트레이딩 학습 방법

삼성전자 주식 일봉 차트

트레이딩 학습 방법

나만의 투자 전략 실현을 위한 인공지능 퀀트 투자 학습법

알파고 이후 인공지능 기술은 제조, 의료, 교육, 게임, 보안 등 다양한 산업에 도입되었고, 머신러닝과 딥러닝을 기반으로 한 서비스가 생겨났다. 금융권도 인공지능이라는 날개를 달고 진화 중이다. 고객 대응, 자산 관리, 종목 분석, 주식 거래 등 지능형 시스템과 빅데이터를 활용하여 다양한 분야에서 폭넓은 서비스를 제공한다.

이 책은 주식 거래를 위한 자료 수집부터 퀀트 투자 전략과 머신러닝/딥러닝을 이용한 투자 전략까지 상세히 설명한다. 알고리즘 트레이딩에 대한 머신러닝과 딥러닝 방법의 한계와 가능성을 명확히 알려주고, 실전에서 활용 가능한 최신 모델링 기법을 알려준다. 예제 코드는 이해하기 쉽도록 짧고 간단하게 구성했다. 이 책의 내용을 잘 따라 하면 자신만의 투자 가설을 검증하고, 자신만의 투자 기법을 머신러닝 툴로 실현하며, 계량적 투자 전략을 구현하는 과정에서 트레이딩 학습 방법 만나는 문제를 해결할 수 있다.

머신러닝과 딥러닝을 활용한 투자 사례
금융 데이터 분석을 위한 넘파이, 판다스 활용법
파이썬으로 만드는 투자 전략과 주요 지표
금융 데이터를 이용한 전통 퀀트 전략 구현
머신러닝을 이용한 투자 전략 구현
딥러닝을 이용한 투자 전략 구현

출판사 서평

1990년대 개인 투자자는 대개 전광판에 있는 차트 하나에 의존해 투자했었다. 그 당시 증권가에 시스템 관리를 돕던 지인이 있었는데, 그분은 직접 빠르게 차트 데이터를 확인하고 투자할 수 있어, 전광판 차트에 의존하던 개인 투자자 대비 높은 수익률을 낼 수 있었다. 하지만 컴퓨터가 보급되어 일반인도 쉽게 차트를 분석하게 되면서 그동안 누려온 알파가 점차 사라졌다고 한다.

머신러닝도 마찬가지 아닐까? 머신러닝과 컴퓨터 과학 지식, 수많은 데이터로 무장한 헤지펀드가 훨씬 유리해 보일 수 있다. 하지만 데이터 민주화와 더불어 많은 유용한 오픈 소스가 공개되면서, 일반인도 마음만 먹으면 데이터와 편리한 기능을 제공하는 금융 라이브러리를 사용해 머신러닝 기반의 퀀트 전략을 구현할 수 있는 시대가 되었다. 지금 준비하지 않으면 늦을 수도 있다. ‘지금’이 바로 여러분의 시간이다. 부디 이 책을 통해 더 많은 사람들이 머신러닝 기반 투자 전략 개발에 관심을 갖고, 인공지능이 투자 금융에 미칠 파급력을 함께 고민하게 되기를 바란다.

일반 퀀트, 머신러닝 기반 계량 투자(퀀트)에 관심 있는 분
머신러닝을 실무(투자금융)에 적용해보고 싶은 투자자
금융 데이터에 관심이 많은 데이터 과학자, 학생, 일반인
4차 산업혁명 시대를 준비하는 금융업계 관리자
미국과 한국 금융업계에서 활용하는 머신러닝 알고리즘이 궁금한 분

DBpia

비밀번호를 변경하신 지 90일 이상 지났습니다.
개인정보 보호를 위해 비밀번호를 변경해 주세요.

비밀번호를 변경하신 지 90일 이상 지났습니다.
개인정보 보호를 위해 비밀번호를 변경해 주세요.

간편 교외 인증 이벤트 응모

• 한국정보기술학회
• 한국정보기술학회논문지
• 한국정보기술학회논문지 제17권 제4호(JKIIT, Vol.17, No.4)

• 2019.04
• 1 - 8 (8 pages)

내서재 담기 미리보기 이용하기

초록·키워드 목차 오류제보하기

본 연구는 주가 기본 데이터와 기술 분석 데이터 그리고 주가 변동 요소 데이터를 이용하여, 트레이딩 행동예측을 위한 강화학습 모델을 구현하였다. 강화학습 모델은 에이전트를 인공신경망으로 사용하였으며, 환경은 현재 상태, 다음 상태, 행동, 보상, 에피소드 종료로 구축하였다. 본 연구는 세 가지 강화학습 모델을 구축하여 학습결과를 비교하였다. 첫 번째 모델은 버퍼의 학습 데이터를 랜덤하게 추출하고, 하나의 신공신경망으로 학습하였다. 두 번째 모델은 버퍼의 데이터를 순서적으로 추출하고, 두 개의 인공신경망으로 학습하였다. 세 번째 모델은 버퍼의 데이터를 랜덤하게 추출하고 두 개의 인공신경망으로 학습하였다. 실험 결과, 세 번째 방법이 근소하게 결과가 좋았으며, 학습 결과가 10배에서 1000배 까지의 이득을 남기는 행동을 하였다. 또한, 학습결과가 좋은 종목이 테스트 결과도 좋았으며, 이것은 종목별로 주가의 패턴에 기인한 것으로 추정된다. #machine learning #reinforcement learning #deep learning #trading forecast #markov decision process

