y0); const box = svg.append("rect") .attr("visibility","hidden").style("fill","none").style("stroke","purple").style("stroke-width",4); box_list.push(box); } const columns_inv = Object.fromEntries(columns.map((c,i)=>[c,i])); return Object.assign(flowchart, { update(row) { if(row===null) return; const n = num_forests*num_trees; const sum = Array.from({length:num_forests},_=>0); for(let i=0; ie==value) ? "yes" : "no") : (value < node.split_condition ? "yes" : "no"); node = node.children.find(child=>child.nodeid==node[next]); } const leaves = leaves_list[i]; const leaf = leaves.find(leaf=>leaf.data.nodeid==node.nodeid); const box = box_list[i]; box.attr("visibility","visible") .attr("x",leaf.x0).attr("y",leaf.y0).attr("width",leaf.x1-leaf.x0).attr("height",leaf.y1-leaf.y0); toutspans.nodes()[i].textContent = node.leaf.toFixed(3); sum[Math.floor(i/num_trees)] += node.leaf; } toutsumspans.nodes().forEach((n,i)=>{n.textContent=sum[i].toFixed(3);}); murelspan.node().textContent=d3.mean(sum).toFixed(3); sigmarelspan.node().textContent=d3.deviation(sum).toFixed(3); } }); }38:[{"id":"b6207de1f522b915953e6ee51b80deda6caa0185714d0b01035950707ddc97a23e56a92d35d62f91f0e19bc1a8681d256fd15cffb5d8d5deb8928152f65337a3","href":"https://static.observableusercontent.com/files/b6207de1f522b915953e6ee51b80deda6caa0185714d0b01035950707ddc97a23e56a92d35d62f91f0e19bc1a8681d256fd15cffb5d8d5deb8928152f65337a3","name":"krx_1y_defer_dataset.json","type":"application/json","lastModified":1715729374137.081,"size":272850}] 32:{"id":"c81def591e92eb6b","slug":"mu-sigma-prediction-model-by-xgboost","title":"개미투자공학 2장 확장판: 예측모델을 이용한 μ와 σ의 추정","thumbnail":"6b2a31124171c578c690d49bf0a237055924f5571c96fce350c93e770d718288","access_level":"public","create_time":"$D2024-05-13T13:19:47.689Z","update_time":"$D2024-05-17T17:30:47.384Z","view_time":null,"first_public_time":"$D2024-05-13T13:19:47.689Z","has_unpublished_edits":null,"fork":false,"stars":0,"starred":false,"owner":{"type":"team","id":"50faa4da52a9ff9b","login":"humble-data-miner","name":"Humble Data Miner","avatar_url":"https://avatars-next.observableusercontent.com/3046b1bea86c5e825baea7c0c403d90ad9690b5396b11b5d02b3a0839fbcb946","tier":"starter_2024"},"version":1151,"publish_version":null,"role":null,"authored":false,"authors":[{"type":"individual","id":"4e2fc41e06361cc3","login":"humble-data-miner","name":"Humble Data Miner","avatar_url":"https://avatars-next.observableusercontent.com/3046b1bea86c5e825baea7c0c403d90ad9690b5396b11b5d02b3a0839fbcb946","tier":null}],"members":[{"type":"individual","id":"4e2fc41e06361cc3","login":"humble-data-miner","name":"Humble Data Miner","avatar_url":"https://avatars-next.observableusercontent.com/3046b1bea86c5e825baea7c0c403d90ad9690b5396b11b5d02b3a0839fbcb946","tier":null,"role":"editor"},{"type":"team","id":"50faa4da52a9ff9b","login":"humble-data-miner","name":"Humble