퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩
- 파이썬, Pandas, 텐서플로 2.0을 활용한 효과적인 트레이딩
퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩 2판
- 파이썬, Pandas, 텐서플로 2.0, Scikit-learn을 활용한 효과적인 트레이딩
개정판
스테판 젠슨 지음 | 홍창수, 이기홍 옮김 | 에이콘 출판 | 2021년 09월 30일 출간
# 교보문고 바로가기 https://bit.ly/2VJGkrd
# 알라딘 바로가기 https://bit.ly/2VIx7zc
# YES24 바로가기 https://bit.ly/3nBGexo
책소개
머신러닝과 딥러닝 기술을 이용해 알고리듬 트레이딩의 아이디어에서 실행까지 전반적인 프로세스를 서술하는 좋은 안내서다. 2판에서는 전략 백테스팅, 오토인코더, 적대적 생성 신경망(GAN), 이미지 형식으로 변환된 시계열에 합성곱 신경망(CNN) 적용과 같은 최신 내용을 추가했다. 또한 금융 시장 분석으로 100개 이상의 알파 팩터를 설명하고 있으며, 부록으로 기술적 분석에 관한 모든 것을 수록했다. 세계적으로 저명한 AI 콘퍼런스인 NeurIPS에서 발표된 최신 금융 딥러닝 연구를 소개하고 구현한다.
상세이미지
저자소개
저자 : 스테판 젠슨
Stefan Jansen
어플라이드 에이아이(Applied AI)의 창립자이자 CEO다. 포춘지 선정 500대 기업, 투자 기업 및 업계 전반에서 데이터와 AI 전략에 대해 조언하고, 데이터 과학 팀을 구성하고, 광범위한 비즈니스 문제에 대한 엔드투엔드 머신 학습 솔루션을 개발하고 있다.이전에는 국제 투자회사의 파트너이자 상무이사를 역임하며 예측 분석 및 투자 연구 업무를 구축했다. 15개 시장에서 영업을 하는 글로벌 핀테크 기업의 고위 임원으로 신흥국 중앙은행에 자문, 세계은행과 상담하기도 했다.조지아 공대에서 컴퓨터 공학 석사 학위를, 하버드 및 자유 대학교 베를린에서 경제학 석사 학위를 취득했고 CFA 자격증을 보유하고 있다. 유럽, 아시아, 미주 지역에서 6개 언어로 근무했으며 제너럴 어셈블리(General Assembly)와 데이터캠프(Datacamp)에서 데이터 과학을 가르쳤다
역자 : 홍창수
경북대학교에서 재무 전공으로 경영학 석사학위를 받고, 한국외국어대학교에서 「장외 개별주식옵션의 내재변동성에 관한 실증분석」으로 경영학 박사학위를 받았다. 2000년 외환선물㈜ 투자공학팀 애널리스트로 첫 직장 생활을 시작한 이후로 리딩투자증권 파생상품운용팀 옵션 딜러, 한국투자증권 리스크관리부 리스크퀀트로 근무했다. 한화투자증권에서 장외 파생상품겸영인가 취득에 참여한 이후 금융공학팀, OTC파생팀에서 장외파생상품 마케팅 담당 차장으로 근무했다. 이후 금융자산 평가회사인 NICE P&I㈜ 금융공학연구소 실장으로 근무했으며, 현재 정보사업본부에서 장외 파생상품 및 리스크 관련 금융공학 컨설팅 업무를 수행하고 있다. 지은 책으로는 『장외 파생상품 실무입문』(서울경제경영, 2014)이 있다. SCI급 저널인 PLOS ONE을 비롯해 국내 유수의 재무금융 및 경영 학술지인 증권학회지, 재무관리연구, 금융공학연구, 경영연구 등에 재무 및 파생상품 관련 논문을 게재했다. 중앙대학교에서 금융공학 융합전공 강사로 ‘금융공학 실습’ 과목을 강의했으며, 한국금융공학회 산학협력위원으로 활동하고 있다.
역자 : 이기홍
카네기멜론 대학교에서 석사 학위를 받았고, 피츠버그 대학교 Finance Ph.D, CFA,FRM이며, 금융, 투자, 경제분석 전문가다. 삼성생명, HSBC, 새마을금고 중앙회, 한국투자공사 등과 같은 국내 유수의 금융 기관, 금융 공기업에서 자산운용 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), 『딥러닝 부트캠프 with 케라스』(길벗, 2017), 『프로그래머를 위한 기초 해석학』(길벗, 2018)과 『실용 최적화 알고리즘』(에이콘, 2020), 『초과 수익을 찾아서 2/e』(에이콘, 2020), 『자산운용을 위한 금융 머신러닝』(에이콘, 2020), 『실전 알고리즘 트레이딩 배우기』(에이콘, 2021), 『존 헐의 비즈니스 금융 머신러닝 2/e』(에이콘, 2021) 등이 있다. 누구나 자유롭게 머신러닝과 딥러닝을 자신의 연구나 업무에 적용해 활용하는 그날이 오기를 바라며 매진하고 있다.
