PART Ⅰ AI 퀀트 투자의 개요와 이론 (Overview and Theory of AI Quant Investment)
제1장 퀀트 투자의 개요와 이론 (Overview and Theory of Quant Investment)
1.1 퀀트 투자 개론 (Introduction to Quant Investment)
1.1.1 퀀트 투자의 개념 (Concept of Quant Investment)
1.1.2 퀀트 투자의 역사 (History of Quant Investment)
1.1.3 퀀트 투자의 수학적 통계적 기초 (Mathematical and Statistical Foundations of Quant Investment)
1.1.4 퀀트 투자의 금융이론 (Financial Theory of Quant Investment)
1.2 전통적 퀀트 투자의 한계 (Limitations of Traditional Quant Investment)
1.2.1 선형 모델의 제약 (Constraints of Linear Models)
1.2.2 정적 팩터 로딩의 문제 (Problems of Static Factor Loading)
1.2.3 시장 체제 변화 대응력 부족 (Lack of Adaptability to Market Regime Changes)
1.3 AI 퀀트 투자 도입의 필연성 (Inevitability of Adopting AI Quant Investment)
1.3.1 비선형 패턴 인식의 중요성 (Importance of Nonlinear Pattern Recognition)
1.3.2 대용량 데이터 처리의 필요성 (Necessity of Large-scale Data Processing)
1.3.3 실시간 적응 학습의 요구 (Demand for Real-time Adaptive Learning)
1.3.4 전통 퀀트 성과 한계 실증 예시 (Empirical Examples of Traditional Quant Performance Limitations)
제2장 AI 퀀트 투자 개요와 진화 (Overview and Evolution of AI Quant Investment)
2.1 AI 퀀트의 개념 (Concept of AI Quant)
2.1.1 AI 퀀트 투자의 정의와 발전 (Definition and Development of AI Quant Investment)
2.1.2 AI 퀀트 투자와 전통적 투자의 차별점 (Distinctions between AI Quant and Traditional Investment)
2.1.3 AI 퀀트 투자의 장점과 도전 과제 (Advantages and Challenges of AI Quant Investment)
2.2 AI 퀀트의 구성 요소 (Components of AI Quant)
2.2.1 정형 데이터 vs 비정형 데이터 (Structured Data vs Unstructured Data)
2.2.2 통계 모델 vs 머신러닝 모델 (Statistical Models vs Machine Learning Models)
2.2.3 자동화 시스템과 실시간 모니터링 (Automation Systems and Real-time Monitoring)

PART Ⅱ 금융 데이터 분석과 AI 퀀트 적용 (Financial Data Analysis and AI Quant Application)
제3장 금융 데이터 분석 (Financial Data Analysis)
3.1 금융 데이터의 이해와 활용 (Understanding and Utilization of Financial Data)
3.1.1 정형 및 비정형 금융 데이터의 종류와 특성 (Types and Characteristics of Structured and Unstructured Financial Data)
3.1.2 데이터 수집, 정제 및 전처리 기법 (Data Collection, Cleansing, and Preprocessing Techniques)
3.1.3 금융 데이터 시각화 및 탐색적 분석 (Financial Data Visualization and Exploratory Analysis)
3.2 금융에서의 통계적 방법 (Statistical Methods in Finance)
3.2.1 시계열 분석 (Time Series Analysis)
3.2.2 금융에서의 확률 과정 (Stochastic Processes)
3.2.3 가설 검정과 통계적 추론 (Hypothesis Testing and Statistical Inference)
3.3 금융 데이터의 특성과 전처리 (Characteristics and Preprocessing of Financial Data)
3.3.1 시계열 데이터의 비정상성 (Non-stationarity of Time Series Data)
3.3.2 노이즈 제거와 특징 추출 (Noise Removal and Feature Extraction)
3.3.3 다차원 데이터 통합 (Multidimensional Data Integration)
제4장 AI 퀀트 투자를 위한 금융 데이터 분석 (Financial Data Analysis for AI Quant Investment)
4.1 AI 퀀트 투자에 필요한 수리적 기초 (Mathematical Foundations for AI Quant Investment)
