[Book] 금융 머신러닝 - 이론에서 실전까지
금번에 이기홍박사님이 번역하신 금융 머신러닝책을 소개합니다.원서로 출간했을 때 번역해볼려고 한 책으로 스프링거(Springer)출판사 책 답게 입문서적은 아니고 어렵지만 금융 머신러닝 전공을 하시는 석박사분들, 교수님들, 연구자들 그리고 머신러닝 입문서는 독파를 하고 마르코스 로페즈 데 프라도의 '실전 금융 머신 러닝 완벽 분석'(Advances in Financial Machine Learning)과 같은 금융 머신러닝 책을 좀 보신분들에게 추천드립니다. 프라도 책을 않보신분들은 프라도 책도 추천합니다.
마르코스 로페즈 데 프라도가 미국에서 금융 머신러닝의 대가라면 금번에 소개된 책은 유럽권(저자들은 런던 소재 투자은행, 옥스포드 대학 박사 학위 후 현재 미국 교수와 텔레시안 기업가로 활동)에서 금융경제학, 물리학, 통계학을 융합하여 금융 머신러닝에 대해 깊이 있게 연구하여 출판한 책입니다. 편집도 좋고 양장본 하드커버라 마음에 듭니다. 자세한 책의 내용은 아래 목차를 참조하시고 저자의 파이썬 깃허브 URL도 참조하세요.
파이썬 코드 github https://github.com/mfrdixon/ML_Finance_Codes
아마존(AMAZON) 책소개
이 책은 금융 분야의 기계 학습 방법을 소개합니다. 이론 및 가설 테스트가 금융데이터 모델링 및 의사 결정을위한 알고리즘의 선택에 어떻게 도움이되는지에 중점을 두어 금융 계량 경제학 및 이산 시간 확률 제어와 같은 계량금융의 머신 러닝과 다양한 통계 및 계산 분야를 통합 처리한다. 컴퓨팅 자원 및 데이터 세트의 증가 추세에 따라 머신 러닝은 금융 업계의 중요한 기술로 발전했습니다. 이 책은 계량금융 분야의 퀀트 및 데이터 과학자뿐만 아니라 금융 계량 경제학, 수학 금융 및 응용 통계 분야의 고급 대학원생 및 학자들을 위해 저술하였습니다.
'금융 머신 러닝 : 이론에서 실습까지' 각 부분은 이론과 응용을 다루는 세 부분으로 나뉩니다. 첫 번째는 베이지안 및 빈도주의자 관점에서 데이터에 대한지도 학습을 제공합니다. 고급 과정에는 투자 관리 및 파생 모델링의 예와 함께 가우시안 프로세스뿐만 아니라 딥 러닝을 포함한 신경망에 중점을 둡니다. 두 번째 부분은 시계열 데이터에 대한 지도 학습, 확률 변동성, 채권모델링의 예제와 함께 금융에 사용되는 가장 일반적인 데이터 유형입니다. 마지막으로, 세 번째 부분은 강화 학습 , 거래, 투자 및 자산 관리에 대한 응용을 보여줍니다. 방법론과 응용 프로그램에 대한 독자의 이해를 돕기 위해 Python 코드 예제가 제공됩니다. 또한이 책에는 80개가 넘는 수학 및 프로그래밍 연습이 포함되어 있으며 강사가 사용할 수있는 솔루션을 제공합니다. 이 새로운 장에서 연구의 가교 역할을하는 마지막 장은 금융의 머신러닝을 위한 중요한 방법론으로 통계 물리학에서 잘 알려진 개념이 얼마나 많이 나타날지를 강조하면서, 연구자의 관점에서 금융 분야의 머신러닝의 프론티어를 제시합니다.
이 책의 구성
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 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 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.
작가의 말
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 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.
저자소개
매튜딕슨
일리노이 공과대학의 응용수학 조교수다. 인텔에서 지원하는 금융을 위한 컴퓨터 방법을 연구하고 있다. 계량 트레이딩과 위험 모델링에 관한 학문과 금융 기관을 위한 컨설팅을 하기 전에는 런던에 있는 리먼 브라더스에서 신용거래 구조화 업무를 했다. 임페리얼 칼리지에서 응용수학 박사 학위를 취득했으며, 스탠포드 대학교와 UC 데이비스에서 박사후 교수와 초빙 교수로 임용됐다. 머신러닝과 금융 모델링에 관한 동료 리뷰 출판물을 20여 편 출판했고, 블룸버그 마켓과 파이낸셜타임스에서 핀테크 전문가로 꼽혔으며 실리콘밸리와 월스트리트에서 자주 초청받는 강연자로 활동하고 있다. R 패키지를 공개하고 Google Summer of Code에서 멘토도 활동했으며 탈레시안사(Thalesians Ltd.)의 공동 설립자다.
이고르 핼퍼린
NYU의 금융공학 연구 교수며, 피델리티 인베스트먼트(Fidelity Investment)의 AI 연구원이다. 이전에 JP모건에서 거의 15년 동안 퀀트 리서치의 전무이사였다. 텔아비브 대학교에서 이론 물리학 박사 학위를 받았다. 금융 산업에 합류하기 전에 테크니온과 브리티시컬럼비아 대학교에서 이론 물리학 박사 학위를 받았다.
폴 빌로콘
탈레시안사의 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.
역자소개
이기홍
카네기멜론 대학교에서 석사학위를 받았고, 피츠버그 대학교의 Finance Ph.D, CFA, FRM이며,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 『엑셀VBA로 쉽게 배우는 금융공학 프로그래밍』(한빛미디어, 2009)이 있으며, 번역서로는 『포트폴리오 성공 운용』(미래에셋투자교육연구소, 2010), 『딥러닝 부트캠프 with 케라스』(길벗, 2017), 『프로그래머를 위한 기초해석학』(길벗, 2018)과 에이콘출판사에서 출간한 『실용 최적화 알고리즘』(2020), 『초과수익을 찾아서2/e』(2020), 『자산운용을 위한 금융 머신러닝』(2021), 『실전 알고리즘 트레이딩 배우기』(2021), 『존 헐의 비즈니스 금융 머신러닝 2/e』(2021), 『퀀트 투자를 위한 머신러닝ㆍ딥러닝 알고리듬 트레이딩 2/e』(2021) 등이 있다. 누구나 자유롭게 머신러닝과 딥러닝을 자신의 연구나 업무에 적용해 활용하는 그날이 오기를 바라며 매진하고 있다.
이기홍의 다른 작품
실전 자동머신러닝
자동머신러닝