작가의 말
이 글을 읽고 있다면, 여러분은 아마 투자 산업을 포함한 많은 산업에서 머신러닝(ML)이 전략적인 역량이 됐다는 것을 알고 있을 것이다. ML의 부상과 밀접한 관련이 있는 디지털 데이터의 폭발은 특히 투자에 강력한 영향을 미치고 있으며, 이미 정교한 모델을 사용해 정보를 처리해 온 오랜 역사를 갖고 있다. 이러한 추세는 계량 투자를 새로운 방식으로 접근할 수 있게 만들었으며, 재량적 거래 전략과 알고리즘 거래 전략 모두에 대한 데이터 과학의 수요를 증가시키고 있다.자산클래스 간 거래 범위는 주식과 국채에서 상품과 부동산에 이르기까지 광범위하다. 이는 매우 광범위한 새로운 대체 데이터 소스가 시장 위와 그 밖의 데이터, 과거에 대부분의 분석 노력의 중심에 있었던 기초 데이터와 관련될 수 있음을 시사한다.머신러닝이나 데이터 과학을 성공적으로 적용하려면 개인 또는 팀 차원의 통계 지식, 컴퓨터 기술과 도메인 전문 지식이 통합돼야 한다. 다시 말해 올바른 질문을 하고, 답을 제공할 수 있는 데이터를 식별하고 이해하며, 결과를 얻기 위한 광범위한 도구를 배포하고, 올바른 결정을 내리는 방식으로 이를 해석하는 것이 필수다. 따라서 이 책은 머신러닝의 투자 및 트레이딩 영역에 대한 통합적 관점을 제공한다.