요약
Abstract
Ⅰ. 서론
Ⅱ. 관련연구
Ⅲ. 강화학습 모델
Ⅳ. 결과 및 비교
Ⅴ. 결론 및 향후 과제
References

트레이딩 학습 방법

금융 머신러닝 상품번호 : 854952

머신러닝 방법을 금융에 도입하는 혁신적인 방법을 보여준다. 총 3부로 구성되며 각각 이론과 실전 응용을 다룬다. 1부는 베이지안과 빈도주의 각각의 관점에서 횡단면 데이터 분석을 위한 지도학습 방법론을 설명하고, 고급 기법인 가우시안 프로세스 및 딥러닝을 투자 관리와 파생상품 모델링에 적용하는 예제를 보여준다. 2부는 금융 시계열 데이터에 대한 다양한 지도학습 방법을 트레이딩과 확률적 변동성 및 고정소득 분석에 적용하는 것을 알려준다. 마지막으로 3부에서는 최첨단의 강화학습 및 역강화학습의 트레이딩, 투자 및 자산관리에의 응용을 제시한다. 결정적으로 마지막 장에서 미래 연구를 위해 금융에서의 머신러닝의 최첨단 분야를 제시하며 물리학과의 대통합을 시도한다. 이해를 돕기 위해 파이썬 코드 예제들을 제공한다.

1부. 횡단면 데이터를 사용한 머신러닝

1장. 정보 이론 입문

1. 배경
1.1 빅데이터: 금융 분야의 빅 컴퓨팅
1.2 핀테크
2. 머신러닝과 예측
2.1 엔트로피
2.2 신경망
3. 통계 모델링과 머신러닝
3.1 모델링 패러다임
3.2 금융 계량경제학과 머신러닝
3.3 과적합
4. 강화학습
5. 지도 머신러닝 실제 사례
5.1 알고리듬 트레이딩
5.2 고빈도 트레이드 실행
5.3 모기지 모델링
6. 요약
7. 연습문제
부록
참고 문헌

1. 서론
2. 베이지안 대 빈도주의 추정
3. 데이터로부터 빈도주의 추정
4. 추정량의 품질 평가: 편향과 분산
5. 추정량에 대한 편향-분산 트레이드오프(딜레마)
6. 데이터로부터 베이지안 추론
6.1 더 정보성이 큰 사전분포: 베타 분포
6.2 순차적 베이지안 업데이트
6.3 고전적 또는 베이지안 추정 프레임워크 선택의 실무적 의미
7. 모델 선택
7.1 베이지안 추론
7.2 모델 선택
7.3 많은 모델이 있을 때 모델 선택
7.4 오캠의 면도날
7.5 모델 평균화
8. 확률적 그래프 모델
8.1 혼합 모델
9. 요약
10. 연습문제
부록
참고 문헌

3장. 베이지안 회귀와 가우시안 프로세스

1. 서론
2. 선형회귀를 활용한 베이지안 추론
2.1 최대 우도 추정
2.2 베이지안 예측
2.3 슈어 항등식
3. 가우시안 프로세스 회귀
3.1 금융에서 가우시안 프로세스
3.2 가우시안 프로세스 회귀와 예측
3.3 하이퍼파라미터 튜닝
3.4 계산 특성
4. 대규모 확장 가능 가우시안 프로세스
4.1 구조 커널 보간(SKI)
4.2 커널 트레이딩 학습 방법 근사
5. 예제: 단일 GP를 활용한 가격 결정과 그릭 계산
5.1 그릭 계산
5.2 메시 프리 GP
5.3 대규모 확장 가능 GP
6. 다중 반응 가우시안 프로세스
6.1 다중 출력 가우시안 프로세스 회귀와 예측
7. 요약
8. 연습문제
8.1 프로그래밍 연관 문제
부록
참고 문헌

1. 서론
2. 순전파 구조
2.1 예비지식
2.2 순전파 네트워크의 기하학적 해석
2.3 확률적 추론
2.4 딥러닝을 활용한 함수 근사*
2.5 VC 차원
2.6 신경망이 스플라인인 경우
2.7 왜 심층 네트워크를 사용하는가?
3. 볼록성과 부등식 제약식
3.1 MLP와 다른 지도학습기와의 유사성
4. 훈련, 검증, 테스트
5. 확률적 그래디언트 하강법(SGD)
5.1 역전파
5.2 모멘텀
6. 베이지안 신경망*
7. 요약
8. 연습문제
8.1 프로그래밍 연관 문제*
부록
참고 문헌

1. 서론
2. 해석 가능성에 대한 배경
2.1 민감도
3. 신경망의 설명력
3.1 다중 은닉층
3.2 예제: 스텝 테스트
4. 상호작용 효과
4.1 트레이딩 학습 방법 예제: 프리드만 데이터
5. 자코비안 분산에 대한 상한
5.1 체르노프 상한
5.2 시뮬레이션 예제
6. 팩터 모델링
6.1 비선형 팩터 모델
6.2 펀더멘털 팩터 모델링
7. 요약
8. 연습문제
8.1 프로그래밍 연관 문제
부록
참고 문헌

