이미 소장하고 있다면 판매해 보세요.
- 국내배송만 가능
- 문화비소득공제 가능
이 분야의 이벤트
에이콘출판사-금융 퀀트 머신러닝 융합
이 상품의 시리즈 알림신청
책소개
목차
|
『실전 금융 머신러닝 완벽 분석』
1장. 독립된 주제로서의 금융 머신러닝 1.1 동기 1.2 금융 머신러닝 프로젝트가 실패하는 주요 원인 1.2.1 시지프스 패러다임 1.2.2 메타 전략 패러다임 1.3 책의 구조 1.3.1 생산 체인 형태로 구조 짜기 1.3.3 흔한 함정에 따른 구성 1.4 대상 독자들 1.5 필요 지식 1.6 자주 받는 질문들 1.7 감사의 글 __연습 문제 __참고 자료 __참고 문헌 1부. 데이터 분석 2장. 금융 데이터 구조 2.1 동기 2.2 금융 데이터의 근본적 형태 2.2.1 기본 데이터 2.2.2 시장 데이터 2.2.3 분석 2.2.4 대체 데이터 2.3 바 2.3.1 표준 바 2.4 복수 상품 계열 다루기 2.4.1 ETF 트릭 2.4.2 PCA 가중값 2.4.3 단일 선물 롤 오버 2.5 특성 샘플 추출 2.5.1 축소를 위한 표본 추출 2.5.2 이벤트 기반의 표본 추출 __연습 문제 __참고 자료 3장. 레이블링 3.1 동기 3.2 고정 기간 기법 3.3 동적 임계값 계산 3.4 삼중 배리어 기법 3.5 방향과 크기 파악 3.6 메타 레이블링 3.7 메타 레이블링을 이용하는 방법 3.8 퀀터멘털 방법 3.9 불필요한 레이블 제거 __연습 문제 __참고 문헌 4장. 표본 가중값 4.1 동기 4.2 중첩된 결과 4.3 공존 레이블의 개수 4.4 레이블의 평균 고유도 4.5 배깅 분류기와 고유도 4.5.1 순차적 부트스트랩 4.5.2 순차적 부트스트랩의 구현 4.5.3 수치적 예제 4.5.4 몬테카를로 실험 4.6 수익률 기여도 4.7 시간 감쇠 4.8 클래스 가중값 __연습 문제 __참고 자료 __참고 문헌 5장. 분수 미분의 특징 5.1 동기 5.2 정상성 대 기억 딜레마 5.3 문헌 리뷰 5.4 방법 5.4.1 장기 기억 5.4.2 반복 추정 5.4.3 수렴 5.5 구현 5.5.1 확장 윈도우 5.5.2 고정 너비 윈도우 분수 미분 5.6 최대 기억 유지 정상성 5.7 결론 __연습 문제 __참고 자료 __참고 문헌 2부. 모델링 6장. 앙상블 기법 6.1 동기 6.2 오류의 세 가지 원인 6.3 배깅 6.3.1 분산 축소 6.3.2 개선된 정확도 6.3.3 관측 중복 6.4 랜덤 포레스트 6.5 부스팅 6.6 금융에 있어서의 배깅 대 부스팅 6.7 배깅의 확장성 __연습 문제 __참고 자료 __참고 문헌 7장. 금융에서의 교차 검증 7.1 동기 7.2 교차 검증의 목표 7.3 금융에서 K겹 교차 검증이 실패하는 이유 7.4 해법: 제거 K겹 교차 검증 7.4.1 훈련셋에서의 제거 7.4.2 엠바고 7.4.3 제거된 K겹 클래스 7.5 sklearn의 교차 검증 버그 __연습 문제 __참고 문헌 8장. 특성 중요도 8.1 동기 8.2 특성 중요도의 중요성 8.3 대체 효과가 있는 특성 중요도 8.3.1 평균 감소 불순도 8.3.2 평균 감소 정확도 8.4 대체 효과가 없는 특성 중요도 8.4.1 단일 특성 중요도 8.4.2 직교 특성 8.5 병렬 대 스태킹 특성 중요도 8.6 합성 데이터를 사용한 실험 __연습 문제 __참고 자료 9장. 교차 검증을 통한 하이퍼 파라미터 튜닝 9.1 동기 9.2 그리드 검색 교차 검증 9.3 랜덤 검색 교차 검증 9.3.1 로그 균등 분포 9.4 점수 함수 및 하이퍼 파라미터 튜닝 __연습 문제 __참고 자료 __참고 문헌 3부. 