목차
1부. 데이터, 알파 팩터, 포트폴리오
1장. 트레이딩용 머신러닝: 아이디어에서 주문 집행까지
__투자업계에서 머신러닝의 부상
____전자 거래에서 고빈도 매매(HFT)까지
____팩터 투자와 스마트 베타 펀드
____알고리듬 개척자는 인간보다 우위에 있다
____머신러닝과 대체 데이터
____크라우드 소싱 거래 알고리듬
__머신러닝 기반 전략의 설계와 실행
____데이터의 소싱과 관리
____알파 팩터 리서치에서 포트폴리오 관리까지
____전략 백테스팅
__트레이딩을 위한 머신러닝: 전략과 사용 사례
____알고리듬 트레이딩의 진화
____거래를 위한 머신러닝 사용 사례
__요약
2장. 시장 데이터와 기본 데이터: 소스와 기법
__시장 데이터는 시장 환경을 반영한다
____시장 미시 구조: 기본 지식
____트레이딩 방법: 여러 종류의 주문
____트레이딩 장소: 거래소에서 다크풀까지
__고빈도 데이터로 작업
____나스닥 주문 호가창으로 작업
____FIX 프로토콜을 활용한 거래의 통신
____나스닥 토탈뷰-잇치 데이터 피드
____틱에서 바로: 시장 데이터 정규화 방법
____AlgoSeek 분 바: 주식 호가와 거래 데이터
__시장 데이터에 대한 API 접근
____판다스를 이용한 원거리 데이터 접근
____yfinance: 데이터를 야후! 파이낸스로부터 스크레이핑
____퀀토피안
____집라인
____퀀들
____기타 시장 데이터 공급자
__기본 데이터 작업 방법
____재무제표 데이터
____기타 기본 데이터 소스
__판다스를 이용한 효율적 데이터 저장
__요약
3장. 금융을 위한 대체 데이터: 범주와 사용 사례
__대체 데이터 혁명
__대체 데이터의 원천
____개인
____비즈니스 프로세스
____센서
__대체 데이터 평가를 위한 기준
____신호 내용의 질
____데이터의 질
____기술적 측면
__대체 데이터 시장
____데이터 제공업체와 사용 사례
__대체 데이터로 작업
____오픈테이블 데이터 스크래핑
____어닝 콜 트랜스크립트 스크래핑과 파싱
__요약
4장. 알파 팩터 리서치
__알파 팩터 실무: 데이터부터 시그널까지
__알파 팩터 공학
____수십 년간의 팩터 연구를 바탕으로 구축
____모멘텀과 심리: 추세는 당신의 친구다
____가치 팩터
____변동성과 규모 이례 현상
__우량주 팩터
____수익률을 예측하는 알파 팩터 공학
____판다스와 넘파이를 사용한 팩터 공학
____칼만 필터를 사용한 알파 팩터의 잡음 제거
____웨이블릿을 이용한 잡음 데이터의 전처리 방법
__시그널에서 트레이딩으로: 백테스트를 위한 집라인
____단일 팩터 전략을 백테스트하는 방법
____다양한 데이터 소스의 팩터 결합
__알파렌즈를 사용한 시그널과 잡음의 분리
____미래 수익률과 팩터 분위수의 생성
____팩터 5분위수에 의한 예측 성과
____정보 계수
____팩터 회전율
__알파 팩터 리소스
____기타 알고리듬 트레이딩 라이브러리
__요약
5장. 포트폴리오 최적화와 성과 평가
__포트폴리오 성과를 측정하는 방법
____단일 숫자로 위험 수익 트레이드오프 포착
____적극적 운용의 근본 법칙
__포트폴리오 위험과 수익률 관리하는 방법
____현대 포트폴리오 관리의 진화
____평균 분산 최적화
____평균 분산 최적화의 대안
____리스크 패리티
____리스크 팩터 투자
____계층적 리스크 패리티
__집라인으로 트레이딩과 포트폴리오 관리
____신호 생성과 거래 실행 계획 수립
____평균 분산 포트폴리오 최적화 구현
__파이폴리오를 이용한 백테스팅 성과 측정
____수익률과 벤치마크 입력 생성
____표본 외 수익률로 전진 분석
__요약
2부. 트레이딩을 위한 ML: 기본
6장. 머신러닝 프로세스
__데이터로부터 머신러닝이 작동하는 방법
____도전 과제: 알고리듬을 작업에 매칭
____지도학습: 예제에 의한 학습
____비지도학습: 유용한 패턴의 발견
____강화학습
__머신러닝 워크플로
____기본 설명: k-최근접 이웃
____문제의 구성: 목적과 성과 측정
____데이터의 수집과 준비
____특성 탐험, 추출, 특성 공학
____ML 알고리듬 선택
____모델 설계와 조정
____모델 선택을 위한 교차 검증의 활용
____파이썬으로 교차 검증을 구현하는 방법
____금융에서 교차 검증의 문제
____사이킷런을 이용한 파라미터 조정과 옐로우브릭
__요약
7장. 선형 모델: 리스크 팩터에서 수익률 예측까지
__추론에서 예측까지
__베이스라인 모델: 다중 선형 회귀 모델
____모델을 만드는 방법
____모델을 훈련하는 방법
____가우스-마르코프 정리
____통계적 추론을 수행하는 방법
____문제를 진단하고 해결하는 방법
__실제로 선형 회귀를 실행하는 방법
____statsmodels를 활용한 최소 자승법
____sklearn을 활용한 확률적 경사 하강법(SGD)
__선형 요인 모델을 구축하는 방법
____CAPM에서 파마-프렌치 5 요인 모델까지
____위험 요인 입수
____파마-맥베스 회귀 분석
__수축 방법을 사용한 선형 회귀 규제화
____과적합을 방지하는 방법
____리지 회귀 분석의 작동 방식
____라쏘 회귀 분석의 작동 방식
__선형 회귀로 수익률을 예측하는 방법
____모델 특성과 선도 수익률 준비
____statsmodels를 사용한 선형 OLS 회귀 분석
____사이킷런을 이용한 선형 OLS 회귀
____사이킷런을 이용한 리지 회귀 분석
____sklearn을 이용한 라쏘 회귀 분석
____예측 신호의 품질 비교
__선형 분류
____로지스틱 회귀 모델
____statsmodels로 추론을 수행하는 방법
____가격 움직임을 로지스틱 회귀 분석으로 예측
__요약
8장. ML4T 작업 흐름: 모델에서 전략 백테스트까지
