Challenge Log

감자 고구마 효용함수 - 3

Miscellaneous MS — Fri, 24 Apr 2026 20:10:54 +0900

그렇다면 실제 데이터에 제일 가까운 정답은 어느 모델이었을까?

결론부터 말하자면 참조한 논문의 모델이 실제 데이터에 가장 부합하게 나타남

실제 데이터를 다양한 경제 이론을 활용해서 나타내본 결과

를 인공지능을 활용하면

좌 상단의 모델에 가장 알맞게 그려짐.

- CD함수를 전제한 이론적 복원이기 때문일수도 있음

- 낮은 수량과 높은 수량을 떼어놓고 보았을 때 직선을 보일만한 이유도 충분히 있음

겹쳐본 결과

다음에 해볼것

- 더 정확한 모델 개발 -> "더"정확하다의 기준을 만들어야함

- 그래프가 같다?

- 숫자가 같다?

- 모양이 비슷하다?

- 이론이 더 합리적이다?

- ...

- 새로운 이론에 AI모델 접목

- 더 구체적인 효용함수 이론 개발 -> 경제학 이론 더 필요

- 효용함수 외 다른 함수 적용

감자 고구마 효용함수 - 2

Miscellaneous MS — Thu, 23 Apr 2026 22:37:50 +0900

작년에 작성한 효용함수 재현글과 비슷한 논문이 작년에 아카이브에 올라와있었다...? (클로드가 찾아줌)

(Marta Grzeskiewicz, “Uncovering Utility Functions from Observed Outcomes,” arXiv:2503.13432 [cs.LG], 2025. DOI: 10.48550/arXiv.2503.13432.)

내 블로그 글과 논문은 공통 목표 : 효용함수와 무차별 곡선을 재현

차이점 :

- 이론 없이 데이터와 모델만으로 구현 vs 현시선호이론 토대

- 예산 제약 모델

- 효용함수의 구조적 제약, 신경망 내부 경제적 제약

- 효용의 절대값 관점

- 사용 데이터

- 가격내생성 문제

- 모델의 오목성?

일단 논문의 코드가 제공되어있지 않으므로 수식과 모델로 재해석

먼저 Claude 와 ChatGPT 별개 트랙으로 활용 후 서로 리뷰 시킴

Claude 결과 :

학습과정

ChatGPT 결과 :

학습과정

Claude -> ChatGPT 순서 :

- ICNN 단조성 확인

- 현시선호이론

- 집계방식

- 학습방법 수정

- 데이터 집계 방법 수정

ChatGPT -> Claude 순서 :

- qty_kg = DELNGBUNDLE_QY × DELNG_QY로 수정

- 모델 안정성 추가

결론

- 감자와 고구마는 일관된 대체관계 존재

- CD 함수를 경계조건으로 주면 CD함수가 나오긴 하지만, 대체재로 보는게 더 확실한듯

- 총시장규모 / 총지출 / 계절성 / 전반적 수급상황 같은 하나의 공통요인을 더 강하게 보고 있다

- 모델마다 MRS는 일정하지 않음

- Claude는 논문을 최대한 따라가려고 했고 ChatGPT는 데이터 중심의 작동되는 코드를 만들려고함

- 그런데 내 ChatGPT가 이미 pretrain 한 내용이 실제 데이터 위주의 작동되는 코드를 요구한다는 점이 영향을 가했을 것이라 생각.

- 그래서 그런지 ChatGPT쪽이 좀더 나은 결과를 보임

- 대신 Claude는 코드 자체의 오류가 더 적었음.

- Claude Opus4.7.... 채팅 한번에 일 사용량 20% 소모....

- ChatGPT.... 한번 엔터 누르면 20분 기다려야....