백테스트 10장. 베팅 크기 10.1 동기 10.2 전략 독립 베팅 크기 방식 10.3 예측된 확률로부터 베팅 크기 조절 10.4 실행 중인 베팅의 평균화 10.5 베팅 크기 이산화 10.6 동적 베팅 크기와 지정가 __연습 문제 __참고 자료 __참고 문헌 11장. 백테스트의 위험 11.1 동기 11.2 미션 임파서블: 결함 없는 백테스트 11.3 비록 백테스트 결과가 나무랄 데 없어도 아마 잘못됐을 것이다 11.4 백테스트는 연구 도구가 아니다 11.5 몇 가지 일반적인 추천 11.6 전략 선택 __연습 문제 __참고 자료 __참고 문헌 12장. 교차 검증을 통한 백테스트 12.1 동기 12.2 전방 진행 기법 12.2.1 전방 진행 방법의 위험 12.3 교차 검증 기법 12.4 조합적 제거 교차 검증 기법 12.4.1 조합적 분할 12.4.2 조합적 제거 교차 검증 백테스트 알고리즘 12.4.3 몇 가지 예제 12.5 조합적 제거 교차 검증이 백테스트 과적합을 해결하는 법 __연습 문제 __참고 자료 13장. 합성 데이터에 대한 백테스트 13.1 동기 13.2 거래 규칙 13.3 문제 13.4 프레임워크 13.5 최적 거래 규칙의 수치적 결정 13.5.1 알고리즘 13.5.2 구현 13.6 실험 결과 13.6.1 제로 장기 균형의 경우 13.6.2 양의 장기 균형의 경우 13.6.3 음의 장기 균형의 경우 13.7 결론 __연습 문제 __참고 자료 14장. 백테스트 통계량 14.1 동기 14.2 백테스트 통계량의 종류 14.3 일반적인 특성 14.4 성과 14.4.1 수익률의 시간 가중 비율 14.5 런 14.5.1 수익률 집중 14.5.2 손실폭과 수면하 시간 14.5.3 성과 평가를 위한 런 통계량 14.6 거래 구축 비용 14.7 효율성 14.7.1 샤프 비율 14.7.2 확률적 샤프 비율 14.7.3 축소 샤프 비율 14.7.4 효율성 통계량 14.8 분류 점수 14.9 기여도 분석 __연습 문제 __참고 자료 __참고 문헌 15장. 전략 리스크 이해 15.1 동기 15.2 대칭 투자 이익 15.3 비대칭 투자 이익 15.4 전략 실패의 확률 15.4.1 알고리즘 15.4.2 구현 __연습 문제 __참고 자료 16장. 머신러닝 자산 배분 16.1 동기 16.2 볼록 포트폴리오 최적화 문제 16.3 마코위츠의 저주 16.4 기하적 관계에서 계층적 관계까지 16.4.1 트리 군집화 16.4.2 준대각화 16.4.3 재귀적 이분법 16.5 수치 예제 16.6 샘플 외 몬테카를로 시뮬레이션 16.7 향후 연구 과제 16.8 결론 __부록 __연습 문제 __참고 자료 4부. 유용한 금융의 특징 17장. 구조적 변화 17.1 동기 17.2 구조적 변화 테스트 유형 17.3 CUSUM 테스트 17.3.1 재귀적 잔차에 브라운 - 더빈 - 에반스 CUSUM 테스트 17.3.2 수준에 대한 추 - 스틴치콤 - 화이트 CUSUM 테스트 17.4 폭발성 테스트 17.4.1 초 - 유형의 딕키 - 풀러 테스트 17.4.2 상한 증강 딕키 - 풀러 17.4.3 서브 또는 슈퍼 - 마팅게일 테스트 __연습 문제 __참고 자료 18장. 