__ML 기반 전략의 백테스트 방법
__백테스트의 단점과 이를 회피하는 방법
____데이터를 올바르게 얻기
____시뮬레이션을 올바르게 수행
____통계량을 올바르게 얻기
__백테스트 엔진 작동법
____벡터화 대 이벤트 기반 백테스트
____주요 구현 측면
__백트레이더: 로컬 백테스트용 유연한 도구
____백트레이더의 세레브로 구조의 주요 개념
____실제에서 백트레이더를 사용하는 방법
____백트레이더 요약과 다음 단계
__집라인: 퀀토피안이 만든 확장 가능한 백테스트
____강건한 시뮬레이션을 위한 캘린더와 파이프라인
____분 데이터를 사용해 자체 번들 인제스트
____파이프라인 API: ML 시그널 백테스트
____백테스트 중 모델을 훈련하는 방법
____노트북 사용법
__요약
9장. 시계열 모델
__진단과 특성 추출을 위한 분석 도구
____시계열 패턴의 분해
____롤링 윈도우 통계량과 이동 평균
____자기 상관계수의 측정
__정상성 진단과 회복
____정상성을 얻기 위한 시계열 변환
____단위근의 처리 방법
____시계열 변환의 실제 적용
__일변량 시계열 모델
____자기 회귀 모델의 구축
____이동 평균 모델의 구축
____ARIMA 모델 구축과 확장
____매크로 펀더멘털 예측
____시계열 모델을 활용한 변동성 예측
__다변량 시계열 모델
____방정식 체계
____벡터 자기 회귀(VAR) 모델
____VAR 모델을 활용한 매크로 펀더멘털 예측
__공적분: 공통 추세를 가진 시계열
____엥글-그레인저 2단계 방법
____요한센 우도 비율 테스트
__공적분을 활용한 통계적 차익 거래
____같이 움직이는 자산 쌍을 선택하는 방법
____페어 트레이딩 실제 구현
____전략 백테스트 준비
____백트레이더를 이용한 전략 백테스트
____확장: 개선 방법
__요약
10장. 베이지안 머신러닝: 동적 샤프 비율과 페어 트레이딩
__베이지안 머신러닝 학습법
____경험적 증거에서 가정을 업데이트하는 방법
____정확한 추론: 최대 사후 확률 추정
____결정론적 및 확률론적 근사 추론
__PyMC3를 사용한 확률 프로그래밍
____테아노를 이용한 베이지안 머신러닝
____PyMC3 워크플로: 경기 침체 예측
__트레이딩을 위한 베이지안 머신러닝
____성과 비교를 위한 베이지안 샤프 비율
____페어 트레이딩을 위한 베이지안 롤링 회귀 분석
____확률 변동성 모델
__요약
11장. 랜덤 포레스트: 일본 주식 롱/숏 전략
__결정 트리: 데이터로부터의 규칙 학습
____트리의 결정 규칙 학습과 적용
____결정 트리의 실용적 사용법
____과대적합과 규제화
____하이퍼파라미터의 조정
__랜덤 포레스트: 트리의 신뢰성을 높인다
____앙상블 모델의 성과가 더 좋은 이유
____배깅
____랜덤 포레스트를 구축하는 방법
____랜덤 포레스트의 학습과 조정
____랜덤 포레스트를 위한 특성 중요도
____아웃오브백 테스트
____랜덤 포레스트의 장점과 단점
__일본 주식에 대한 롱/숏 시그널
____데이터: 일본 주식
____LightGBM을 사용한 ML4T
____전략: 집라인을 이용한 백테스트
__요약
12장. 거래 전략 강화
__시작하기: 적응형 부스팅
____에이다부스트 알고리듬
____에이다부스트를 사용해 월별 가격 변동 예측
__그래디언트 부스팅: 대부분의 작업을 위한 앙상블
____GBM 모델을 훈련하고 조정하는 방법
____사이킷런으로 그래디언트 부스팅을 사용하는 방법
__XGBoost, LightGBM, CatBoost 사용
____알고리듬 혁신이 성능을 향상시키는 방법
__부스팅을 사용한 롱/숏 거래 전략
____LightGBM과 CatBoost로 시그널 생성
____블랙박스의 내부: GBM 결과를 해석하는 방법
____부스팅 앙상블에 기반을 둔 전략 백테스팅
____학습한 교훈과 다음 단계
__일중 전략을 위한 부스팅
____고빈도 데이터를 위한 특성 공학
____LightGBM으로 분 단위 빈도 시그널
____거래 시그널 품질 평가
__요약
13장. 비지도학습을 활용한 데이터 기반 리스크 팩터와 자산 배분
__차원 축소
____차원의 저주
____선형 차원 축소
____매니폴드 학습: 선형 차원 축소
__트레이딩을 위한 PCA
____데이터 주도형 리스크 팩터
____고유 포트폴리오
__군집화
____k-평균 군집화
____계층적 군집화
____밀도 기반 군집화
____가우시안 혼합 모델
__최적 포트폴리오를 위한 계층적 군집화
____계층적 리스크 패리티의 작동 원리
____ML 트레이딩 전략을 사용한 HRP 백테스트
__요약
3부. 자연어 처리
14장. 트레이딩을 위한 텍스트 데이터: 감성 분석
__텍스트를 이용한 머신러닝: 언어에서부터 특성까지
____텍스트 데이터 작업의 주요 과제
____자연어 처리 워크플로
____응용 사례
__텍스트에서 토큰으로: NLP 파이프라인
____spaCy와 textacy를 이용한 NLP 파이프라인
____TextBlob을 사용한 자연어 처리
__토큰 계산: 문서 단어 행렬
____단어 주머니 모델
____sklearn을 사용한 문서 단어 행렬(DTM)
____핵심적인 교훈
__트레이딩을 위한 자연어 처리
____나이브 베이즈 분류기
____뉴스 기사 분류
____트위터와 옐프 데이터를 사용한 감성 분석
__요약
15장. 토픽 모델링