..."API 토큰 = 능력"

- 논문에서는 단순 AI모델보다 경제학 이론을 가미한 모델이 더 좋은결과를 낸다는 취지로 내용을 전개. 그런데 우리가 지금 쓰는 LLM의 경우 어떤 이론 없이 사람들이 만들어낸 컨텐츠를 가지고 범용성있는 결과를 도출. 따라서 완벽한 모델은 이론또한 학습 가능할것이라 생각할수 있다. 하지만 그렇게 나온 결과물을 해석하는것은 오롯이 사용자 개인의 몫이기 때문에 안정적인 AI활용에 이론적 배경지식은 필수적이라 생각.

- 논문에서 사용한 아키텍쳐 (혹은 이론) 보다 더 발전된 내용을 활용하여 이론적 배경 없이 같은 결과를 얻을 수 있지 않을까?

인공지능으로 인간의 효용함수를 복원

Miscellaneous MS — Tue, 21 Apr 2026 23:26:28 +0900

경제학이 수작업으로 효용함수를 쌓던 시대 (1944–1992)

AI가 들어오기 전에 이미 "효용함수는 데이터에서 역추정할 수 있는가"라는 질문 자체가 성숙해 있었습니다. von Neumann–Morgenstern의 기대효용 공리(1944), Samuelson의 현시선호 이론(1938/1948) — "선택을 보면 선호를 복원할 수 있다"는 아이디어의 원형 — , McFadden의 랜덤효용모델(Random Utility Model, 1974, 2000년 노벨경제학상) — 효용에 확률적 충격항을 더하면 로짓·프로빗 형태의 선택확률이 나온다는 틀 그리고 Kahneman & Tversky의 프로스펙트 이론(1979)과 누적 프로스펙트 이론(CPT, 1992, 2002년 노벨상)

이 시기의 한계는 명확했습니다. 효용함수의 함수 형태(functional form)를 연구자가 직접 가정해야 했고 선택지 수가 많거나 상호작용이 복잡해지면 모델이 빠르게 붕괴

신경망·IRL의 탄생 (1998–2008)

"함수 형태를 가정하지 말고 데이터에서 직접 학습하자"는 흐름이 두 갈래로 시작됩니다.

한 갈래는 **선호 학습(preference learning)**입니다. Herbrich 등(1998)이 SVM으로 순위 선호를 학습했고, Bentz와 Merunka(2000)가 softmax 출력 피드포워드 신경망으로 소비자 선택을 예측한 최초의 사례. 이는 McFadden의 로짓을 신경망으로

다른 갈래는 역강화학습(Inverse Reinforcement Learning, IRL)입니다. Ng과 Russell이 2000년 ICML에서 "Algorithms for Inverse Reinforcement Learning"을 발표 하면서 공식화됐는데, "MDP에서 관측된 최적 행동으로부터 보상함수를 역추출한다"는 문제를 세움. 논문의 핵심 통찰은 주어진 정책을 최적으로 만드는 보상함수의 집합을 특징화하고 세 가지 알고리즘을 도출한 것, 그리고 "관측된 정책을 최적으로 만드는 보상함수가 매우 많다"는 근본적 비식별성(degeneracy) 문제를 명시 한 것. 이 비식별성 문제는 오늘날까지도 효용함수 복원의 근본 난제

이어서 Abbeel & Ng(2004)의 apprenticeship learning, Ramachandran & Amir(2007)의 Bayesian IRL, 그리고 Ziebart et al.(2008) "Maximum Entropy Inverse Reinforcement Learning"(AAAI) 이 등장합니다. 특히 MaxEnt IRL은 여러 보상함수 중 "행동 데이터와 일관되면서 가장 엔트로피가 큰 것"을 고르는 원리로 비식별성 문제를 부분적으로 해결했고, 이후 거의 모든 후속 IRL 연구의 토대가 됩니다. 경제학 언어로 번역하면 "여러 효용함수 중 가장 '덜 편향된' 것을 고른다"는 것

딥러닝 (2015–2018)