Data Miner","avatar_url":"https://avatars-next.observableusercontent.com/3046b1bea86c5e825baea7c0c403d90ad9690b5396b11b5d02b3a0839fbcb946","tier":"starter_2024","role":"viewer"}],"comments":[],"custom_thumbnail":true,"trashed":false,"lapsed":null,"subscribed":null,"forks":0,"collection":{"id":"8be4c7f69e492fdf","slug":"personal-investment-engineering","title":"Personal Investment Engineering","owner":{"id":"50faa4da52a9ff9b","login":"humble-data-miner","name":"Humble Data Miner"}},"type":"notebook","body":{"title":"개미투자공학 2장 확장판: 예측모델을 이용한 μ와 σ의 추정","cells":[{"id":0,"value":"# 개미투자공학 2장 확장판:
예측모델을 이용한 μ와 σ의 추정\n본편 개미투자공학 2장에서 간략히 언급한 μ,σ 추정모델에 대해 상세히 알아봅니다","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":31,"value":"---\n## 예측모델의 상세\n* 입력\n * 기본정보(3): 시가총액, 거래소(KOSPI/KOSDAQ), 종목그룹\n * 회계보고서(2): 보고서순번, 보고후거래일\n * 재무제표(16): (연결C,개별I)×(분기Q,연간Y)×(iPBR,iPSR,iPCR,iPER)\n * 접두사 i는 inverse를 의미, e.g. PBR=시총/자산, iPBR=자산/시총\n * 시장지표(4): 환율(KRW/USD), 콜금리, CD금리, 회사채(3년AA-)\n * 가격변동(8): (주간,월간)×(최근4기간 가격변동)\n* 출력\n * μ^*(1): 1년후 로그수익률의 기대값(경향성)\n * σ^*(1): 1년후 로그수익률의 표준변차(변동성)\n* 내부 구성요소\n * 단위 모델\n * 지수대비 상대 로그수익률 예측값 y*을 반환하는 내부모델\n * 여기서는 트리부스팅 학습모델로 Forest of decision trees를 생성\n * 취합부\n * μ_r\\*,σ_r\\*(relative):지수대비 상대 로그수익률의 예측값의 평균,표준편차\n * μ_b\\*,σ_b\\*(base):지수자체의 로그수익률의 예측값 평균,표준편차","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":118,"value":"$34","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":37,"value":"---\n## 단위모델의 학습방식: Forest of decision trees\n* Decision tree\n * 플로우차트와 유사하게 여러 분기를 거쳐 상수결과를 반환하는 학습모델\n * 완성된 Decision tree는 분기를 거치며 넓어지는 삼각형 나무모양\n* Forest of decision trees\n * 단일 Decision tree는 복잡한 데이터의 일부만 표현가능\n * 여러 Decision tree가 각자의 해석분야가 있다면 종합해서 더 나은결과 도출\n\n## 비교: Forest(of decision trees)와 Neural network\n | Forest(of decision trees) | Neural network\n:-: | :-: | :-:\n기본 구성요소 | 이진 분기 노드 | 비선형 함수(ReLU,Sigmoid,...)\n모델의 이해(해석)가능정도 | (모델의 크기에 따라) 일부 가능 | 불가능\n필요한 데이터의 규모 | 수천 레코드 이상 | 수백만 레코드 이상\n필요한 계산자원 | 일반적인 PC사양 | GPU Computing 필수\n인기? | Kaggle의 인기 학습모델 | 부자(장비,데이터,시간)들의 선택\n주요 라이브러리 | XGBoost(CUDA지원) | pytorch,tensorflow \n\n* 대체로 Forest(of decision trees)가 비용대비 효과적이나\n* 시간과 비용을 쏟아부으면 결과적으로는 Neural Network가 더나은 결과\n * Forest(of decision trees)로 먼저 최소 정확도 기준점을 설정하고\n * 필요하다면 Neural Network로 전환해 더 정확한 모델 생성을 추천","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":102,"value":"---\n## (실제 데이터로 학습한) 예측모델 예시\n\n* 원본데이터: 2017.05.16~2024.05.10 사이 발생한 종가기준 데이터 약 267만건\n* 용어정리: 나무(decision tree) → 숲(단위모델;forest) → 산림(전체모델;forests)\n* 시각화를 위한 단순한 모델의 구성: 나무높이 6, 숲당 나무 5개, 산림당 숲 3개\n * 산림(숲1(나무11,12,13,14,15), 숲2(나무21,22,23,24,25), 숲3(나무31,32,33,34,35))\n * 실사용 목적의 구성: 나무높이 10~14, 숲당 나무 100~200, 산림당 숲 30개 이상","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":833,"value":"## 나무11 시각화\n* (위) 의사결정나무를 Flow Chart로 표현\n * (회사채<2.965) & (시가총액<641억) & (CD금리<1.36) & 종목그룹∈{0,2, ... ,77} & (순익/시총<-0.015) & (\\[I,Q\\]자본/시총)<1.665 ⇒ **-0.006**(1년후 지수대비 기대 로그수익률)\n* (아래) 의사결정나무의 최종노드(leaf)를 Treemap의 사각형으로 표현\n * 최종노드 64개(=사각형 64개): 데이터포인트 하나당 (64개중) 하나의 결과\n * 사각형 넓이: 학습에 사용된 데이터중 해당 결과가 나온 표본수\n * 사각형 색깔: 결과값 차이를 색깔로 표현","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":107,"value":"$35","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":708,"value":"$36","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":858,"value":"## 예제 데이터와 모델의 동작\n* (위) 랜덤으로 뽑은 테스트데이터 표본을 테이블에 수록\n* (아래) 테이블에서 선택한 항목의 예측과정 중간,결과값 표시","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":867,"value":"viewof sel = Inputs.table(samples,{header:Object.values(col_label_map),multiple:false,rows:8})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":898,"value":"$37","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":1028,"value":"## 생각해볼만한 문제\n* 단위모델 제목에 학습(데이터)MAE, 미학습(데이터)MAE값이 기재되어있음\n * MAE는 Mean Absolute Error의 약자, (실제값-예측값)의 절대값을 모아 평균\n * MAE=0.26는 예측오차가 평균 +29%,-23%란 뜻 ⇒ **더 세밀한 모델이 필요**\n * 학습MAE,미학습MAE가 거의 같다 ⇒ **모델이 너무 대충이라 Underfitting**\n * (결론) 나무높이↑, 숲당 나무 수↑ ⇒ **학습MAE↓↓↓ < 미학습MAE↓↓**\n* 정규분포(μ_r\\*, σ_r\\*) 근사를 위한 예측값 표본{y₁\\*,y₂\\*,y₃\\*}의 개수가 겨우 3개?\n * 산림(전체모델)을 위한 숲(단위모델)을 적어도 30개 이상 준비하는것을 권장\n* 켈리기준을 계산하려면 μ\\*, σ\\*가 반드시 필요할까?\n * 켈리기준 = 예측수익률값들의 기하평균을 최대화하는 투자비율\n * 예측수익률값들의 집합이 필요할뿐 그것이 정규분포에 근사할 필요는 없다\n * 지수대비 수익률 예측값(y₁\\*,y₂\\*,...,y_n\\*)에 지수변동의 여러경우를 보정하면?\n \n## 마치며\n* 각자 수집할수 있는 정보를 이용해 학습데이터의 특성을 추가해보고 정확도 개선이 있는지 확인해보시기 바랍니다\n* 어느정도 안정적인 시스템을 구축했다면 이를 능가하는 Neural Network 모델 생성에 도전해보시기 바랍니다","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":1085,"value":"---\n## 참고목록\n* 지수대비 상대수익률 예측모델의 간략 언급: [개미투자공학 2장 - 우량후보탐색](https://observablehq.com/@humble-data-miner/personal-investment-engineering-ch-2)\n* 로그수익률에 대한 설명: [개미투자공학 6장 - 로그수익률과 정규분포](https://observablehq.com/@humble-data-miner/personal-investment-engineering-ch-6)\n* 적정투자비율을 알려주는 켈리기준에 대한 설명: [개미투자공학 3장 - 단일종목 켈리기준](https://observablehq.com/@humble-data-miner/personal-investment-engineering-ch-3)\n* Decision Tree 학습의 이론배경: [Wikipedia - Decision Tree](https://en.wikipedia.org/wiki/Decision_tree)\n* 앞서만든 Tree를 보완하는 방향으로 추가 Tree를 만드는 기법인 Boosting에 대한 설명: Wikipedia - Boosting (machine learning)\n* 가장 대중적인 Boosting 라이브러리: [XGBoost](https://xgboost.readthedocs.io/en/stable/)","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":1150,"value":"---\n## 부연설명 동영상\n\n\n","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":11,"value":"---\n## Appendix","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","output":"","database":"$undefined"},{"id":27,"value":"raw_forests = krx_1y_defer_dataset.forests","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":869,"value":"samples = krx_1y_defer_dataset.samples","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":156,"value":"krx_1y_defer_dataset = FileAttachment(\"krx_1y_defer_dataset.json\").json()","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":160,"value":"columns = krx_1y_defer_dataset.columns","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":163,"value":"col_label_map = ({\n groupcode:\"종목그룹\",\n market:\"거래소\",\n totalamount:\"시가총액\",\n seq:\"보고서순번\",\n offset:\"보고후거래일\",\n cpqbr0:\"[C,Q]자본/시총\",\n cpqsr0:\"[C,Q]매출/시총\",\n cpqer0:\"[C,Q]순익/시총\",\n cpqcr0:\"[C,Q]현금/시총\",\n pqbr0:\"[I,Q]자본/시총\",\n pqsr0:\"[I,Q]매출/시총\",\n pqer0:\"[I,Q]순익/시총\",\n pqcr0:\"[I,Q]현금/시총\",\n cpybr0:\"[C,Y]자본/시총\",\n cpysr0:\"[C,Y]매출/시총\",\n cpyer0:\"[C,Y]순익/시총\",\n cpycr0:\"[C,Y]현금/시총\",\n pybr0:\"[I,Y]자본/시총\",\n pysr0:\"[I,Y]매출/시총\",\n pyer0:\"[I,Y]순익/시총\",\n pycr0:\"[I,Y]현금/시총\",\n FX_USDKRW:\"KRW/USD\",\n KRCALLBOKK:\"콜금리\",\n KFIA114000:\"CD금리\",\n KFIA103009:\"회사채(3년/AA-)\",\n w0:\"[직전]주간평균\",\n w1:\"[1주전]주간평균\",\n w2:\"[2주전]주간평균\",\n w3:\"[3주전]주간평균\",\n m0:\"[직전]월간평균\",\n m1:\"[1주전]월간평균\",\n m2:\"[2주전]월간평균\",\n m3:\"[3주전]월간평균\",\n yield:\"1년후 지수대비 로그수익률\"\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":146,"value":"num_forests = raw_forests.length","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":149,"value":"num_trees = raw_forests[0].dump.length","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":770,"value":"function make_label_split_condition(d,limit=3,negate=false) {\n const cond = d.data.split_condition;\n if(Array.isArray(cond))\n return (limit>0 && cond.length>limit)? `${negate?\"∉\":\"∈\"}{${cond.slice(0,2)}, ... ,${cond.slice(-1)}}`:`${negate?\"∉\":\"∈\"}{${cond}}`;\n else\n return `${negate?\">=\":\"<\"}${\nNumber.isInteger(cond)?cond.toLocaleString('en-US'):\nMath.floor(Math.abs(cond)/10)==0?\ncond.toFixed(3):cond.toFixed(0)}`;\n}\n","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":13,"value":"html`\n`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":96,"value":"import {Tree} from \"@d3/tree-component\"","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":715,"value":"import {Treemap} from \"@d3/treemap-component\"","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":276,"value":"import {icon,node} from '@severo/fork-awesome-icons'","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":281,"value":"tree_icon = {\n const svg_tree = await icon('tree', 32, 32);\n d3.select(svg_tree).select(\"path\").style(\"fill\",\"green\");\n return svg_tree;\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":321,"value":"tree_str = tree_icon.outerHTML.replaceAll('\"',\"'\").replaceAll(\"\\n\",\"\")","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"},{"id":891,"value":"modelflowchart.update(sel);","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","output":"$undefined","database":"$undefined"}],"files":"$W38","stdlib":"1","titling":"auto"}} 33:"$32:body"