__잠재 토픽 학습: 목적과 접근법
____잠재 의미 인덱싱
____sklearn을 이용한 LSI의 구현 방법
____장점과 제약점
__pLSA
____sklearn을 이용한 pLSA의 구현 방법
____장점과 제한점
__LDA
____LDA의 원리
____LDA 토픽 평가
____sklearn을 이용한 LDA의 구현 방법
____pyLDAvis를 이용한 LDA 결과의 시각화
____Gensim을 사용한 LDA의 구현 방법
__실적 발표 콜을 위한 토픽 모델링
____데이터 전처리
____모델 훈련과 평가
____실험 실행
__금융 뉴스를 위한 토픽 모델링
__요약
16장. 어닝 콜과 SEC 공시 보고서를 위한 단어 임베딩
__단어 임베딩이 의미를 인코딩하는 방법
____신경 언어 모델이 문맥에서 사용법을 배우는 방법
____word2vec: 확장 가능한 단어와 구분 임베딩
____의미론적 산술을 활용한 임베딩 평가
__사전 훈련된 단어 벡터를 사용하는 방법
____GloVe: 단어 표현을 위한 글로벌 벡터
__금융 뉴스를 위한 사용자정의 임베딩
____전처리: 문장 인식과 앤그램
____텐서플로 2를 이용한 스킵그램 아키텍처
____텐서보드를 사용해 임베딩 시각화
____Gensim으로 임베딩을 더 빠르게 훈련하는 방법
__SEC 공시 문서를 이용한 트레이딩을 위한 word2vec
____전처리: 문장 인식과 앤그램
____모델 훈련
__doc2vec 임베딩을 사용한 감성 분석
____옐프 감성 데이터에서 doc2vec 입력 생성
____doc2vec 모델 훈련
____문서 벡터로 분류기 훈련
____학습한 교훈과 다음 단계
__새로운 개척자: 사전 훈련된 트랜스포머 모델
____어텐션은 당신이 필요한 모든 것
____BERT: 좀 더 보편적인 언어 모델을 지향
____텍스트 데이터에 대한 트레이딩: 교훈과 다음 단계
__요약
4부. 딥러닝과 강화학습
17장. 딥러닝
__딥러닝: 무엇이 새롭고 왜 중요한가
____계층적 구조가 고차원 데이터의 문제을 완화한다
____표현 학습으로서의 DL
____DL의 ML과 AL와의 연관성
__신경망의 설계
____단순 순전파 신경망 구조
____주요 설계 선택
____심층 신경망의 규제화
____더 빠른 훈련: DL을 위한 최적화
____요약: 주요 하이퍼파라미터를 조정하는 방법
__파이썬을 이용해 처음부터 신경망을 구축하는 방법
____입력층
____은닉층
____출력층
____순전파
____교차 엔트로피 비용 함수
____파이썬을 사용해 역전파를 구현하는 방법
__인기 있는 딥러닝 라이브러리
____GPU 가속화의 활용
____텐서플로 2를 사용하는 방법
____텐서보드 사용법
____파이토치 1.4 사용법
____다른 옵션
__롱/숏 전략을 위한 NN의 최적화
____일 수익률을 예측하기 위한 특성 공학
____NN 구조 프레임워크 정의
____NN을 조정하한 설계 옵션 교차 검증
____예측 성능 평가
____앙상블 시그널을 기반으로 하는 전략의 백테스트
____결과를 더욱 개선하는 방법
__요약
18장. 금융 시계열과 인공위성 이미지를 위한 CNN
__CNN이 그리드 같은 데이터를 모델링하는 방법
____수작업 코딩부터 데이터의 학습 필터까지
____합성곱층의 요소 연산 방법
____CNN 아키텍처의 진화: 주요 혁신
__인공위성 이미지와 물체 인식을 위한 CNN
____LeNet5: 산업용 애플리케이션을 갖춘 최초의 CNN
____알렉스넷: 딥러닝 연구의 재점화
____전이학습: 적은 데이터로 더 빠른 훈련
____객체 탐지와 분할
____실제 객체 탐지
__시계열 데이터용 CNN: 수익률 예측
____1차원 합성곱이 있는 자기 회귀 CNN
____CNN-TA-2D 형식의 시계열 군집화
__요약
19장. 순환 신경망
__RNN의 작동 원리
____순환 주기로 계산 그래프 펼치기
____시간을 통한 역전파
____대안적 순환 신경망 구조
____심층 RNN의 설계
____장기 의존성 학습 시 문제점
____GRU
__텐서플로 2를 이용한 시계열을 위한 RNN
____일변량 회귀: S&P 500 예측
____시계열 데이터를 RNN용 형태로 변환
____적층 LSTM: 주가 움직임과 수익률 예측
____매크로 데이터에 대한 다변량 시계열 회귀
__텍스트 데이터를 위한 RNN
____감성 분류를 위한 LSTM과 단어 임베딩
____사전 학습된 단어 벡터를 이용한 감성 분석
____SEC 보고서 임베딩으로부터 수익률 예측
__요약
20장. 조건부 위험 요인과 자산 가격 결정을 위한 오토인코더
__비선형 특성 추출을 위한 오토인코더
____선형 차원 축소 일반화
____이미지 압축을 위한 합성곱 오토인코더
____규제화된 오토인코더로 과적합 관리
____노이즈 제거 오토인코더로 손상된 데이터 수정
____시계열 특성을 위한 Seq2seq 오토인코더
____변분 오토인코더로 생성 모델링
__텐서플로 2로 오토인코더 구현
____데이터를 준비하는 방법
____단층 순전파 오토인코더
____희소성 제약 조건이 있는 순전파 오토인코더
____심층 순전파 오토인코더
____합성곱 오토인코더
____오토인코더 노이즈 제거
__거래를 위한 조건부 오토인코더
____주식 가격과 메타데이터 정보 습득
____예측 자산 특징 계산
____조건부 오토인코더 아키텍처 만들기
____교훈과 다음 단계
__요약
21장. 합성 시계열 데이터를 위한 적대적 생성 네트워크