신경망의 표현력이 폭발적으로 커지면서 IRL도 깊어집니다. Wulfmeier, Ondruska, Posner(2015) "Maximum Entropy Deep Inverse Reinforcement Learning"과 Finn, Levine, Abbeel(2016)의 Guided Cost Learning, Ho & Ermon(2016)의 GAIL(Generative Adversarial Imitation Learning)이 이어짐. GAN 구조를 빌려와서 "인간 행동을 흉내내는 정책"을 학습하는 접근인데, 이때부터 "보상/효용함수는 더 이상 단순한 선형결합이 아니라 심층신경망"이라는 전제가 굳어짐.

동시에 의사결정 이론 쪽에서는 경쟁적 예측 실험이 시작. Erev, Ert, Plonsky 등이 주도한 Choice Prediction Competitions이 핵심입니다. CPC15에서 도입된 BEAST(Best Estimate And Sampling Tools) 모델은 선택이 기대가치에 더해 네 가지 행동 경향—즉각적 후회 확률 최소화, 결과들의 균등가중 편향, 페이오프 부호 민감도, 비관주의—에 민감하다고 가정 했고, CPC15 대회에서 "이론 없는 통계학습 모델과 프로스펙트 이론 변종들은 예측을 잘 못했고, 최고 성능은 BEAST 변종들"이었다는 결과.

이건 흥미로운 반전이었습니다. "딥러닝이면 된다"는 기대와 달리, 소규모 데이터에서는 행동이론 구조가 여전히 중요. Plonsky, Erev 등(2017) "Psychological Forest"는 심리학적 특성을 입력 피처로 주입한 랜덤포레스트가 순수 ML보다 좋다는 것을 보였고, 이것이 다음 세대의 "cognitive prior" 아이디어의 씨앗이.

경제학과 ML의 다리 역할을 한 또 하나의 중요한 작업은 Hartford, Wright, Leyton-Brown(2016)의 "Deep Learning for Predicting Human Strategic Behavior"(NeurIPS)로, 행동 게임이론 데이터에서 DNN이 고전 이론을 능가한 초기 사례.

이 시기의 아키텍처적 분수령은 Amos, Xu, Kolter(2017) "Input-Convex Neural Networks"(ICML)입니다. 신경망 출력이 입력에 대해 항상 볼록(또는 오목)이도록 가중치를 제약하는 구조인데, 이것이 나중에 PEARL 같은 "효용함수는 오목이어야 한다"는 경제학 제약을 직접 네트워크에 박아넣는 방식의 기반.

대규모 데이터 + 해석가능한 신경망 (2019–2021)

이 시기의 핵심 통찰은 "데이터만 충분히 크면, 신경망이 학습한 효용함수는 기존 경제학 이론을 재발견하고, 그 위에 더 복잡한 패턴까지 덧붙일 수 있다"는 것.

Bourgin, Peterson, Reichman, Russell, Griffiths(2019) "Cognitive Model Priors for Predicting Human Decisions"(ICML)가 다리 역할을 합니다. 기존 인지모델(프로스펙트 이론 등)의 예측을 신경망의 사전학습(pretraining)으로 사용하면 작은 데이터에서도 잘 된다는 것을 보였습니다. 즉 "이론은 데이터에 대한 prior이다"라는 관점.

그 뒤 Peterson, Bourgin, Agrawal, Reichman, Griffiths의 2021년 Science 논문 "Using large-scale experiments and machine learning to discover theories of human decision-making" 이 등장합니다. 13,006개 리스키 선택 문제에서 대규모 데이터(choices13k)를 수집하고 미분가능한 결정이론들을 비교. 핵심 모델 MOT(Mixture of Theories)는 두 개의 효용함수와 두 개의 확률가중함수 혼합으로 선택을 설명하는데, 해석 가능한 설계 덕분에 하나의 UF는 대칭형, 다른 하나는 손실회피를 보이고, 하나의 PWF는 선형, 다른 하나는 저확률 과대가중을 보여 기대효용과 프로스펙트 이론의 형태를 재발견. 동시에 기존 이론이 놓친 체계적 패턴도 포착.

