어떤 알고리즘 트레이더가 시가 총액이 가장 큰 암호화폐인 비트코인을 거래하는 일에 관심을 두고 있다고 해 보자. 그는 제일 먼저 달러(USD)의 과거 환율(historical exchange rate)을 나타내는 데이터를 찾는 일부터 해야 할 것으로 보인다. 퀀들 데이터와 판다스를 사용하면 이러한 일을 1분 만에 마칠 수 있다. 그림 1-1에는(그림 모양을 꾸미는 데 필요한 파라미터를 일부 생략함), 다음에 나오는 파이썬 코드를 실행했을 때 그 결과로 나온 그림이 나타나 있다. 판다스가 명시적으로 가져오기(import)를 하지는 않았지만, 기본적으로 퀀들이라고 부르는 파이썬 래퍼 패키지가 100일 단순이동평균(simple moving average, SMA)을 추가하고, SMA를 사용해 원시 데이터를 시각화하는 데 쓸 DataFrame 객체를 반환한다.
--- p.6

파이썬을 이용해 아이컨 API를 가지고 일할 때는 비정형 데이터를 쉽게 검색할 수 있다는 핵심 강점을 누릴 수 있으며, 검색을 한 다음에 파이썬 패키지들을 사용해 데이터를 파싱하고 분석함으로써 자연어 처리(natural language processing, NLP)를 할 수 있다. 이러한 절차는 금융 시계열 데이터만큼 간단하며 수월하다. 다음에 나오는 코드는 애플 주식회사(Apple Inc.)를 회사로 포함하고 ‘Macbook’이라는 단어를 포함하는, 고정된 시간간격(즉, 범위) 안에 있는 뉴스 제목을 검색한다. 조건에 일치하는 뉴스들이 최근 뉴스부터 시작해서 최대 다섯 개까지 표시된다.
--- p.67

DataFrame 객체에 있는 금융 시계열 데이터를 SQLite3 같은 관계형 데이터베이스로 직접 써넣을 수도 있다. 관계형 데이터베이스를 사용하게 되면, 더 정교하게 분석할 수 있게 SQL 쿼리 언어를 적용해야 하는 시나리오에서 유용할 수 있다. 속도 및 디스크 사용량과 관련하여 말하자면, 관계형 데이터베이스는 HDF5 같은 바이너리 스토리지 형식에 의존하는 다른 접근 방식과 비교할 수 없다.
--- p.79

이번 장에서는 선형회귀(linear regression) 같은 통계 기술과 로지스틱 회귀(logistic regression) 같은 머신러닝 기술을 도입하여 과거 수익을 기반으로 미래 가격의 움직임을 예측해 보겠다. 또한, 신경망(neural networks)을 사용해 주식 시장의 움직임을 예측하는 방법을 보여준다. 물론 이번 장만으로 머신러닝을 철저하게 소개할 수는 없지만, 실무자의 관점에서 특정 기술을 사용해 가격 예측 문제를 구체적으로 푸는 방법 정도는 보여줄 수 있다.
--- p.125

알고리즘 트레이딩과 관련해서는 ‘총 가용 자본을 고려할 때 주어진 알고리즘 트레이딩 전략에 얼마나 많은 자본을 배치해야 하는가?’가 핵심 질문 사항이다. 이 질문에 대한 답은 알고리즘 트레이딩을 통해 달성하려는 주요 목표가 무엇인가에 따라 달라진다. 대부분의 개인과 금융 기관은 장기적인 부의 극대화(maximization of long-term wealth)가 좋은 목표 후보라는 데 동의할 것이다. 이것이 에드워드 소프(Edward Thorp)가 Rotando 및 Thorp(1992)에서 설명한 대로 투자에 대한 켈리기준(Kelly criterion)을 유도해 낼 때 고려했던 점이다. 간단히 말해서 켈리기준은 통계적 수익 특성들을 고려할 때 트레이더가 전략에 배치해야 하는 가용 자본 비율을 명시적으로 계산할 수 있게 하는 기준인 것이다.