__GAN으로 합성 데이터 생성
____생성 모델과 판별 모델 비교
____적대적 훈련: 사기의 제로섬 계임
____GAN 아키텍처 ZOO의 급속한 진화
____이미지를 위한 GAN 애플리케이션과 시계열 데이터
__텐서플로 2를 사용해 GAN을 빌드하는 방법
____생성자 네트워크 빌드
____판별자 네트워크 생성
____적대적 훈련 프로세스 설정
____평가 결과
__합성 금융 데이터를 위한 TimeGAN
____특성과 시간에 걸쳐 데이터를 생성하는 방법 학습
____텐서플로 2를 사용한 TimeGAN 구현
____합성 시계열 데이터의 품질 평가
____교훈과 다음 단계
__요약
22장. 심층 강화학습: 트레이딩 에이전트의 구축
__RL 시스템의 구성 요소
____정책: 상태에서 행동으로 전이
____보상: 행동으로부터 학습
____가치 함수: 장기적으로 최적 선택
____모델 기반 대 모델 프리: 도약 전에 보기?
__RL 문제의 해법
____RL 문제 풀이의 주요 문제점
____RL 문제를 푸는 근본적인 방법
__동적 계획 문제 풀기
____유한 MDP
____정책 반복
____가치 반복
____일반화된 정책 반복
____파이썬을 이용한 동적 계획
__Q-러닝: 바둑에서 최적 정책 찾기
____탐험 대 활용 트레이드오프: ε-탐욕 정책
____Q-러닝 알고리듬
____파이썬을 이용한 Q-러닝 에이전트 훈련법
__OpenAI Gym을 사용한 심층 강화학습
____신경망을 이용한 가치 함수의 근사
____딥 Q-러닝 알고리듬과 확장
____OpenAI GYM 소개
____텐서플로2를 이용한 DDQN의 구현
____간단한 트레이딩 에이전트 작성
____사용자 정의 OpenAI 트레이딩 환경을 설계하는 방법
____Deep Q-learning on the stock market
____얻은 교훈
__요약
23장. 결론과 다음 단계
__학습에서 얻은 주요 요점과 교훈
____데이터는 가장 중요한 단일 재료
____도메인 전문 지식: 잡음으로부터 시그널의 구별
____ML은 데이터로 문제를 풀기 위한 도구 모음이다
____백테스트의 과적합을 주의하라
____블랙박스 모델에서 통찰력을 얻는 방법
__실전 트레이딩을 위한 ML
____데이터 관리 테크놀로지
____ML 도구
____온라인 트레이딩 플랫폼
__결론
부록. 알파 팩터 라이브러리
__TA-Lib에서 구현된 공통 요인 알파
____핵심 구성 요소: 이동 평균
____중첩 연구: 가격과 변동성 추세
____모멘텀 지표
____거래량과 유동성 지표
____변동성 지표
____기본 위험 요인
__정형화된 알파에 대한 월드퀀트의 탐구
____횡단면 및 시계열 함수
____정형화된 알파 표현식
__이변량 및 다변량 요인 평가
____정보 계수와 상호 정보량
____특성 중요도와 SHAP 값
____비교: 각 지표에 대한 Top 25 특성
____금융 성과: 알파렌즈
출판사 서평
◈ 이 책에서 다루는 내용 ◈
◆ 투자와 트레이딩 문제를 푸는 머신러닝 기법 구현
◆ 시장, 기본, 대체 데이터를 활용한 알파 팩터 연구
◆ 지도학습, 비지도학습, 강화학습 모델 설계
◆ 판다스, 넘파이와 Scikit-learn을 이용한 포트폴리오 위험과 성과 최적화
◆ 머신러닝 모델을 Quantopian 플랫폼 위에서 실전 트레이딩 전략으로 통합
◆ 신뢰성 있는 시계열 백테스트 방법으로 전략 평가
◆ 케라스, 파이토치와 텐서플로를 사용한 딥신경망 설계와 평가
◆ 강화학습을 이용한 OpenAI Gym에서의 트레이딩 전략 개발
◈ 이 책의 대상 독자 ◈
금융시장에 대한 이해와 트레이딩 전략에 관심이 있는 애널리스트, 데이터 과학자, ML 엔지니어라면 이 책이 도움이 될 것이다. 또한 ML을 활용해 더 나은 의사결정을 내리고자 하는 투자 전문가로서 가치도 찾을 수 있다.
소프트웨어와 ML에 대한 배경지식이 있는 경우 이 영역에 대한 소개자료를 생략할 수 있다. 마찬가지로 전문 지식이 투자에 관한 것이라면 이 책이 제공하는 다양한 배경의 금융 맥락 일부 또는 전부를 잘 알고 있을 것이다.
이 책은 독자가 매우 역동적인 이 영역을 계속 배우고 싶어 한다고 가정한다. 이를 위해 깃허브(GitHub) 저장소 내의 각 장에 대해 README 파일에 연결된 수많은 학술 참고 자료와 추가 자료를 책의 끝에 제공한다.
파이썬(Python) 3과 넘파이, 판다스, SciPy와 같은 과학 컴퓨팅 라이브러리를 사용하는 것이 편할 것이며, 계속해서 다른 많은 자료를 얻을 수 있을 것을 기대한다. ML과 사이킷런에 대한 경험이 도움이 되겠지만 기본 워크플로를 간략하게 다루고 격차를 메꾸거나 더 깊이 파고들려면 다양한 리소스를 참조하길 바란다. 마찬가지로 금융과 투자에 기본 지식이 있다면 용어를 더 쉽게 사용할 수 있을 것이다.
◈ 이 책의 구성 ◈
ML이 트레이딩 전략의 설계와 실행에 가치를 더할 수 있는 방법을 종합적으로 소개한다. 데이터 소싱과 전략 개발 프로세스의 다양한 측면과 ML 과제에 대한 다양한 솔루션을 다루는 4개의 부로 구성돼 있다.