같은 시기 교통·도시 경제학 쪽에서는 Wang, Wang, Zhao의 Transportation Research Part C 2020 논문이 DNN으로 고전적 이산선택모델과 동등한 경제 정보—선택확률, 시장점유율, 대안 간 대체 패턴, 사회후생, 탄력성, 한계대체율(MRS), 이질적 시간가치(VOT)—를 추출할 수 있음을 보였고, 동시에 hyperparameter 민감성·모델 비식별성·local irregularity라는 세 가지 한계를 명시. "신경망이 맞추기만 하는가, 아니면 경제적 해석이 가능한가"라는 오래된 의심에 대한 체계적 답변.

금융·포트폴리오 쪽에서는 Ratliff 등의 Inverse Risk-Sensitive RL이 프로스펙트 이론 가치함수를 IRL 틀에 접붙였고, inverse optimization으로 20년 시장 데이터와 10년 뮤추얼펀드 분기별 보유 데이터에서 시변 위험선호 파라미터를 추정하는 연구진행. "펀드매니저가 암묵적으로 어떤 효용함수에 따라 행동했는가"를 역추적.

신경망이 "블랙박스 예측기"에서 "해석 가능한 이론 발견 도구"로 격상.

이론적 토대 확립과 LLM의 진입 (2022–2024)

한 갈래는 이론적 엄밀화. Aouad & Désir의 "Representing Random Utility Choice Models with Neural Networks"(2022 arXiv, 2025 Management Science), 이들이 제안한 RUMnets는 에이전트의 랜덤효용함수를 sample average approximation으로 정식화하며, 어떤 RUM 모델에서 유도된 선택확률도 RUMnet으로 임의로 근접하게 근사할 수 있고 역으로 어떤 RUMnet도 RUM 원리와 일관됨을 증명. 이는 "McFadden의 랜덤효용 프레임워크와 신경망이 수학적으로 등가"라는 다리를 놓은 결과로, 경제학자와 ML 연구자가 같은 언어로 대화할 수 있게 됨.

다른 갈래는 LLM의 등장. Binz & Schulz(PNAS 2023) "Using cognitive psychology to understand GPT-3"이 LLM에 인지심리학 실험을 시키면 인간과 유사한 편향(예: 기저율 무시, 연언 오류)이 나타난다는 것을 보임. 같은 해 Horton, Filippas, Manning의 NBER working paper "Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?"가 LLM을 훈련·설계상 인간에 대한 암묵적 계산 모델(Homo silicus)로 볼 수 있다고 주장하며 Charness-Rabin(2002), Kahneman et al.(1986), Samuelson-Zeckhauser(1988) 실험을 LLM으로 재현해 질적으로 유사한 결과를 얻음. 그리고 Binz & Schulz의 "Turning Large Language Models into Cognitive Models"(ICLR 2024)이 심리 실험 데이터로 LLM을 파인튜닝하면 두 개의 의사결정 도메인에서 전통적 인지모델을 능가하고, 다중 과제 파인튜닝으로 보지 못한 과제에서도 인간 행동을 예측한다는 것을 보임.

Coda-Forno et al.(ICML 2024) "CogBench"는 LLM을 7가지 인지 과제 벤치마크로 체계적으로 평가하는 인프라를 제공해서, "LLM을 인지모델로 쓰는 것"이 재현 가능한 과학이 되도록 연구.

추천시스템 분야에서는 Neural Utility Functions(AAAI 2021)가 훈련 과정에서 그래디언트에 제약을 가해 데이터로부터 경제학적 아이템 관계를 학습하고, 모델 아키텍처에 무관하게 Utility Prior를 다른 손실항과 결합 하는 접근을 제시했습니다. welfare-consistent utility recovery와는 다른 가지지만, "경제학 공리를 신경망 손실에 주입한다"는 공통 원리.