1. 서론
2. 자기회귀 모델링
2.1 예비지식
2.2 자기회귀 프로세스
2.3 안정성
2.4 정상성
2.5 편자기상관관계
2.6 최대 우도 추정
2.7 이분산성
2.8 이동 평균 프로세스
2.9 GARCH
2.10 지수 평활화
3. 시계열 모델 적합화: 박스-젠킨스 접근법
3.1 정상성
3.2 정상성을 보장하는 변환
3.3 식별
3.4 모델 진단
4. 예측
4.1 예측 이벤트
4.트레이딩 학습 방법 2 시계열 교차 검증
5. 주성분 분석
5.1 주성분 투영
5.2 차원 축소
6. 요약
7. 연습문제
부록
참고 문헌

7장. 확률적 시퀀스 모델

1. 서론
2. 은닉 마르코프 모델링
2.1 비터비 알고리듬
2.2 상태-공간 모델
3. 입자 필터링
3.1 순차적 중요도 리샘플링(SIR)
3.2 다항 리샘플링
3.3 응용: 확률적 변동성 모델
4. 확률적 필터의 점 보정
5. 확률적 필터의 베이지안 보정
6. 요약
7. 연습문제
부록
참고 문헌

1. 서론
2. 순환 신경망
2.1 RNN 메모리: 편자기공분산
2.2 안정성
2.3 정상성
2.4 일반화된 신경망(GRNN)
3. GRU
3.1 α-RNNs
3.2 신경망 지수 평활화
3.3 LSTM
4. 파이썬 노트북 예제
4.1 비트코인 예측
4.2 지정가 주문 호가창으로부터 예측
5. 합성곱 신경망
5.1 가중 이동 평균 평활기
5.2 2D 합성곱
5.3 풀링
5.4 팽창 합성곱
5.5 파이썬 노트북
6. 오토인토더
6.1 선형 오토인코더
6.2 선형 오토인코더와 PCA의 동등성
6.3 딥 오토인코더
7. 요약
8. 연습문제
8.1 프로그래밍 관련 질문*
부록
참고 문헌

3부. 순차적 데이터와 의사결정

1. 서론
2. 강화학습의 요소
2.1 보상
2.2 가치와 정책 함수
2.3 관측 가능 대 부분 관측 가능 환경
3. 마르코프 의사결정 프로세스
3.1 의사결정 정책
3.2 가치 함수와 벨만 방정식
3.3 최적 정책과 벨만 최적성
4. 동적 프로그래밍 방법
4.1 정책 평가
4.2 정책 반복
4.3 가치 반복
5. 강화학습법
5.1 몬테카를로 방법
5.2 정책 기반 학습
5.3 시간 차이 학습
5.4 SARSA와 Q 러닝
5.5 확률 근사와 배치 모드 Q 러닝
5.6 연속 공간에서의 Q 러닝: 함수근사
5.7 배치 모드 Q 러닝
5.8 최소 자승 정책 반복
5.9 심층 강화학습
6. 요약
7. 연습문제
부록
참고 문헌

10장. 강화학습 응용

1. 서론
2. 옵션 가격 결정을 위한 QLBS
3. 이산 시간 블랙-숄즈-머튼 모델
3.1 헷징 포트폴리오 평가
3.2 최적 헷징 전략
3.3 이산 시간에서의 옵션 가격 결정
3.4 BS 극한에서의 헷징과 가격 결정
4. QLBS 모델
4.1 상태 변수
4.2 벨만 방정식
4.3 최적 정책
4.4 DP 해: 몬테카를로 구현
4.5 QLBS에 대한 RL 해: 적합화된 Q 반복(FQI)
4.6 예제
4.7 옵션 포트폴리오
4.8 가능한 확장
5. 주식 포트폴리오를 위한 G-러닝
5.1 서론
5.2 투자 포트폴리오
5.3 최종 조건
5.4 자산 수익률 모델
5.5 시그널 동학과 상태 공간
5.6 1기간 보상
5.7 다기간 포트폴리오 최적화
5.8 확률적 정책
5.9 준거 정책
5.10 벨만 최적 방정식
5.11 엔트로피 규제화 벨만 최적성 방정식
5.12 G-함수: 엔트로피 규제화 Q 함수
5.13 G-러닝과 F-러닝
5.14 시장 충격을 가진 포트폴리오 동학
5.15 제로 함수 극한: 엔트로피 규제화를 가진 LQR
5.16 영이 아닌 시장 충격: 비선형 동학
6. 자산 관리를 위한 RL
6.1 머튼 소비 문제
6.2 확정 기여형 퇴직 플랜을 위한 포트폴리오 최적화
6.3 은퇴 플랜 최적화를 위한 G-러닝
6.4 논의
7. 요약
8. 연습문제
부록
참고 문헌