엔트로피 특성들 18.1 동기 18.2 샤논의 엔트로피 18.3 플러그인(또는 최대 우도) 추정량 18.4 렘펠 - 지브 추정기 18.5 인코딩 체계 18.5.1 이진 인코딩 18.5.2 분위수 인코딩 18.5.3 시그마 인코딩 18.6 가우시안 프로세스의 엔트로피 18.7 엔트로피와 일반화된 평균 18.8 엔트로피의 몇 가지 금융 응용 18.8.1 시장 효율성 18.8.2 최대 엔트로피 생성 18.8.3 포트폴리오 집중화 18.8.4 시장 미시 구조 __연습 문제 __참고 자료 __참고 문헌 19장. 미시 구조적 특성 19.1 동기 19.2 문헌 리뷰 19.3 1세대: 가격 시퀀스 19.3.1 틱 규칙 19.3.2 롤 모델 19.3.3 고가 - 저가 변동성 추정량 19.3.4 코윈과 슐츠 19.4 2세대: 전략적 거래 모델 19.4.1 카일의 람다 19.4.2 아미후드의 람다 19.4.3 하스브룩의 람다 19.5 제3세대: 순차적 거래 모델 19.5.1 정보 기반 거래의 확률 19.5.2 정보 기반 거래의 거래량 동기화 확률 19.6 미시 구조적 데이터셋으로부터의 추가 특성 19.6.1 주문 크기의 분포 19.6.2 취소율, 지정가 주문, 시장가 주문 19.6.3 시간 가중 평균 가격 실행 알고리즘 19.6.4 옵션 시장 19.6.5 부호가 있는 주문 흐름의 계열 상관관계 19.7 미시 구조적 정보란 무엇인가? __연습 문제 __참고 자료 5부. 고성능 컴퓨팅 비법 20장. 다중 처리와 벡터화 20.1 동기 20.2 벡터화 예제 20.3 단일 스레드 대 다중 스레딩 대 다중 처리 20.4 원자와 분자 20.4.1 선형 분할 20.4.2 이중 루프 분할 20.5 다중 처리 엔진 20.5.1 작업 준비 20.5.2 비동기 호출 20.5.3 콜백 언래핑 20.5.4 피클/언피클 객체 20.5.5 출력 축소 20.6 다중 처리 예제 __연습 문제 __참고 자료 __참고 문헌 21장. 무차별 대입과 양자 컴퓨터 21.1 동기 21.2 조합적 최적화 21.3 목적 함수 21.4 문제 21.5 정수 최적화 방법 21.5.1 비둘기집 분할 21.5.2 가능한 정적 해 21.5.3 궤적 평가 21.6 수치 예제 21.6.1 랜덤 행렬 21.6.2 정태적 해 21.6.3 동태적 해 __연습 문제 __참고 자료 22장. 고성능 계산 지능과 예측 기술 22.1 동기 22.2 2010년 플래시 크래시에 대한 감독 당국의 반응 22.3 배경 22.4 HPC 하드웨어 22.5 HPC 소프트웨어 22.5.1 MPI 22.5.2 계층적 데이터 형식 5 22.5.3 제자리 처리 22.5.4 수렴 22.6 실제 사례 22.6.1 초신성 사냥 22.6.2 융합 플라스마의 덩어리 22.6.3 일간 전기 사용 최대값 22.6.4 2010년의 플래시 크래시 22.6.5 정보 기반 거래 거래량 동기화 확률의 추정 22.6.6 비균등 고속 푸리에 변환으로 고빈도 이벤트 발견 22.7 요약 및 참여 요청 22.8 감사의 글 __참고 자료 『자산운용을 위한 금융 머신러닝』 1장. 들어가며 1.1 동기 부여 1.2 이론이 중요하다 1.2.1 교훈1: 이론이 필요하다 1.2.2 교훈2: 머신러닝은 이론을 발견하는 것을 돕는다 1.3 어떻게 과학자들이 머신러닝을 이용하는가 1.4 두 가지 형태의 과적합 1.4.1 훈련셋 과적합 1.4.2 테스트셋 과적합 1.5 개요 1.6 청중 1.7 다섯 가지 만연한 금융 머신러닝에 대한 잘못된 개념 1.7.1 머신러닝은 성배 대 머신러닝은 무용지물 1.7.2 머신러닝은 블랙박스 1.7.3 금융은 머신러닝을 적용하기에는 불충분한 데이터를 갖고 있다 1.7.4 금융에서 신호 대 잡음 비율이 너무 낮다 1.7.5 금융에서 과적합의 위험은 너무 크다 1.8 금융 리서치의 미래 1.9 자주 물어 보는 질문들 1.10 결론 1.11 연습문제 2장. 