인지의 파운데이션 모델과 전략적 상호작용 (2024–2025)

4세대에서 검증된 원리들이 스케일업.

대표 성과는 Binz, Schulz 등의 Centaur 논문(Nature 2025). Psych-101이라는 데이터셋은 160개 실험에서 6만 명 이상 참가자가 수행한 1,000만 건 이상의 선택을 trial-by-trial로 담고 있고, Centaur는 Llama 3.1 70B를 이 데이터에 파인튜닝한 모델로, 기존 인지모델보다 held-out 참가자를 잘 예측할 뿐 아니라 새로운 cover story·구조 변형·완전히 새로운 도메인까지 일반화. 파인튜닝 후 모델 내부 표상이 인간 신경 활동과 더 정렬되는 것도 확인. 이는 "통합된 인지 이론"을 수식이 아닌 신경망 가중치로 구현하려는 첫 본격 시도.

같은 원리를 전략적 의사결정으로 확장한 것이 Zhu, Peterson, Enke, Griffiths의 Nature Human Behaviour 2025 논문 "Capturing the complexity of human strategic decision-making with machine learning". 2,400개 이상의 절차적으로 생성된 2인 행렬 게임에서 9만 건 이상의 인간 의사결정을 분석하고, DNN이 기존 전략적 행동 이론보다 더 정확하게 인간 선택을 예측함을 보인 뒤, 네트워크를 수정해 해석 가능한 행동 모형을 만들어 "개인의 최적 대응 능력과 타인에 대한 추론 능력이 게임 행렬의 복잡성에 따라 달라진다"는 통찰 을 얻음 — 경제학자가 이 접근을 학문 표준 경로로 받아들이기 시작

Plonsky, Erev 등의 Nature Human Behaviour 2025 논문 "Predicting human decisions with behavioural theories and machine learning"은 BEAST-GB라는 행동이론(BEAST)과 gradient boosting을 결합한 하이브리드가 CPC18 대회에서 우승했고, 두 개의 대규모 데이터셋에서 광범위하게 훈련된 신경망과 수십 개의 기존 행동모델을 능가 했다는 결과를 보고. 이는 "데이터가 많아도 행동이론에 예측을 정박시키는 것이 여전히 중요하다"는 교훈. Centaur(파운데이션 모델 접근)와 BEAST-GB(이론 기반 접근)가 같은 해 Nature 계열에 공존한 것은 이 분야의 현 상태를 정확히 보여줌.

현재 진행 중 (2025–2026)

이 시점의 연구는 아직 프리프린트이거나 단일 논문이라 주장을 신중하게 받아들여야 합니다.

소비자 수요 → 효용함수 역추정: Grzeskiewicz 등(2025)의 PEARL(Preference Extraction and Reward Learning)은 현시선호이론과 IRL을 결합해 Input-Concave Neural Network를 효용함수로 사용하여 교차가격탄력성을 포함한 재화 간 관계를 포착.

교통 선택 모델: UINN(Utility-Informed Neural Networks, Expert Systems with Applications 2026)은 효용함수에 대한 그래디언트 기반 단조성 정규화를 통해 DNN의 유연성과 경제학적 논리를 모두 확보하고, 2017 California NHTS의 26,095개 가구 데이터로 검증.

LLM 페르소나 행동: Manning, Zhu, Horton이 개별 수준 행동경제학 데이터로 모델 편향을 조정하는 persona-based 접근을 통해 persona-conditioned LLM이 대규모로 인간과 유사한 의사결정 패턴을 시뮬레이션 하는 방향을 탐색 중, 신뢰 게임에서 LLM의 trustworthiness prior를 유도하는 연구도 진행중.

행동경제학 기반 딥RL 포트폴리오: Scientific Reports 2026년에 게재된 BBAPT는 손실회피와 자신과잉을 통합한 행동 기반 딥강화학습 포트폴리오 모델.

