Quant Market Context 축

엔진 역할

marketContext 축은 가격 시계열 기반 — 일별 log-return 회귀로 시장 베타 + 거시 변수 베타 + 수급 강도를 1 행 evidence 로 묶는다. 모든 회귀는 numpy-only OLS 로 산출.

scan.macroBeta 와 책임 분리

항목	quant.marketContext	scan.macroBeta
입력	일별 가격 시계열	연간 매출/이익 시계열
회귀 단위	일별 log-return	연간 매출 성장률
윈도우	252 d (기본)	5+ 년
목표	시장 민감도 (β) + 거시 민감도 (FX/금리/물가) + 수급	펀더멘털 민감도 (재무 성장 vs GDP/금리/환율)
컬럼	usdkrwBeta · baseRateBeta · cpiBeta · m2Beta	gdpBeta · rateBeta · fxBeta
사용 시점	단기~중기 시장 변동 진단	중장기 펀더멘털 시나리오

같은 “거시 민감도” 라도 측정 대상 (가격 vs 매출) · 시간 단위 (일/연) · 컬럼명 모두 분리 — silent alias 회피.

공개 호출 방식

import dartlab

# KR 기본 (USDKRW · BASE_RATE · CPI · M2)
r = dartlab.quant("시장맥락", "005930")

# 윈도우 2 년
r = dartlab.quant("marketContext", "035420", lookbackDays=504)

# US 자동감지 (FEDFUNDS · DGS10 · DCOILWTICO · CPIAUCSL)
r = dartlab.quant("marketContext", "AAPL")

# 사용자 명시 변수
r = dartlab.quant("시장맥락", "AAPL", macroVars=["FEDFUNDS", "DGS10"])

호출 동작

dartlab.quant("marketContext", stockCode, ...) 가 dispatch 진입. 다음 순서:

1. stockCode → market auto-detect
2. lookback 일수만큼 OHLCV + 시장 지수 + 거시 변수 동시 수집
3. 일별 수익률 시계열 정렬 (날짜 join)
4. 회귀 모델 (CAPM · 거시 · 수급) 각각 fit
5. β / α / R² + 수급 metric 통합 dict 반환

회귀 모델

• CAPM: r_i = α + β r_m + ε. β = marketBeta, α (annualized) = marketAlpha, R² = marketR2. 시장 지수는 종목 상장 시장 (KOSPI/KOSDAQ) 또는 SPX. fetchBenchmarkOhlcv SSOT 재사용.
• 거시 회귀: r_i = α + β · ΔX + ε. ΔX 는 변수에 따라:
  • 금리 (BASE_RATE/FEDFUNDS/DGS10) → 단순 차분 Δ
  • 그 외 (USDKRW/CPI/M2/oil) → Δlog
  • 결측은 forward-fill (월별 변수 호환). R² 가 작을 수 있다.
• 수급 강도 (KR only): smart money = foreignNet + institutionNet. smartMoneyNet60d (60 d 합), smartMoneyZ60d (60 d 평균의 252 d 분포 z-score), flowMomentum20d (20 d 합).

대표 반환 형태

{
  "stockCode": "005930",
  "market": "KR",
  "lookbackDays": 252,
  "dateRef": "2026-05-08",
  "lastClose": 75000.0,
  "marketBeta": 1.12,
  "marketAlpha": 0.035,        # annualized
  "marketR2": 0.482,
  "nObsCAPM": 250,
  "usdkrwBeta": -0.812,        # 음수: 원화 강세 시 +
  "usdkrwBeta_r2": 0.045,
  "baseRateBeta": 0.024,
  "baseRateBeta_r2": 0.002,
  "cpiBeta": 0.18,
  "cpiBeta_r2": 0.001,
  "m2Beta": 0.66,
  "m2Beta_r2": 0.003,
  "macroVarsUsed": ["USDKRW", "BASE_RATE", "CPI", "M2"],
  "smartMoneyNet60d": 12345678,
  "smartMoneyZ60d": +1.23,
  "flowMomentum20d": 4567890,
  "flowAvailable": true,
  "flowNObs": 1006,
  "macroSource": "wide",          # wide / singleFallback / none
  "summary": "β=1.12 · USDKRW β=-0.812 · smartMoney Z=+1.23"
}

macroSource 단일 키 — wide 호출 성공 시 "wide", wide 실패 후 var 별 fetch 가 일부 성공하면 "singleFallback", 둘 다 실패면 "none". wide 실패 사유는 macroWideErrorType 진단 키로 별도 보존.

evidence 기준

• target: stockCode
• period: lookbackDays, dateRef
• benchmark: 종목 상장 시장 (KOSPI/KOSDAQ/SPX) — fetchBenchmarkOhlcv 의 결과
• metric: marketBeta, *Beta 키 + _r2 쌍
• value: 숫자 + R² 함께
• dateRef: dateRef
• executionRef: 호출 캡처

자기 검증 노트

• 005930 (수출주) usdkrwBeta 음/양 부호는 시기에 따라 변할 수 있으나 |β| > 0.3 기대 (FX 민감)
• 035420 (네이버, 내수 IT) |usdkrwBeta| 작음 — 환율 비민감
• KOSPI 종목 marketBeta ∈ [0.3, 1.8] 합리적 범위
• US 종목 호출 시 flow 자동 비활성 (flowAvailable=False)
• R² < 0.05 인 베타는 noise — summary 인용 시 신중

한계 및 비목표

• 펀더멘털 (재무 vs 거시) 회귀는 scan.macroBeta 가 책임. 변수명도 분리 (gdpBeta/rateBeta vs cpiBeta/baseRateBeta)
• 거시 변수 빈도 mismatch (월별 CPI 가 일별 join 시 forward-fill) → R² 가 작은 건 분포의 본질
• 다변량 회귀 (multiple regression with controls) 는 본 축 범위 밖 — 단변량 OLS 로 시작
• VAR / cointegration / Granger causality 등 시계열 인과는 본 축 외부

기본 검증

스킬 변경 시 본 파일 + engines.quant SKILL.md 의 marketContext 행 + tests/test_quant_marketContext.py + _AXIS_REGISTRY["marketContext"] 4 곳을 같은 변경에서 갱신한다.