잡음 제거와 주음 제거 2.1 동기 부여 2.2 마르첸코-파스퇴르 정리 2.3 신호가 있는 랜덤 행렬 2.4 마르첸코-파스퇴르 PDF 적합화 2.5 잡음 제거 2.5.1 상수 잔차 고유값 방법 2.5.2 타깃 축소 2.6 주음 제거 2.7 실험 결과 2.7.1 최소 분산 포트폴리오 2.7.2 최대 샤프 비율 포트폴리오 2.8 결론 2.9 연습문제 3장. 거리 척도 3.1 동기 부여 3.2 상관계수 기반 척도 3.3 한계와 결합 엔트로피 3.4 조건부 엔트로피 3.5 쿨백 - 라이블러 발산 3.6 교차 엔트로피 3.7 상호 정보 3.8 정보 변분 3.9 이산화 3.10 두 분할 간의 거리 3.11 실험 결과 3.11.1 무관계 3.11.2 선형관계 3.11.3 비선형관계 3.12 결론 3.13 연습문제 4장. 최적 군집화 4.1 동기 부여 4.2 근접성 행렬 4.3 군집화 종류 4.4 군집의 수 4.4.1 관측 행렬 4.4.2 기본 군집화 4.4.3 상위 수준 군집화 4.5 실험 결과 4.5.1 랜덤 블록 상관관계 행렬 생성 4.5.2 군집의 수 4.6 결론 4.7 연습문제 5장. 금융 레이블 5.1 동기 부여 5.2 고정 - 기간 방법 5.3 삼중 배리어 방법 5.4 추세 검색 방법 5.5 메타 레이블링 5.5.1 기대 샤프 비율에 의한 베팅 크기 5.5.2 앙상블 베팅 크기 5.6 실험 결과 5.7 결론 5.8 연습문제 6장. 특성 중요도 분석 6.1 동기 부여 6.2 p - 값 6.2.1 p 값의 몇 가지 결함 6.2.2 수치 예제 6.3 특성 중요도 6.3.1 평균 감소 불순도 6.3.2 평균 감소 정확도 6.4 확률 가중 정확도 6.5 대체 효과 6.5.1 직교화 6.5.2 군집 특성 중요도 6.6 실험 결과 6.7 결론 6.8 연습문제 7장. 포트폴리오 구축 7.1 동기 부여 7.2 볼록 포트폴리오 최적화 7.3 조건 수 7.4 마코위츠의 저주 7.5 공분산 불안정성의 원천으로서의 신호 7.6 중첩 군집 최적화 알고리즘 7.6.1 상관 군집화 7.6.2 군집 내 비중 7.6.3 군집 간 비중 7.7 실험 결과 7.7.1 최소 분산 포트폴리오 7.7.2 최대 샤프 비율 포트폴리오 7.8 결론 7.9 연습문제 8장. 테스트셋 과적합 8.1 동기 부여 8.2 정밀도와 재현율 8.3 다중 테스트하의 정밀도와 재현율 8.4 샤프 비율 8.5 ‘거짓 전략’ 정리 8.6 실험 결과 8.7 축소 샤프 비율 8.7.1 유효 시행 수 8.7.2 시행 간 분산 8.8 군별 오차율 8.8.1 시다크 조정 8.8.2 다중 테스트하의 1종 오류 8.8.3 다중 테스트하의 2종 오류 8.8.4 1종과 2종 오류 간의 상호작용 8.9 결론 8.10 연습문제 부록 A. 합성 데이터 테스트 부록 B. ‘거짓 전략’ 정리의 증명 |
저자 소개 4
Marcos Lopez de Prado
코넬대학 공과대학교 교수, 트루 포지티브 테크놀로지스(TPT, True Positive Technologies)의 최고정보관리책임자(CIO, Chief Infomation Officer)이다. 머신러닝 알고리즘과 슈퍼 컴퓨터의 도움을 받아 20년 넘게 투자 전략을 개발한 경험이 있다. 2019년에는 「저널 오브 포트폴리오 매니지먼트(The Journal of Portfolio Management)」에서 ‘올해의 퀀트(Quant)상’을 받았다.