결론

경제학은 효용함수의 형상을 사람이 추측해야 했지만, AI는 그 모양을 데이터에서 학습할 수 있게함.

- 프로스펙트 이론 같은 고전 발견을 신경망이 재발견할 수 있음이 증명

- 신경망과 랜덤효용모델이 수학적으로 등가임이 확립됐습니다

- 경제학 제약을 신경망 구조 자체에 주입하는 기법

한계

- 비식별성

- 아직 평균추정만 가능

- 외생성, 인과성 식별 필요

- 순수 데이터 주도 연구가 전부는 아니다

AI 에이전트로 딥러닝 아키텍처를 만들 수 없을까...?

Miscellaneous MS — Tue, 21 Apr 2026 00:32:41 +0900

2003년 — Gödel Machine

Schmidhuber가 제안한 Gödel Machine은 수학적으로 엄밀하고 완전히 자기참조적인 자기개선 문제해결기로, Kurt Gödel의 자기참조 공식에서 영감을 받아, 재작성이 유용하다는 증명을 찾자마자 자신의 코드를 다시 쓰는 시스템 입니다. 이론적으로 완벽하지만 증명 탐색의 어려움, 순수 연역적 개선 기준의 취약성, 자기 수정 중 안전 문제.

2016년 11월 — NAS의 출발점 (Zoph & Le)

Google Brain의 Barret Zoph와 Quoc Le의 "Neural Architecture Search with Reinforcement Learning" 논문. RNN 컨트롤러가 신경망 모델 설명을 생성하고, 생성된 아키텍처의 검증 정확도를 최대화하도록 강화학습으로 훈련하는 방식으로, CIFAR-10에서 기존 최고 인간 설계 모델을 능가하는 3.65% 테스트 에러를 달성 .

2019년 — DARTS: 미분 가능한 탐색

Liu, Simonyan, Yang이 "DARTS: Differentiable Architecture Search"를 ICLR 2019에 발표. 이산적 구조 탐색을 연속 완화(continuous relaxation)해서 그래디언트 디센트로 품

2024년 8월 — The AI Scientist v1 (Sakana AI)

Sakana AI, 옥스퍼드, UBC의 협업작품. NanoGPT, 2D Diffusion, Grokking 같은 템플릿 위에서 LLM이 아이디어 생성 → 실험 코드 작성/실행 → 결과 시각화 → 전체 논문 작성 → 자동 리뷰까지 수행 한 최초의 엔드투엔드 시스템. 대중의 주목을 끌었고, "AI가 연구할 수 있다"는 프레임을 만듬

2025년 5월 — AlphaEvolve (DeepMind)

Gemini 기반 진화적 코딩 에이전트로, Google 대규모 컴퓨팅 스택의 핵심 구성요소를 최적화한 결과, 데이터센터의 더 효율적인 스케줄링 알고리즘을 개발하고, 하드웨어 가속기 회로 설계의 단순화를 발견했으며, AlphaEvolve를 구동하는 LLM 자체의 학습을 가속 . 즉, AI가 자기 자신을 훈련하는 코드를 개선하는 자기개선 루프가 최초로 프로덕션에 포함. 23% 빠른 커널, 1% AI 모델 학습시간 단축, Google 데이터센터 0.7% 컴퓨트 효율 향상 .

2025년 7월 — ASI-Arch

Shanghai Jiao Tong University의 GAIR 랩 + MiniMax AI. 인간이 정의한 탐색 공간 안에서만 최적화하는 전통적 NAS의 한계를 넘어, 자동화된 최적화에서 자동화된 혁신으로의 패러다임 전환을 최초로 증명 . Researcher, Engineer, Analyst 세 에이전트가 1,773회의 자율 실험을 20,000 GPU 시간 동안 수행해 106개의 새로운 SOTA 선형 어텐션 아키텍처를 발견했고, 발견 속도가 컴퓨트와 선형적으로 스케일링됨을 확인 . NAS 1.0의 근본적 한계를 돌파한 순간.