11장. 역강화학습과 모방학습

1. 서론
2. 역강화학습
2.1 RL 대 IRL
2.2 IRL의 성공 기준은 무엇인가?
2.3 진정으로 전이 가능한 보상 함수가 IRL로 학습될 수 있을까?
3. 최대 엔트로피 역강화학습
3.1 최대 엔트로피 원리
3.2 최대 인과 엔트로피
3.3 G-러닝과 소프트 Q 러닝
3.4 최대 트레이딩 학습 방법 엔트로피 IRL
3.5 분배 함수 추정
4. 예제: 소비자 선호 추론을 위한 MaxEnt IRL
4.1 IRL과 소비자 선택 문제
4.2 소비자 효용 함수
4.3 소비자 효용을 위한 최대 엔트로피 IRL
4.4 데이터가 얼마나 필요한가? IRL과 관측 잡음
4.5 반사실적 시뮬레이션
4.6 MLE 추정량의 유한-샘플 속성
4.7 논의
5. 적대적 모방학습과 IRL
5.1 모방학습
5.2 GAIL: 적대적 생성 모방학습
5.3 IRL에서 RL을 우회하는 기술로서의 GAIL
5.4 GAIL에서의 실제적 규제화
5.5 GAIL에서의 적대적 학습
5.6 다른 적대적 접근법*
5.7 f-발산 훈련*
5.8 와서스타인 GAN*
5.9 최소 제곱 GAN*
6. GAIL을 넘어: AIRL, f-MAX, FAIRL, RS-GAIL 등*
6.1 AIRL: 적대적 역강화학습
6.2 전방 KL 또는 후방 KL?
6.3 f-MAX
6.4 순방향 KL: FAIRL
6.5 리스크 민감 GAIL(RS-GAIL)
6.6 요약
7. 가우시안 프로세스 역강화학습
7.트레이딩 학습 방법 트레이딩 학습 방법 1 베이지안 IRL
7.2 가우시안 프로세스 IRL
8. IRL은 교사를 능가할 수 있을까?
8.1 실패로부터의 IRL
8.2 학습 선호
8.3 T-REX: 경로-순위 보상 외삽
8.4 D-REX: 교란-기반 보상 외삽
9. 금융 절벽 걷기를 위한 IRL의 시도
9.1 최대 인과 엔트로피 IRL
9.2 실패로부터 IRL
9.3 T-REX
9.4 요약
10. IRL의 금융 응용
10.1 알고리듬 트레이딩 전략 식별
10.2 옵션 가격 결정을 위한 역강화학습
10.3 G-러닝과 포트폴리오 투자가의 IRL
10.4 감성 기반 트레이딩 전략을 위한 IRL과 보상학습
10.5 IRL과 ‘보이지 않는 손’ 추론
11. 요약
12. 연습문제
부록
참고 문헌

12장. 머신러닝과 금융의 최전선

1. 서론
2. 시장 동학, 역강화학습과 물리학
2.1 ‘퀀텀 균형-불균형’(QED) 모델
2.2 랑주뱅 방정식
2.3 랑주뱅 방정식으로서 GBM 모델
2.4 랑주뱅 방정식으로서 QED 모델
2.5 금융 모델링에 대한 통찰력
2.6 머신러닝에 대한 통찰력
3. 물리학과 머신러닝
3.1 딥러닝과 물리학에서의 계층적 표현
3.2 텐서 네트워크
3.3 불균형 환경에서의 제한된 합리적 에이전트
4. 머신러닝의 ‘대통합’
4.1 인지-행동 주기
4.2 정보 이론과 강화학습의 접점
4.3 강화학습과 지도학습: 예측, MuZero와 다른 새로운 아이디어
참고 문헌

상세 이미지

저자 소개

탈레시안사의 트레이딩 학습 방법 CEO이자 설립자로, 여러 자산 클래스에 걸친 전자 및 알고리듬 트레이딩 전문가이며, 도이체뱅크와 씨티그룹에서 이러한 사업을 구축하는 데 도움을 줬다. 전자 트레이딩에 집중하기 전에는 파생상품에 관해 일했으며 노무라, 리먼 브라더스, 모건 스탠리에서 퀀트 역할을 해왔다. 크라이스트 처치 대학(Christ Church College), 옥스포드(Oxford), 임페리얼 칼리지(Imperial College)에서 교육을 받았다. 수학 및 계량 금융뿐만 아니라 머신러닝과 수학 논리에 관심이 많다.

카네기멜론대학교에서 석사 학위를 받았고, 피츠버그대학교의 Finance Ph.D, CFA, FRM이자 금융, 투자, 경제분석전문가다. 삼성생명, HSBC, 새마을금고중앙회, 한국투자공사 등과 같은 국내 유수의 금융기관, 금융 공기업에서 자산 운용 포트폴리오 매니저로 근무했으며 현재 딥러닝과 강화학습을 금융에 접목시켜 이를 전파하고 저변을 확대하는 것을 보람으로 삼고 있다. 저서로는 『엑셀 VBA로 쉽게 배우는 금융공학 프로그래밍』(한빛미디어, 2009)이 있으며, 번역서로는 『포트폴리오 성공 운용』(미래에셋투자교육연구소, 2010), 트레이딩 학습 방법 『딥러닝 부트캠프 with 케라스』(길벗, 2017), 『프로그래머를 위한 기초 해석학』(길벗, 2018)과 에이콘출판사에서 출간한 『실용 최적화 알고리즘』(2020), 『초과 수익을 찾아서 2/e』(2020), 『자산운용을 위한 금융 머신러닝』(2021), 『실전 알고리즘 트레이딩 배우기』(2021), 『존 헐의 비즈니스 금융 머신러닝 2/e』(2021), 『퀀트 투자를 위한 머신러닝?딥러닝 알고리듬 트레이딩 2/e』(2021), 『자동머신러닝』(2021), 『금융 머신러닝』(2022) 등이 있다. 누구나 자유롭게 머신러닝과 딥러닝을 자신의 연구나 업무에 적용해 활용하는 그날이 오기를 바라며 매진하고 있다.