4.1.1 선형대수와 확률통계 (Linear Algebra and Probability & Statistics)
4.1.2 머신러닝을 위한 수학적 기초 (Mathematical Foundations for Machine Learning)
4.1.3 Python/R 기반 데이터 분석 실습 (Python/R-based Data Analysis Practice)
4.1.4 금융 데이터 전처리와 정제 (Financial Data Preprocessing and Cleansing)
4.2 AI 퀀트 투자를 위한 금융 데이터의 특성과 분석 (Characteristics and Analysis of Financial Data for AI Quant Investment)
4.2.1 시계열 데이터와 패턴 인식 (Time Series Data and Pattern Recognition)
4.2.2 텍스트 데이터(뉴스, 리포트) 분석 (Text Data (News, Reports) Analysis)
4.2.3 대체 데이터(Alternative Data) 활용 (Utilization of Alternative Data)
4.2.4 데이터 품질과 오버피팅 방지 (Data Quality and Overfitting Prevention)
4.3 AI 퀀트 투자를 위한 데이터 기반 전략 설계 (Data-driven Strategy Design for AI Quant Investment)
4.3.1 데이터 수집과 전처리 (Data Collection and Preprocessing)
4.3.2 금융 시계열 데이터 마이닝 (Financial Time Series Data Mining)
4.3.3 뉴스, 리포트, SNS 등 비정형 데이터 마이닝 (Mining of Unstructured Data such as News, Reports, and SNS)
4.3.4 특징 추출과 팩터 생성 (Feature Extraction and Factor Generation)
4.3.5 피처 엔지니어링 기법 (Feature Engineering)
4.3.6 AutoML 기반 팩터 생성 (AutoML-based Factor Generation)
4.3.7 데이터 품질과 레이블링 (Data Quality and Labeling)
4.3.8 라벨링 전략: 수익률, 변동성, 알파 (Labeling Strategies: Return, Volatility, Alpha)
4.3.9 데이터 누수와 오버피팅 방지 (Data Leakage and Overfitting Prevention)

PART Ⅲ AI 퀀트 기반 알파 생성과 모델 개발 (AI Quant-based Alpha Generation and Model Development)
제5장 AI 퀀트 투자를 위한 주요 이론 (Key Theories for AI Quant Investment)
5.1 AI 회귀 모델 기반 전략 (Strategies Based on AI Regression Models)
5.1.1 AI 회귀 주요 모델 소개 (Introduction to Key AI Regression Models)
5.1.2 AI 회귀 모델 기반 수익률 예측 (Return Prediction Based on AI Regression Models)
5.2 AI 분류 모델 기반 전략 (Strategies Based on AI Classification Models)
5.2.1 AI 분류 주요 모델 소개 (Introduction to Key AI Classification Models)
5.2.2 AI 분류 모델 기반 종목 선택 (Stock Selection Based on AI Classification Models)
5.3 AI 앙상블 모델 기반 전략 (Strategies Based on AI Ensemble Models)
5.3.1 AI 앙상블 주요 모델 소개 (Introduction to Key AI Ensemble Models)
5.4 AI 비지도 학습 모델 기반 전략 (Strategies Based on AI Unsupervised Learning Models)
5.4.1 AI 비지도 학습 주요 모델 소개 (Introduction to Key AI Unsupervised Learning Models)
5.4.2 클러스터링을 통한 종목 군집화 (Stock Clustering via Clustering)
5.4.3 이상탐지 기반 리스크 분산 (Risk Diversification Based on Anomaly Detection)
5.5 AI 강화학습 모델 기반 전략 (Strategies Based on AI Reinforcement Learning Models)
5.5.1 AI 강화 학습 주요 모델 소개 (Introduction to Key AI Reinforcement Learning Models)
5.6 AI 퀀트 모델의 평가와 검증 (Evaluation and Validation of AI Quant Models)
5.6.1 백테스트 vs 실전 성과 (Backtest vs Live Performance)
5.6.2 AI 퀀트 모델 평가 지표 (AI Quant Model Evaluation Metrics)