2026년 4월 — AutoSOTA, TREX, Pioneer Agent

AutoSOTA는 8개 top-tier 논문에 대해 평균 5시간/논문으로 105개의 새로운 SOTA 모델을 자동 발견. TREX는 MCTS로 fine-tuning 전체 라이프사이클 자동화. Pioneer Agent는 프로덕션 모델을 지속 개선.

결론

- 가능한가? → 예. 좁은 도메인에선 인간 초과 (선형 어텐션, CUDA 커널, 수학 문제, 데이터센터 스케줄링)

- 신뢰성 있게 작동 되는가? → 아직 아님. ResearchGym 6.7%, PostTrainBench 23.2%가 현실.

- 자기개선 루프가 실제로 돌아가는가? → 부분적으로는 예. AlphaEvolve가 자기 학습 커널을 개선하는 선례.

- 다음 목표: 메인 컨퍼런스 수준의 연구 자동화, 새 거대 모델 패러다임의 자율 발견, 일관된 reliability.

TurboQuant

Miscellaneous MS — Sat, 18 Apr 2026 00:26:42 +0900

"어떻게 하면 벡터를 적은 비트로 압축하면서도 정확도를 유지할까"가 논문의 목표이지만

살짝 읽어보니 양자정보학의 방법론과 유사한것을 확인

논문 내용 :

벡터 양자화는 고차원 유클리드 벡터를 작은 비트 수로 압축하면서 기하학적 구조의 왜곡(distortion)을 최소화하는 문제

TurboQuant는 MSE(평균 제곱 오차)와 내적(inner product) 왜곡 두 가지 모두를 다루면서 기존 방법들이 달성하지 못했던 최적 왜곡률에 근접 하는 것을 목표

입력 벡터를 무작위 회전(random rotation)시키면 좌표값들이 집중된 베타 분포(Beta distribution)를 따르게 되고,

고차원에서 서로 다른 좌표가 거의 독립적이라는 성질을 활용해서 각 좌표마다 최적 스칼라 양자화기를 단순 적용하는 방식

추가로 내적 추정의 편향 문제를 해결하기 위해 MSE 양자화기를 먼저 적용하고

그 잔차(residual)에 1-bit Quantized JL(QJL) 변환을 적용하는 2단계 접근법을 제한

터보 퀀트의 수식을 브라켓 노테이션으로 변환하면 양자정보학과 수학적 동형을 이루는것을 볼 수 있다.

섀넌의 정보이론에서 동일하게 시작해서 고전정보이론과 양자정보이론이 연속적인 분포를 양자화시킴으로서 하나로 모임

(조만간 브라켓 노테이션이 AI 표준 표기가 될수도...?)

기업가치 분석 - 2 (삼성전자)

Miscellaneous MS — Thu, 16 Apr 2026 12:25:18 +0900

1. 대한항공과 같은 방법론

- 반도체 성장률이 매우 높게 잡혀 모델이 무의미해짐

2. 2-stage, DCF

기업가치 분석 - 1 (대한항공)

Miscellaneous MS — Thu, 16 Apr 2026 11:40:14 +0900

대한항공의 기업가치는?

- yfinance trailing PE

- RF = US10Y

- Beta = KOSPI 대비

- g : EPS 성장률, SPX모멘텀, 기대인플레이션

현재 과적합 상태 - 9114는 말이 안됨

영구성장이 가능할까?

하방이 어딘지 정도는 볼 수 있을듯...?