출판사 리뷰

◈ 이 책의 대상 독자 ◈

계량 금융, 데이터 과학, 분석, 핀테크 분야의 경력을 쌓으려는 데이터 과학, 수학 금융, 금융 공학, 경영 과학 연구 분야의 대학원생을 대상으로 한다. 선형 대수학, 다변량 미적분학, 고급 확률 이론, 확률 과정, 시계열 통계학(계량경제학)의 고학년 학부 과정을 이수하고 수치 최적화와 계산 수학에 대해 기본적으로 이해하고 있어야 한다. 이 책의 후반부에 있는 강화학습은 투자 과학에 대한 약간의 배경지식만 있다면 더 쉽게 접근할 수 있다. 또한 파이썬 프로그래밍에 대한 사전 경험이 있어야 하며, 이상적으로는 컴퓨터 금융 및 입문 머신러닝에 대한 강의를 듣는 것이 좋다. 이 책의 자료는 머신러닝에 대한 대부분의 과정보다 수학적이고 공학에 덜 집중돼 있으며, 이러한 이유로 길버트 스트랭(Gilbert Strang)의 최신 서적인 『딥러닝을 위한 선형대수학(Linear Algebra and Learning from Data)』을 기본으로 읽을 것을 추천한다.

1장
금융 산업의 머신러닝 필요성과 채택에 대한 고유한 장벽을 형성한 중요한 사건을 논의하며 금융 머신러닝의 산업 맥락을 짚는다. 머신러닝의 특성과 머신러닝이 실제로 어떻게 사용되는지를 보여주는 몇 가지 수학적 핵심 예를 살펴본다.

2장
확률적 모델링을 소개하고 베이지안 추론, 모델 선택, 온라인 학습, 베이지안 모델 평균화와 같은 베이지안 계량학의 기본 개념을 검토한다.

3장
베이지안 회귀분석을 소개하고 이전 장의 많은 개념을 어떻게 확장하는지 보여준다. 커널 기반 머신러닝 방법(특히 베이지안 머신러닝 방법의 중요한 클래스인 가우시안 프로세스 회귀)을 개발하고 파생상품 가격의 모델을 ‘대리’하기 위한 이들의 적용을 입증한다.

4장
지도학습, 딥러닝, 신경망에 대해 좀 더 심층적으로 설명하며, 기초적인 수학과 통계 학습 개념을 제시하고 이들이 트레이딩, 위험 관리, 투자 관리에서 실제 사례와 어떻게 관련돼 있는지 설명한다.

5장
신경망 설계에 최소한의 제한을 가하는 신경망 해석 방법을 제시한다. 특성 중요도에 순위를 매기는 트레이딩 학습 방법 방법을 포함해 순전파 신경망을 해석하는 기법을 시연한다.

6장
금융 계량경제학에서 가장 중요한 모델링 개념에 대한 개요를 제공한다.

7장
재무 데이터에 대한 강력한 종류의 확률적 모델을 제시한다. 다양한 알고리듬으로 금융에서의 은닉 마르코프 모델과 입자 필터의 간단한 예를 제시한다.

8장
금융 시계열 분석을 위한 트레이딩 학습 방법 다양한 신경망 모델을 제시하며, 이러한 모델이 금융 계량경제학에서 잘 알려진 기술과 어떻게 관련되는지 보여주는 예를 제공한다. 또한 시계열 데이터를 필터링하고 데이터의 다른 척도를 활용하기 위한 합성곱 신경망(CNN)도 제시한다. 마지막으로 오토인코더가 정보를 압축하고 주성분 분석을 일반화하는 데 어떻게 사용되는지 보여준다.

9장
마르코프 의사결정 프로세스와 동적 프로그래밍의 고전적인 방법을 소개하고 강화학습의 아이디어와 MDP를 해결하기 위한 다른 근사 방법을 제공한다. Q 러닝으로 이동하기 전에 벨만 최적성, 반복 가치와 정책 업데이트를 설명한 후 탐욕, 배치 학습, Q 러닝과 같은 주요 계산 개념을 다루면서 주제에 대한 좀 더 엔지니어링 스타일의 설명으로 빠르게 진행한다.

10장
앞서 제시한 이론을 발전시키고 더불어 금융에 대한 강화학습을 실제로 적용해본다. 기존의 블랙-숄즈 모델을 Q 러닝을 이용한 데이터 중심 접근법으로 일반화하는 옵션 가격 결정 강화학습 접근법을 소개한다. 그런 다음 G-러닝이라는 Q 러닝의 확률론적 확장을 제시하고 동적 포트폴리오 최적화에 어떻게 사용할 수 있는지를 보여준다.

11장
역강화학습(IRL)과 모방학습(IL)의 가장 인기 있는 방법에 대한 개요를 살펴본다. 그런 다음 트레이딩 전략 식별, 감성 기반 트레이딩, 옵션 가격 결정, 포트폴리오 투자자의 추론, 시장 모델링에 대한 애플리케이션을 포함하는 계량 금융에서 IRL의 사용 사례를 살펴본다.

12장
계량 금융과 머신러닝에서 새롭게 부상하는 연구 주제를 설명한다. 에이전트의 인지-행동 주기의 두 가지 작업으로 지도학습과 강화학습의 통합을 다루며, 시장 역학 모델을 구성하고자 강화학습 방법을 사용하는 것도 다룬다. 또한 이러한 RL에서 영감을 받은 시장 모델에 대한 계산을 위한 몇 가지 고급 물리학 기반 접근법을 소개한다.