5.6.3 AI 퀀트 모델의 과적합/과소적합 방지 기법 (Overfitting/Underfitting Prevention Techniques for AI Quant Models)
5.6.4 AI 퀀트 모델의 검증 프레임워크 (Validation Framework for AI Quant Models)
제6장 시계열 예측을 위한 딥러닝 모델 (Deep Learning Models for Time Series Forecasting)
6.1 강화 학습의 기본 개념 및 투자 전략 (Basic Concepts of Reinforcement Learning and Investment Strategies)
6.2 인공 신경망(ANN)의 이해 (Understanding Artificial Neural Networks)
6.3 합성곱 신경망(CNN) 활용 시계열 분석 (Time Series Analysis Using Convolutional Neural Networks)
6.3.1 차트 패턴 인식 (Chart Pattern Recognition)
6.3.2 2D 금융 이미지 분석 (2D Financial Image Analysis)
6.3.3 다차원 특징 맵 생성 (Multidimensional Feature Map Generation)
6.4 순환신경망(RNN) 계열 모델 (Recurrent Neural Network Family Models)
6.4.1 LSTM을 이용한 수익률 예측 (Return Prediction Using LSTM)
6.4.2 GRU 기반 변동성 모델링 (GRU-based Volatility Modeling)
6.4.3 어텐션 메커니즘 적용 (Application of Attention Mechanism)
6.5 트랜스포머(Transformer) 기반 모델의 적용 (Application of Transformer-based Models)
6.5.1 금융 시계열 트랜스포머 (Financial Time Series Transformer)
6.5.2 크로스 에셋 관계 모델링 (Cross-Asset Relationship Modeling)
6.5.3 멀티모달 데이터 융합 (Multimodal Data Fusion)
6.6 강화 학습 기반 투자 전략 (Reinforcement Learning-based Investment Strategies)
6.6.1 강화 학습의 기본 개념 (Basic Concepts of Reinforcement Learning)
6.6.2 포트폴리오 관리를 위한 강화 학습 알고리즘 (Reinforcement Learning Algorithms for Portfolio Management)
6.6.3 모의 환경 구축 및 시뮬레이션 기반 학습 (Simulation Environment Construction and Simulation-based Learning)
6.6.4 실제 시장 조건 적용 및 도전 과제 (Application to Real Market Conditions and Challenges)
6.7 강화 학습을 활용한 투자 의사결정 (Investment Decision-making Using Reinforcement Learning)
6.7.1 Q-러닝, SARSA, DDPG 등 알고리즘 (Algorithms such as Q-Learning, SARSA, DDPG)
6.7.2 오토인코더/PCA/클러스터링 (Autoencoder/PCA/Clustering)
6.7.3 RL 기초: DQN, PPO, DDPG 개념 (RL Fundamentals: Concepts of DQN, PPO, DDPG)
6.7.4 실제 투자 시뮬레이션 및 포트폴리오 최적화 (Real Investment Simulation and Portfolio Optimization)
6.8 트레이딩을 위한 강화 학습 (Reinforcement Learning for Trading)
6.8.1 강화 학습 소개 (Reinforcement Learning)
6.8.2 Q-러닝과 딥 Q-네트워크 (Q-Learning and Deep Q-Networks)
6.8.3 포트폴리오 관리와 주문 실행에서의 응용 (Applications in Portfolio Management and Order Execution)
6.8.4 보상 설계와 환경 구성 (Reward Design and Environment Configuration)
제7장 비정형/대체 데이터 기반 알파 생성 (Alpha Generation Based on Unstructured/Alternative Data)
7.1 텍스트 데이터 감성 분석 (Sentiment Analysis of Text Data)
7.1.1 감성 분석 (Sentiment Analysis)
7.1.2 토픽 모델링 (Topic Modeling)
7.1.3 개체명 인식 (Named Entity Recognition)
7.2 대체 데이터를 활용한 분석 (Analysis Using Alternative Data)
7.2.1 위성/이미지 데이터 활용 (Utilization of Satellite/Image Data)
7.2.2 소셜 미디어 데이터 활용 (Utilization of Social Media Data)
7.2.3 그래프 신경망(GNN)을 활용한 금융 네트워크 분석 (Financial Network Analysis Using Graph Neural Networks)