1부에서는 머신러닝을 활용하는 트레이딩 전략 전반에 걸쳐 관련된 기본적인 측면을 다룬다.
1장, ‘트레이딩용 머신러닝: 아이디어에서 주문 집행까지’에서는 ML이 거래에서 중요한 이유와 방법을 요약하고 투자 프로세스를 설명하며, ML이 가치를 높일 수 있는 방법을 간략히 설명한다.
2장, ‘시장 데이터와 기본 데이터: 소스와 기법’에서는 거래소 제공 틱 데이터와 보고된 재무 정보를 포함해 시장 데이터를 소싱하고 활용하는 방법을 다룬다.
3장, ‘금융을 위한 대체 데이터: 범주와 사용 사례’에서는 폭발적으로 증가하는 수의 출처와 공급자를 평가하기 위한 범주와 기준을 설명한다.
4장, ‘금융 특성 공학: 알파 팩터 리서치’에서는 예측 시그널을 포착하는 데이터 변환을 생성하고 평가 프로세스와 팩터 성과를 측정하는 방법을 설명한다.
5장, ‘포트폴리오 최적화와 성과 평가’에서는 전략의 실행에 따른 포트폴리오를 관리, 최적화, 평가하는 방법을 소개한다.
2부에서는 근본적인 지도학습과 비지도학습 알고리듬이 엔드투엔드 워크플로의 맥락에서 트레이딩 전략에 어떻게 정보를 제공할 수 있는지 설명한다.
6장, ‘머신러닝 프로세스’에서는 ML 모델의 예측 성과를 체계적으로 수립, 훈련, 튜닝, 평가하는 방법을 개략적으로 설명함으로써 단계를 설정한다.
7장, ‘선형 모델: 리스크 팩터에서 수익률 예측까지’에서는 선형 회귀와 로지스틱 회귀를 추론과 예측에 사용하는 방법과 규제화를 사용해 과적합 위험을 관리하는 방법을 설명한다.
8장, ‘ML4T 작업 흐름: 모델에서 전략 백테스팅까지’에서는 지금까지 별도로 다룬 ML4T 워크플로의 다양한 구성 요소를 통합한다.
9장, ‘시계열 모델’에서는 벡터 자기 회귀 모델뿐 아니라 변동성 예측에 대한 ARCH/GARCH 모델을 비롯한 일변량 및 다변량 시계열 진단과 모델을 다룬다.
10장, ‘베이지안 머신러닝: 동적 샤프 비율과 페어 트레이딩’에서는 확률적 모델과 마르코프 체인 몬테카를로(MCMC) 샘플링 및 변분 베이즈 방법이 대략적인 추론을 어떻게 용이하게 하는지 제시한다.
11장, ‘랜덤 포레스트: 일본 주식 롱/숏 전략’에서는 통찰력과 예측을 위한 비선형 트리 기반 모델을 구축, 훈련, 조정하는 방법을 설명한다.
12장, ‘거래 전략 강화’에서는 그래디언트 부스트(Gradient Boost)를 소개하고 고성능 훈련과 예측을 위해 XGBoost, LightBGM, CatBoost 라이브러리를 사용하는 방법을 보여준다.
13장, ‘비지도학습을 활용한 데이터 기반 리스크 팩터와 자산 배분’에서는 알고리듬 거래를 위해 차원 축소와 군집화를 사용하는 방법을 설명한다.
3부는 텍스트 데이터에 초점을 맞추고 대체 데이터의 핵심 출처에서 고품질 시그널을 추출하기 위한 최첨단 비지도학습 기법을 도입한다.
14장, ‘트레이딩을 위한 텍스트 데이터: 감성 분석’에서는 텍스트 데이터를 수치형으로 변환하는 방법을 보여주고 감성 분석을 위한 2부의 분류 알고리듬을 대규모 데이터 세트에 적용한다.
15장, ‘토픽 모델링’에서는 비지도학습을 사용해 많은 문서를 요약한 주제를 추출하고 분류 모델의 특성으로 텍스트 데이터를 탐색하거나 주제를 사용하는 좀 더 효과적인 방법을 제공한다.
16장, ‘어닝 콜과 SEC 공시 보고서를 위한 단어 임베딩’에서는 신경망을 사용해 기존 텍스트 특성보다 의미론적 콘텍스트를 훨씬 더 잘 포착하고 텍스트 데이터에서 거래 시그널을 추출하는 매우 유망한 방법을 나타내는 단어 벡터 형태의 최신 언어 특성을 학습한다.
4부에서는 딥러닝과 강화학습을 소개한다.
17장, ‘딥러닝’에서는 4부에서 사용할 가장 인기 있는 딥러닝 프레임워크인 텐서플로 2와 파이토치(PyTorch)를 소개한다.
18장, ‘금융 시계열과 인공위성 이미지를 위한 CNN’에서는 대규모의 비정형 데이터를 활용하는 분류 작업을 위해 매우 강력한 합성곱 신경망(CNN)을 다룬다.