머신 러닝과 슈퍼컴퓨팅을 이용해 수십억 달러의 기금을 운용하고 있다. 구겐하임 파트너의 정량 금융 투자 전력(QIS) 사업을 설립해
코넬대학 공과대학교 교수, 트루 포지티브 테크놀로지스(TPT, True Positive Technologies)의 최고정보관리책임자(CIO, Chief Infomation Officer)이다. 머신러닝 알고리즘과 슈퍼 컴퓨터의 도움을 받아 20년 넘게 투자 전략을 개발한 경험이 있다. 2019년에는 「저널 오브 포트폴리오 매니지먼트(The Journal of Portfolio Management)」에서 ‘올해의 퀀트(Quant)상’을 받았다.
머신 러닝과 슈퍼컴퓨팅을 이용해 수십억 달러의 기금을 운용하고 있다. 구겐하임 파트너의 정량 금융 투자 전력(QIS) 사업을 설립해 뛰어난 리스크 조정 수익률을 지속적으로 가져다준 고용량 전략을 개발했다. 130억 달러의 자산을 운용한 후 QIS를 인수하고 2018년 구겐하임에서 스핀아웃했다.
2010년부터 로렌스 버클리 국립 연구소(미 에너지 성, 과학국)의 연구원으로 일하고 있다. 금융에서 가장 많이 읽은 10대 도서의 저자(SSRN 순위 기준)로, 머신 러닝과 슈퍼컴퓨팅에 관련된 수십 편의 논문을 썼고, 알고리즘 거래에 대한 다수의 국제 특허를 갖고 있다.
1999년에 스페인 국립 학문상을 수상했고, 2003년에는 금융 경제학으로 박사 학위를 받았으며, 2011년에는 마드리드 대학에서 수학적 금융으로 두 번째 박사 학위를 받았다. 박사 후 과정을 하버드와 코넬 대학에서 마쳤으며, 공학부에서 금융 머신 러닝 과정을 가르쳤다. 미국 수학 학회에 따른 에르도스 2(Erdos #2)와 아인슈타인 4(Einstein #4)를 갖고 있다.
자세한 내용은 www.QuantResearch.org에서 확인할 수 있다.
머신 러닝과 슈퍼컴퓨팅을 이용해 수십억 달러의 기금을 운용하고 있다. 구겐하임 파트너의 정량 금융 투자 전력(QIS) 사업을 설립해 뛰어난 리스크 조정 수익률을 지속적으로 가져다준 고용량 전략을 개발했다. 130억 달러의 자산을 운용한 후 QIS를 인수하고 2018년 구겐하임에서 스핀아웃했다.
2010년부터 로렌스 버클리 국립 연구소(미 에너지 성, 과학국)의 연구원으로 일하고 있다. 금융에서 가장 많이 읽은 10대 도서의 저자(SSRN 순위 기준)로, 머신 러닝과 슈퍼컴퓨팅에 관련된 수십 편의 논문을 썼고, 알고리즘 거래에 대한 다수의 국제 특허를 갖고 있다.