PART Ⅳ AI 퀀트 투자 전략 구현 및 관리 (Implementation and Management of AI Quant Investment Strategies)
제8장 AI 퀀트 전략 구현 위한 데이터 마이닝 (Data Mining for AI Quant Strategy Implementation)
8.1 정형·비정형 데이터 수집 (Collection of Structured and Unstructured Data)
8.1.1 시계열·재무데이터 (Time Series and Financial Data)
8.1.2 텍스트·뉴스·이미지·ESG 등 비정형 데이터 (Unstructured Data such as Text, News, Images, and ESG)
8.2 데이터 전처리·관리 (Data Preprocessing and Management)
8.2.1 결측치 처리, 이상치 대응 (Handling Missing Values and Outliers)
8.2.2 PySpark, Dask, Vector DB 기반 빅데이터 처리 (Big Data Processing Based on PySpark, Dask, and Vector DB)
8.3 피처 엔지니어링 전략 (Feature Engineering Strategies)
8.3.1 시계열 특성 생성 (Time Series Feature Generation)
8.3.2 차원 축소, 자동 피처 생성 (Dimensionality Reduction and Automated Feature Generation, AutoML)
제9장 AI 퀀트를 활용한 Alpha 생성 (Alpha Generation Using AI Quant)
9.1 알파 모델 개발 및 검증 (Alpha Model Development and Validation)
9.1.1 다양한 금융 시그널 발굴 및 조합 (Discovery and Combination of Various Financial Signals)
9.1.2 AI 모델을 활용한 알파 생성 전략 (Alpha Generation Strategies Using AI Models)
9.1.3 Alpha 신호 식별과 다중 Alpha 결합 (Alpha Signal Identification and Multi-Alpha Combination)
9.2 백테스트 프레임워크 (Backtesting Framework)
9.2.1 Alpha 전략의 Backtesting과 평가 (Backtesting and Evaluation of Alpha Strategies)
9.2.2 포워드 테스팅과 워크포워드 테스팅 (Forward Testing and Walk-Forward Testing)
9.2.3 슬리피지와 트랜잭션 비용 (Slippage and Transaction Costs)
9.2.4 백테스트 결과의 통계적 유의성 검증 (Statistical Significance Testing of Backtest Results)
9.2.5 시뮬레이션 환경 구축과 성능 최적화 (Simulation Environment Construction and Performance Optimization)
9.2.6 모의 투자를 통한 실전 검증 (Live Validation through Paper Trading)
제10장 AI 딥러닝을 활용한 포트폴리오 최적화 (Portfolio Optimization Using AI Deep Learning)
10.1 전통적 포트폴리오 최적화 (Traditional Portfolio Optimization)
10.1.1 평균-분산 최적화 (Mean-Variance Optimization, MVO)
10.1.2 리스크 패리티 (Risk Parity)
10.1.3 기타 전통적 최적화 방법론 (Other Traditional Optimization Methodologies)
10.2 AI를 활용한 최적화 및 리밸런싱 (Optimization and Rebalancing Using AI)
10.2.1 AI 예측 결과와 포트폴리오 최적화의 연동 (Linking AI Predictions with Portfolio Optimization)
10.2.2 AI 모델의 리스크 기여도 분석 (Risk Contribution Analysis of AI Models)
10.2.3 동적 포트폴리오 재조정 (Dynamic Portfolio Rebalancing)
10.3 강화학습 프레임워크 설계 (Reinforcement Learning Framework Design)
10.3.1 강화학습의 기본 개념 및 포트폴리오 관리에의 적용 (Basic Concepts of Reinforcement Learning and Its Application to Portfolio Management)
10.3.2 상태 공간, 행동 공간, 보상 함수 정의 (Definition of State Space, Action Space, and Reward Function)
10.3.3 주요 강화학습 알고리즘 (Key Reinforcement Learning Algorithms; DQN, A2C, PPO)
10.4 포트폴리오 최적화 에이전트 (Portfolio Optimization Agent)