19장, ‘순환 신경망’에서는 순환 신경망(RNN)이 어떻게 시퀀스 대 시퀀스 모델링에 유용한지 보여준다. 이는 예측할 일변량 시계열과 다변량 시계열을 포함한다.
20장, ‘조건부 위험 요인과 자산 가격 결정을 위한 오토인코더’에서는 고차원 데이터의 비선형 압축을 위한 오토인코더를 다룬다.
21장, ‘합성 시계열 데이터를 위한 적대적 생성 네트워크’에서는 딥러닝에서 흥미로운 발전 중 하나를 소개한다.
22장, ‘심층 강화학습: 트레이딩 에이전트의 구축’에서는 강화학습이 환경에 대응해 의사결정을 최적화하는 방법을 배우는 에이전트의 설계와 훈련을 어떻게 허용하는지 설명한다.
23장, ‘결론과 다음 단계’에서는 학습한 교훈을 요약하고, 계속해서 학습하고 트레이딩 전략을 수립하고자 취할 수 있는 몇 가지 단계를 개략적으로 설명한다.
부록, ‘알파 팩터 라이브러리’에서는 거의 200개의 인기 있는 금융 특성을 나열하고 근거를 설명하며, 이러한 특성을 계산하는 방법을 보여준다.
◈ 옮긴이의 말 ◈
금융시장의 흐름을 이해하려면 시장 데이터, 공시, 뉴스, SNS 등 수많은 요인을 분석해야 합니다. 데이터를 효율적으로 관리하기 위해 금융시장에서도 점차 머신러닝과 딥러닝 기술이 사용되고 있으며, 트레이딩 분야에도 활용도가 높아진 상황입니다. 이 책은 머신러닝과 딥러닝 기술을 이용해 알고리즘 트레이딩의 아이디어에서 실행까지 전반적인 프로세스에 초점을 맞춰 서술하고 있는 이 분야의 바이블이 될 수 있는 좋은 안내서입니다. 2판의 새로운 내용은 저자가 말했듯 더 많은 알파 팩터 사례를 소개하고 있으며, 최신 금융 딥러닝 논문에서 발표된 중요한 내용을 꼼꼼히 구현했다는 점이 특징입니다. 실제로 각 장의 내용을 상당 부분 고쳐가며 개정판 수준으로 설명해 초기에 생각했던 번역 기간보다 8개월 정도가 더 소요됐습니다. 1판보다 번역 품질을 높이려고 했고, 의역으로도 이해가 쉽지 않은 부분은 각주를 많이 달아 독자의 이해를 높이려고 노력했습니다.
- 홍창수
최근에 일부 계량 금융학자들이 서클을 이루면서 AI와 금융을 융합하려고 노력하고 있다. 이 책의 저자 스테판 젠슨도 이러한 노력에 상당한 공헌을 하고 있으며, 새로운 AI의 흐름을 적극 반영하고자 1판을 개정한 2판을 출간했다. 이 책은 머신러닝의 전통 이론에서 최신 이론뿐 아니라 최신 딥러닝을 금융에 응용하는 부분도 다루고 있어 계량 금융과 머신러닝의 금융 응용에 관심 있는 사람들에게 특히 도움이 될 것이다. 1판에서의 실험적인 내용들이 2판에서는 많이 정립돼 독자들이 더욱 체계적으로 접근할 수 있을 것이다. 특히 2020년, 일각에서 상당한 공헌을 하던 퀀토피안(Quantopian)이 문을 닫으면서 계량 금융 커뮤니티에 커다란 충격을 줬는데, 많은 학자와 실무 경험자가 모여 혁신적이면서도 실전적인 연구와 작품들을 만들어내고 있던 상황이라 충격은 더욱 컸다. 특히 이들이 만든 라이브러리인 집라인(zipline)과 파이폴리오(pyfolio)는 실제 선진 대형 자산운용사에서 사용하는 수준을 과시하고 있었으므로 이들이 사장되는가 하는 아쉬움이 많았다. 심지어 이 책의 초판도 이들을 광범위하게 사용하고 있어 개정판에서는 어떻게 전개할지 궁금하기도 했다. 놀랍게도 저자는 자체적으로 집라인을 개선한 집라인 리로디드(zipline reloaded)를 만들어내 모든 내용을 살렸을 뿐 아니라 최신 파이썬 버전에서도 잘 작동하게 만들어 다시금 계량 금융 커뮤니티에 집라인 열풍을 일으키는 큰 공헌을 했다(참고로 요즘 핫한 인터넷 증권사인 알파카(Alpaca)와 인터랙티브 브로커(InteractiveBroker)와 같은 증권사가 거래 API에 최근 집라인을 사용할 수 있도록 하고 있다). 저자의 이런 노력에 찬사를 보내며, 지속적인 개발이 이뤄지기를 바란다. 마지막으로 저자도 언급하듯이 방대한 내용인 만큼 모든 내용을 자세히 다루기는 힘들어 핵심 요점 위주로 서술돼 있으며 오히려 저자의 깃허브에 있는 노트북에 많은 내용을 실었다는 것을 다시 한번 상기시키고 싶다. 이 책을 통해 이론과 실전이 통합된 최첨단의 고급 계량 금융의 여정을 즐기기를 바란다.
- 이기홍
