퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩 2/e
- 저자
- 스테판 젠슨 저/홍창수,이기홍 역
- 출판사
- 에이콘출판사
- 출판일
- 2022-12-14
- 등록일
- 2023-04-10
- 파일포맷
- 파일크기
- 53MB
- 공급사
- YES24
- 지원기기
- PC 웹뷰어 프로그램 수동설치 뷰어프로그램 설치 안내
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.
저자소개
공인재무분석사(CFA)이며, 어플라이드 에이아이(Applied AI)의 창립자이고, 선임 데이터 과학자다. 여러 산업에서 사업 목적을 데이터와 AI 전략으로 전환하고자 하는 포춘 500대 기업과 스타트업 회사들을 자문하고 있으며, 데이터 과학 팀을 구축하고 ML 솔루션을 개발하고 있다. 현재의 사업을 하기 이전에 국제적 투자 회사의 매니징 파트너 겸 선임 데이터 과학자였으며, 예측 분석 도구와 투자 리서치 실무를 구축했다. 또한 15개 시장에서 사업을 하는 국제적 핀테크 스타트업의 임원이었으며, 세계은행(World Bank)에서 근무했고, 신흥시장의 중앙은행들을 자문한 바 있으며 4개 대륙의 6개 언어로 작업했다. 하버드대학교와 베를린대학교에서 석사학위를 취득했고, 제너럴 어셈블리(General Assembly)와 데이터캠프(Datacamp)에서 데이터 과학을 가르치고 있다.
목차
1부. 데이터, 알파 팩터, 포트폴리오1장. 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__요약2장. 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__요약3장. 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__요약4장. 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__요약5장. 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__요약2부. 트레이딩을 위한 ML: 기본6장. 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__요약7장. 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__요약8장. 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__요약9장. 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__요약10장. 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__요약11장. 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__요약12장. 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__요약13장. 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__요약3부. 자연어 처리14장. 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__요약15장. 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__요약16장. 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__요약4부. 딥러닝과 강화학습17장. 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__요약18장. 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__요약19장. 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__요약20장. 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__요약21장. 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__요약22장. 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__요약23장. 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__결론부록. 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
스테판 젠슨 저자가 집필한 등록된 컨텐츠가 없습니다.
![[단독] 초수익 성장주 투자](/images/bookimg/411600993.jpg)