10.4.1 Q-Learning 기반 자산 배분 (Q-Learning-based Asset Allocation)
10.4.2 정책 경사 방법론 (Policy Gradient Methods)
10.4.3 액터-크리틱 모델 (Actor-Critic Model)
10.5 실행 전략 최적화 (Execution Strategy Optimization)
10.5.1 시장 충격 최소화 (Market Impact Minimization)
10.5.2 동적 헤징 전략 (Dynamic Hedging Strategies)
10.5.3 유동성 관리 (Liquidity Management)
제11장 AI 퀀트 투자 시스템 구현과 실무 (Implementation and Practice of AI Quant Investment Systems)
11.1 AI 퀀트 운용 시스템 아키텍처 설계 (AI Quant Operation System Architecture Design)
11.1.1 데이터 파이프라인 (Data Pipeline)
11.1.2 모델 서빙 시스템 (Model Serving System)
11.1.3 실시간 데이터 처리 (Real-time Data Processing)
11.1.4 실시간 트레이딩 시스템 설계 (Real-time Trading System Design)
11.1.5 모니터링 체계 (Monitoring System)
11.2 클라우드 컴퓨팅과 빅데이터 플랫폼 (Cloud Computing and Big Data Platforms)
11.2.1 분산 컴퓨팅 환경 (Distributed Computing Environment)
11.2.2 GPU/TPU 활용 (Utilization of GPU/TPU)
11.2.3 분산 학습과 모델 서빙 (Distributed Training and Model Serving)
11.2.4 비용 최적화 전략 (Cost Optimization Strategies)
11.3 MLOps와 모델 운영 (MLOps and Model Operations)
11.3.1 모델 모니터링과 리밸런싱 (Model Monitoring and Rebalancing)
11.3.2 드리프트 탐지와 재학습 전략 (Drift Detection and Retraining Strategies)
11.4 보안과 규제 준수 (Security and Regulatory Compliance)
11.4.1 데이터 보안 체계 (Data Security System)
11.4.2 모델 거버넌스 (Model Governance)
11.4.3 감사 추적 시스템 (Audit Trail System)
제12장 AI 퀀트 모델의 성과 측정과 개선 (Performance Measurement and Improvement of AI Quant Models)
12.1 AI 모델 성과 평가 (AI Model Performance Evaluation)
12.1.1 정보 비율 분해 (Information Ratio Decomposition)
12.1.2 리스크 조정 수익률 (Risk-Adjusted Return)
12.1.3 거래 비용 분석 (Transaction Cost Analysis, TCA)
12.2 모델 해석가능성 (Model Interpretability)
12.2.1 SHAP 값 분석 (SHAP Value Analysis)
12.2.2 LIME 기법 적용 (LIME Application)
12.2.3 어텐션 시각화 (Attention Visualization)
12.3 지속적 개선 체계 (Continuous Improvement System)
12.3.1 A/B 테스트 프레임워크 (A/B Testing Framework)
12.3.2 모델 앙상블 최적화 (Model Ensemble Optimization)
12.3.3 피드백 루프 구축 (Feedback Loop Establishment)

PART Ⅴ AI 퀀트 투자 전략의 리스크 관리 (Risk Management of AI Quant Investment Strategies)
제13장 리스크 예측 및 관리 모델 (Risk Prediction and Management Models)
13.1 리스크 관리 방법론 (Risk Management Methodologies)
13.1.1 VaR/ES 및 Tail Risk 모델링 (VaR/ES and Tail Risk Modeling)
13.1.2 리스크 측정 (Risk Measurement; VaR, CVaR)
13.1.3 스트레스 테스트와 시나리오 분석 (Stress Testing and Scenario Analysis)
13.1.4 AI 프레임워크에 리스크 모델 통합 (Integrating Risk Models into AI Frameworks)
13.2 AI 기반 공분산 추정 (AI-based Covariance Estimation)
13.2.1 시변 공분산 행렬 (Time-Varying Covariance Matrix)
13.2.2 고차원 공분산 정규화 (High-Dimensional Covariance Regularization)
13.2.3 동적 팩터 모델 (Dynamic Factor Models)
13.3 극단치 리스크 예측 (Extreme Value Risk Prediction)