금융에서의 머신러닝은 패턴 인식, 금융 계량경제학, 통계 컴퓨팅, 확률 프로그래밍, 동적 프로그래밍을 포함한 다수의 새로운 분야의 교차점에 위치한다. 계산 자원과 대규모 데이터 세트가 증가하는 추세와 함께 머신러닝은 오픈소스 머신러닝 툴킷으로 제공되는 플러그앤플레이 알고리듬에 중점을 두고 컴퓨팅 엔지니어링 분야의 핵심으로 성장했다. 알고리듬 거래와 같은 알고리듬에 초점을 맞춘 금융 영역이 주로 머신러닝 기술을 채택했지만 공학에 기반을 둔 연구 단체와 기업 활동의 영역을 벗어나면 머신러닝의 많은 부분은 여전히 미스터리로 남아 있다.

공학을 전공하지 않은 학생과 실무자의 머신러닝을 이해하는 데 있어 핵심적인 장벽은 금융 시계열 분석에 적합한, 잘 확립된 이론과 개념이 없다는 것이다. 이것들은 금융 모델링 직관과 과학적 추론의 발전에서 기초 역할을 한다. 더욱이 머신러닝은 공학 트레이딩 학습 방법 실재론(ontology)에 크게 정착돼 있어 수학, 통계, 물리학, 경제 같은 계량적 분야의 학생, 학자, 금융 실무자들이 어느 정도 지적 접근을 할 수 없게끔 만든다. 결과적으로 이 분야에 필요한 능력에 대해 많은 오해가 있으며 이해하더라도 제한적이다. 머신러닝 기법은 종종 효과적이지만 여전히 제대로 이해되지 않고 종종 수학적으로 받아들여지기 어렵다. 시계열 분석, 계량경제학, 수학 통계에서 좀 더 기초적인 이론의 맥락에서 머신러닝 분야의 핵심 개념을 어떻게 배치할 것인가? 심층 신경망과 같은 고급 머신러닝 기법이 선형회귀와 같은 잘 알려진 통계 모델과 수학적으로 동등한 조건인 것은 어느 조건에서인가? 서로 다른 금융 애플리케이션에 대한 좀 더 전통적인 계량경제학 방법에 비해 머신러닝 학습 방법을 사용함으로써 얻을 수 있는 이익에 대해 어떻게 추론해야 하는가? 어떤 이론이 금융 모델링 문제에 머신러닝의 적용을 지원하는가? 강화학습은 파생상품 가격 결정을 위한 블랙-숄즈-머튼(Black-Scholes-Merton) 모델에 모델 독립적 접근 방식을 어떻게 제공하고 있는가? Q 러닝은 금융에서 이산 시간 확률적 제어 문제를 어떻게 일반화하는가?

이 책은 계량 금융 분야의 퀀트와 데이터 과학자 외에 금융 경제학, 경영학, 응용통계학 분야의 고급 대학원생과 학자를 대상으로 작성됐다. 우리는 머신러닝을 데이터, 정규화, 편향-분산 트레이드오프를 제어하기 위한 기법의 새로운 알고리듬 표현에 중점을 두고 금융 경제학과 동적 프로그래밍 같은 계량경제학의 다양한 주제에 대한 비선형 확장으로 제시해 표본 외 예측 개선을 유도한다.

이 책은 이론과 응용을 다루는 세 부분으로 나눠져 있다. 첫 번째 부분은 베이지안과 빈도주의의 관점에서 횡단면 데이터에 대한 지도학습을 제시한다. 좀 더 진보된 내용으로 투자 관리 및 파생상품 모델에 대해 가우시안 프로세스뿐 아니라 딥러닝을 포함한 신경망의 중요성을 강조한다. 두 번째 부분에서는 시계열 데이터에 대한 지도학습을 다룬다. 이는 거래, 확률적 변동성, 고정 소득 모델링의 예에서 보듯이 금융에 사용되는 가장 일반적인 데이터 유형이다. 마지막으로 세 번째 부분에서는 강화학습과 트레이딩, 투자, 자산 관리에 대한 응용을 다룬다. 이 책은 방법론과 애플리케이션에 대한 독자의 이해를 돕고자 파이썬 코드 예를 제공한다. 이 새로운 분야의 연구를 위한 가교로, 이 책은 연구자의 관점에서 금융에서의 머신러닝의 최전선 경계를 제시해 통계 물리학에서 잘 알려진 개념들이 금융에서 머신러닝을 위한 연구 주제로 얼마나 많이 등장할 가능성이 있는지를 강조한다.

금융업에 종사하면서 세계의 많은 석학과 유명 펀드 매니저들을 만났다. 특히 금융 퀀트 부문의 리서처와 매니저들을 접할 수 있는 기회가 있었다. 거듭 느끼는 것이지만 분야를 막론하고 투자 철학이 중요하며 그러한 투자 철학을 갖게 한 경험과 전통이 중요하다는 것을 깨닫는다. 한국인이 (최고로) 잘할 수 있는 분야가 자산 운용, 그중에서도 퀀트 분야라고 생각한다. 자유로이 연구하고 운용할 자원이 부족하며 전통과 경험이 미천하다는 약점 역시 존재한다. 이러한 상황을 타파하고자 독자들이 전통과 경험을 단기간에 뛰어넘기 위한 학습에 도움을 줄 수 있는 ‘금융 퀀트 머신러닝 융합’ 시리즈를 기획했다.