원화 환율은 왜...? - 5 (+대한항공2)

Miscellaneous MS — Thu, 16 Apr 2026 10:36:15 +0900

- 데이터

비용 축: WTI, BRENT, 항공유 → 연료비

환율 축: USDKRW → 달러 부채 평가손실

심리 축: VIX, OVX, GOLD, 방산주 → 시장 공포와 지정학 리스크

- HMM(Hidden Markov Model)

- 호르무즈 위협

BRENT_WTI_SPREAD: 브렌트유 - WTI 가격 차.

GOLD_WTI_RATIO: 금/유가 비율.

KR_DEFENSE_IDX: 한국 방산주 평균 가격.

OVX: 원유 옵션 변동성.

- neuralforecast

-NHITS, TFT, TSMixerx 앙상블

초록선 : 협상타결

빨간선 : 전쟁지속

원화 환율은 왜...? - 4 (+삼성전자)

Miscellaneous MS — Mon, 13 Apr 2026 00:51:38 +0900

시작하기에 앞서, 얼마나 좋은 AI 모델을 얼마나 오래 쓸 수 있는지가 경쟁력이 되는 시대는 이미 온 것 같다.

(3, 4 하는데 한시간이 채 안걸림...)

여기에 에이전트로 몇개~몇백세션을 한번에 쓸 수 있다면...?

반도체지수와 유가지수, 호르무즈 해협의 리스크를 정량적으로 비교

- 아직까지 삼성전자와 호르무즈 리스크는 별개로 여겨지는듯

- 반도체 사이클은 아직 죽지않았다

- 최근 너무 많이 올라서 오른다고 학습한 모델이 있고 떨어진다고 학습한 모델도 있지만 그래도 오른다에 거는듯

- 여기에 영향을 미칠 수 있는 요소가 어떤것이 더 있을지 생각

- 하지만 클로드 사용량이...

원화 환율은 왜...? - 3 (+대한항공)

Miscellaneous MS — Mon, 13 Apr 2026 00:35:06 +0900

환율이 오르고(유가도 오르면) 한국 대기업 중 어느기업이 가장 손해를 볼까?

아마도 대한항공이 제일 어렵지 않을까....?

에서 시작하는 환율과 유가를 활용한 대한항공 주가 예측과 미래 수익성 예측

- 외화환산손실 — 달러 부채(약 80억 달러) × 환율 변동

- 연료비 증가 — 원화 기준 항공유 가격 × 일일 연료 사용량

- 리스 평가손실 — 운용리스 부채의 환산 변동

Korean Air FX-Loss & Price Forecast Summary

Base date : 2026-04-10 Current price : 24,700 KRW Cumulative 90d FX P&L (est.) : +209 (100M KRW) [Forecast] April avg : 24,135 KRW (-2.29%) May avg : 22,395 KRW (-9.33%) Period High : 24,570 KRW (-0.53%) Period Low : 21,695 KRW (-12.17%)

- 비교적 최근의 모델도 library로 활용 가능

- 어느 모델이 잘 맞을지 기대해 봐도 좋을듯....?

여기서 미국 이란간의 상황 자체를 변수로 넣어본다면...?

- 의외로 코로나때 타격이 얼마나 컸는지 확인

- 러시아 우크라이나 전쟁때도 비슷한 상황

- 아직 미국이란간의 여파는 아직까지는 크지 않음

- 아직까진 리스크가 크지 않다고 시장은 보는중

- 호르무즈 해협 리스크가 너무 과대평가되어 오히려 반등이 가능하다는 예측과 동시에 위협이 더 커질것이라는 예측

클로드가 코드를 너무 잘 작성해준고 설명까지 확실하게 해줌

- (예측을 제외하더라도) 100프로 신뢰가능한가?

- 코드 전체를 리뷰해서 검증하는 시간 vs 한번이라도 더 아이디어를 추가해서 코드를 작성하도록 시키기

- 현재는 모르겠지만 미래에는 무조건 후자가 맞을것이라 생각

- 에이전트 엮어서 활용해보고싶다... 튜닝이나 모델변화 같은걸 참 잘해줄거같은데...