13.3.1 GAN 기반 시나리오 생성 (GAN-based Scenario Generation)
13.3.2 VAE를 이용한 스트레스 테스트 (Stress Testing Using VAE)
13.3.3 조건부 VaR 모델링 (Conditional VaR Modeling)
13.4 체제 변화 감지 (Regime Change Detection)
13.4.1 은닉 마르코프 모델 (Hidden Markov Models, HMM)
13.4.2 변화점 탐지 알고리즘 (Change Point Detection Algorithms)
13.4.3 시장 체제 분류 (Market Regime Classification)
제14장 실시간 포트폴리오 관리 (Real-time Portfolio Management)
14.1 온라인 학습 알고리즘 (Online Learning Algorithms)
14.1.1 스트리밍 데이터 처리 (Streaming Data Processing)
14.1.2 개념 변화 적응 (Concept Drift Adaptation)
14.1.3 점진적 모델 업데이트 (Incremental Model Update)
14.2 동적 자산 배분 (Dynamic Asset Allocation)
14.2.1 실시간 최적화 (Real-time Optimization)
14.2.2 거래 비용 고려 (Consideration of Transaction Costs)
14.2.3 유동성 제약 관리 (Liquidity Constraint Management)
14.3 성과 기여도 분석 (Performance Attribution Analysis)
14.3.1 AI 모델별 기여도 (Contribution per AI Model)
14.3.2 팩터 기여도 분해 (Factor Contribution Decomposition)
14.3.3 타이밍 vs 선택 효과 (Timing vs Selection Effects)
14.3.4 주문 집행, 슬리피지 최소화 (Order Execution, Slippage Minimization)
14.3.5 인프라 운영: GPU·Cloud·GPU AutoML (Infrastructure Operations: GPU, Cloud, GPU AutoML)

PART Ⅵ AI 퀀트 투자의 윤리 및 미래전망 (Ethics and Future Outlook of AI Quant Investment)
제15장 AI 퀀트 투자의 윤리 및 규제 (Ethics and Regulation of AI Quant Investment)
15.1 설명 가능한 AI (XAI)와 윤리적 고려사항 (Explainable AI and Ethical Considerations)
15.1.1 AI 모델의 블랙박스 문제와 XAI의 필요성 (Black-box Problem of AI Models and the Need for XAI)
15.1.2 SHAP, LIME 등 XAI 기법 (XAI Techniques such as SHAP and LIME)
15.1.3 AI 퀀트 투자 윤리 및 규제 동향 (Ethics and Regulatory Trends in AI Quant Investment)
15.1.4 책임 있는 AI 퀀트 투자 및 거버넌스 (Responsible AI Quant Investment and Governance)
15.1.5 AI 퀀트 모델의 윤리적 책임성 실무사례 (Practical Cases of Ethical Accountability of AI Quant Models)
제16장 AI 퀀트 투자의 최신 트렌드 및 미래 전망 (Latest Trends and Future Outlook of AI Quant Investment)
16.1 빅데이터와 클라우드 컴퓨팅 (Big Data and Cloud Computing)
16.1.1 금융 빅데이터 처리 및 분석 기술 (Financial Big Data Processing and Analysis Technologies)
16.1.2 클라우드 기반 AI 퀀트 플랫폼 구축 (Building Cloud-based AI Quant Platforms)
16.1.3 분산 컴퓨팅 및 병렬 처리 (Distributed Computing and Parallel Processing)
16.2 최신 AI 기술 동향 및 미래 연구 (Latest AI Technology Trends and Future Research)
16.2.1 생성형 AI(Generative AI)의 금융 적용 가능성 (Financial Application Potential of Generative AI)
16.2.2 연합 학습 및 프라이버시 보존 AI 퀀트 (Federated Learning and Privacy-Preserving AI Quant)
16.2.3 양자 컴퓨팅과 AI 퀀트 투자 (Quantum Computing and AI Quant Investment)
16.2.4 AI 퀀트 투자의 새로운 패러다임 (New Paradigms of AI Quant Investment)
16.2.5 AI와 인간 펀드매니저의 협업 (Collaboration between AI and Human Fund Managers)
16.2.6 지속적인 연구 개발 및 교육의 중요성 (Importance of Continuous R&D and Education)