이 시리즈는 세 개의 기둥을 갖는데, 이 책은 그중 마지막 단계이자 세 번째 기둥이 돼 줄 작품이다. 첫 번째 기둥이 스테판 젠슨의 『퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩 2/e』이며 두 번째 기둥은 마르코스 로페즈 데 프라도 교수의 『실전 금융 머신러닝 완벽 분석』과 『자산 운용을 위한 금융 머신러닝』이다. 첫 번째 기둥이 일반적인 머신러닝/딥러닝 기법을 금융에 그대로 적용하고자 하는 시도를 담은 책이라면 두 번째 기둥은 머신러닝 자체보다는 머신러닝이 금융에 도입될 때 생겨날 수 있는 많은 문제를 다루며, 머신러닝적 사고를 통해 금융의 특수한 설정을 잘 반영함으로써 금융과 머신러닝의 결합이 더욱 유용할 수 있다는 것을 강조하고 있다. 세 번째 기둥은 오히려 고전적 경제학 및 금융의 입장에서 머신러닝과 딥러닝을 도입해 머신러닝을 오히려 금융적 관점에 해석하고 기존 금융 경제학을 발전시키고자 한다. 많은 머신러닝/딥러닝 및 심지어 물리학 개념이 도입됐음에도 불구하고 오히려 금융 경제학에 뿌리를 두고 있는 독자는 무엇인가 더 친근함을 느낄 것이다. 동시에 기존 금융 경제학이 머신러닝을 반영하면서 이런 방향으로 뻗어나가고 있구나 하는 것을 실감할 수 있을 것이다.

더 나아가서 고전 경제학과 금융이 기반을 두고 있는 물리학과 통계학의 많은 기존 개념 및 최신 이론을 머신러닝에 더욱 가미해서 금융적 맥락에서 성능을 더욱 발휘하게 만든다. 이번 기둥은 그야말로 ‘통합의 길’을 제시하고 있다. 이 시리즈의 완성본이라고도 할 수 있을 것이다. 기본적인 머신러닝과 딥러닝을 익힌 독자는 이 세 기둥을 통해 진정한 금융 퀀트의 길에 접어든다고 할 수 있다. 너무나 유익하고 재미있는 앞으로의 항로에 기대를 건다.

SSG.COM

파이썬과 케라스를 이용한 딥러닝/강화학습 주식투자 - 퀀트 투자, 알고리즘 트레이딩을 위한 최첨단 해법 입문

SSG.COM 삼성 결제 시 7%할인 / 최대 3만원

SSG MONEY 1% 적립 + 4% 추가 적립 바로가기

20,925 원

SSG.COM 삼성 결제시 7%할인 / 최대 3만원

21,375 원

신한, 이마트신한, 신세계신한 7만원 이상 결제시 5%할인 / 최대 5만원
(※SSGPAY결제수단 이용 시 적용)

• 무이자 할부는 결제 금액 기준으로 적용됩니다.
• 미가공귀금속, 상품권 등은 일부 개월수 적용 제외됩니다.(주문서에서 확인 필수)
• 법인/체크카드는 할부 대상에서 제외됩니다.
• SSGPAY 아이콘 표시는 SSGPAY로 결제 시에만 적용됩니다.

무이자 할부 혜택 상세정보 트레이딩 학습 방법

SSG.COM카드 EDITION2	1만원 이상 20만원 이상 100만원 이상	최대 7개월 최대 12개월 최대 20개월
SSG.COM카드	1만원 이상 20만원 이상 100만원 이상	최대 7개월 최대 12개월 최대 20개월
이마트e카드(현대카드)	1만원 이상 20만원 이상 100만원 이상	최대 7개월 최대 12개월 최대 20개월
현대카드	1만원 이상 20만원 이상 100만원 이상	최대 7개월 최대 12개월 최대 20개월
이마트KB국민카드	5만원 이상	최대 7개월
KB국민카드	5만원 이상	최대 7개월
이마트삼성카드	5만원 이상	최대 6개월
SSG.COM 삼성카드	5만원 이상	최대 6개월
신세계삼성카드	5만원 이상	최대 6개월
트레이더스삼성카드	5만원 이상	최대 6개월
삼성카드	5만원 이상	최대 6개월
이마트신한카드	5만원 이상	최대 7개월
신세계신한카드	5만원 이상	최대 7개월
신한카드	5만원 이상	최대 7개월
비씨카드	5만원 이상	최대 7개월
하나카드	5만원 이상	최대 8개월
롯데카드	5만원 이상	최대 4개월
NH카드	5만원 이상	최대 8개월
신세계씨티카드	5만원 이상 50만원 이상	최대 6개월 최대 12개월
씨티카드	5만원 이상 50만원 이상	최대 6개월 최대 12개월
우리카드	5만원 이상	최대 7개월
IBK기업은행카드	5만원 이상	최대 7개월

스마일클럽 가입비 지원 + ~12% 적립 자세히 보러가기

SSG MONEY 1% 무제한 적립 + 추가 4% 적립 첫 결제 쿠폰 제공 자세히 보러가기

• 택배배송 8/1(월) 도착 예정

• 판매자가 직접 입력한 배송일자 입니다.
  판매자와 택배사의 사정에 따라 실제 배송 완료일과 다를 수 있습니다.

일부 상품은 지역에 따라 차이가 있을 수 있습니다.

• 무료 (2만원 이상 무료)

연간 총 급여 7천만원 이하 근로소득자 중 신용카드, 현금등의 사용액이 총 급여의 25%를 초과하는 근로자

공제 내용

신용카드, 현금으로 도서·공연의 구입비에 대해 추가 소득공제

• 공제율 : 30%, 공제한도 : 100만원
• 현금성 결제수단 중 프로모션/이벤트성으로 제공한 금액은 제외
• 공제 대상 상품은 장바구니의 다른 상품과 함께 구매할 수 없습니다.

조세특례제한법 제126조의2 (‘17.12.19개정, 제15227호)

관련문의

도서 · 공연 소득공제 안내 콜센터 : 1688-0700

직거래 유도 주의 안내

상품상세정보

상품 상세 정보

상품필수정보

위탁판매자정보

본 상품정보(상품상세정보, 상품기본정보 등)의 내용은 위탁판매자가 직접 등록한 정보입니다.

고객리뷰 (1 건 )

구매고객 총별점

※ 리뷰 등록, 수정, 삭제 및 상세 내용은 [MY SSG > 나의 활동관리 > 마이리뷰]에서 확인하실 수 있습니다.

추천 리뷰 목록

상품 Q&A (0 건 )

상품에 관한 문의가 아닌 배송, 결제, 교환/반품에 대한 문의는 고객센터 E-mail 상담을 이용해 주세요.

[투자] 공부하는 사람

안녕하세요! 차트 공부를 시작하시려는 분들을 위한 포스팅입니다. 많은 분들이 재테크의 일환으로 주식이나 암호화폐 등의 투자를 하고 있습니다. 투자의 기본은 싸게 사서 비싸게 파는 단순한 절차를 가지고 있지만, 말처럼 쉽지가 않습니다. 현재의 가격이 싼 가격인지 아닌지 판단하기는 매우 어렵기 때문입니다. 비싼 가격이라고 생각했는데, 더 비싸진다면 싼 가격이었던 것이고, 싼 가격이라고 생각했는데, 더 싸진다면 사실 비싼 가격이었던 것처럼 싸다, 비싸다는 것은 굉장히 결과론 적인 이야기입니다. 그렇기 때문에 함부로 미래를 예측했다간 소중한 우리 돈을 지킬 수가 없습니다.

삼성전자 주식 일봉 차트

차트는 가격의 흐름과 시장 분위기를 시각적으로 제공한다는 점에서 투자시 반드시 확인해야 하는 것이라고 생각합니다. 차트를 참고하는 것을 넘어 이를 분석할 경우 향후 가격의 움직임을 예측한다던지, 예상치 못한 움직임에 대응할 계획을 미리 세워두는 것이 가능합니다. 소중한 나의 돈을 투자하는 일인데, 주변의 권유라던지 믿을 수 없는 뉴스 따위에 맡길 수야 없죠! 누구도 대신하여 나의 돈을 불려주지 않기에 스스로 공부하는 수밖에 없습니다.

차트 분석 효과 있나요?

차트 분석을 믿지 않는 투자자들도 많이 있습니다. 차트 분석이 의미가 있냐는 게시물들이 투자 관련 커뮤니티에 심심치 않게 올라오는 것을 볼 수 있습니다. 하지만 이런 글을 쓴 사람들은 차트에 대한 기본적인 이해조차 없는 사람이며, 본인의 매매 스타일과 맞지 않는 지표로 차트를 분석하고 있을 확률이 높습니다. 차트 분석의 효과성에 대해서는 아래 포스팅을 참고해 주시기 바랍니다.

[주식 투자] 차트를 꼭 봐야 하는 이유! 주식 투자 막 하지 마세요.

코로나19로 인해 소비가 줄어드니 갈 곳 잃은 돈은 투자 시장으로 몰리나 봅니다. 많은 사람들이 재테크의 방법으로 주식, 암호화폐 등의 투자를 선택합니다. 이 글을 보시는 방문자님도 시장에

차트 분석을 통하여 가격의 움직임을 예측할 수 있습니다. 하지만 이 예측은 빗나가기도 합니다. 빗나가지 않는 예측은 없기 때문입니다. 따라서 차트 분석은 가격의 흐름을 예측하되, 예측이 빗나갔을 경우 어떻게 대응할지까지 포함하고 있습니다. 주식 등의 투자로 손실을 보는 대부분의 사람들은 일단 사고, 오를때 까지 기다리기 때문입니다. 가격이 오르리란 법도 없는데 일단 사면 언젠간 오를 것이라는 확신이 있나 봅니다. 물론 많은 주식은 현재 가격보다는 언젠간 오를 것입니다. 하지만 그 언제가 언제가 될지는 아무도 모르는 것이며, 가격이 오를 것이라는 희망은 가격이 오르기 전까지는 계속 유효하므로 계속 기다릴 수밖에 없는 것입니다. 내가 할 수 있는 선택권이 기다리는 것 외에는 없다는 것이죠. 하지만 차트 공부를 시작하고 지식과 경험이 차츰 쌓이게 된다면 주식을 사더라도 오르기를 기다리는 것 외에 할 수 있는 선택이 생긴다는 것이죠. 소중한 나의 돈을 투자하는 일인데, 너무 쉽게, 무책임하게 투자해 버리는 사람들이 많이 있는 것 같아요.

이 카테고리에는 차트 학습에 권장되는 순서로 계속하여 포스팅할 계획입니다. 차트 공부를 시작하시려는 분들은 포스팅 번호에 따라 천천히 자기것으로 만들면서 꾸준히 학습하시길 바랍니다. 단, 차트 공부를 했다고 해서 투자의 고수가 될 거라는 기대는 애초부터 하시면 안 됩니다. 이론과 실전은 분명히 다르다고 말씀드리고 싶습니다. 하지만 이론 없는 실전은 백전백패가 될 것입니다.