1999년에 스페인 국립 학문상을 수상했고, 2003년에는 금융 경제학으로 박사 학위를 받았으며, 2011년에는 마드리드 대학에서 수학적 금융으로 두 번째 박사 학위를 받았다. 박사 후 과정을 하버드와 코넬 대학에서 마쳤으며, 공학부에서 금융 머신 러닝 과정을 가르쳤다. 미국 수학 학회에 따른 에르도스 2(Erdos #2)와 아인슈타인 4(Einstein #4)를 갖고 있다.
자세한 내용은 www.QuantResearch.org에서 확인할 수 있다.
마르코스 로페즈 데 프라도의 다른 상품
학력
카이스트 전산학과 학사/석사
스위스 플랭클린대학 경영학 박사
(Ph.D & DBA)
경력
(현) 서울과학종합대학원 주임교수
(현) 카이스트 겸직교수
(현) 금융위원회 법령해석 심의위원회 위원
(현) 핀테크지원센터 혁신금융 전문위원
(현) AI경영학회 부회장
(전) BNP Paribas Cardif 전무
이병욱의 다른 상품
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), 『딥러닝 부트캠프 with 케라스』(길벗, 2
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), 『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.
이기홍의 다른 상품
학성고와 한국외국어대학교 경영학과를 졸업하고, 미국 컬럼비아대학교 산업공학 석사, 프랑스 EDHEC 경영대학원에서 프랭크 파보지(Frank J. Fabozzi) 교수 지도하에 경영학 박사 학위를 받았다. 「The Journal of Portfolio Management」 등 주요 학술지에 논문을 등재하고 있으며, 한국외국어대학교 경영대학 및 George Mason University Korea에서 학생들을 가르치고 있다.
한국투자공사 출신 임직원으로 구성된 WWG 자산운용에서 헤지펀드를 운용하고 있다. 하나UBS 자산운용에서 해외 펀드를 운용했고, 디멘셔널 펀드 어드바이저 미국
학성고와 한국외국어대학교 경영학과를 졸업하고, 미국 컬럼비아대학교 산업공학 석사, 프랑스 EDHEC 경영대학원에서 프랭크 파보지(Frank J. Fabozzi) 교수 지도하에 경영학 박사 학위를 받았다. 「The Journal of Portfolio Management」 등 주요 학술지에 논문을 등재하고 있으며, 한국외국어대학교 경영대학 및 George Mason University Korea에서 학생들을 가르치고 있다.
한국투자공사 출신 임직원으로 구성된 WWG 자산운용에서 헤지펀드를 운용하고 있다. 하나UBS 자산운용에서 해외 펀드를 운용했고, 디멘셔널 펀드 어드바이저 미국 본사 및 싱가폴 법인에서 부사장으로 글로벌 주식 포트폴리오를, 한국투자공사에서 국부를 운용했다. 모건스탠리와 현대증권에서 근무했다. 번역서로 『실전 금융 머신러닝 완벽 분석』(에이콘, 2018)과 『초과 수익을 찾아서 2/e』(에이콘, 2020)이 있다. CFA 및 FRM이다.
한국투자공사 출신 임직원으로 구성된 WWG 자산운용에서 헤지펀드를 운용하고 있다. 하나UBS 자산운용에서 해외 펀드를 운용했고, 디멘셔널 펀드 어드바이저 미국 본사 및 싱가폴 법인에서 부사장으로 글로벌 주식 포트폴리오를, 한국투자공사에서 국부를 운용했다. 모건스탠리와 현대증권에서 근무했다. 번역서로 『실전 금융 머신러닝 완벽 분석』(에이콘, 2018)과 『초과 수익을 찾아서 2/e』(에이콘, 2020)이 있다. CFA 및 FRM이다.
하석근의 다른 상품
관련 분류
품목정보
- 발행일
- 2021년 02월 01일
- 쪽수, 무게, 크기
- 728쪽 | 152*228*37mm
출판사 리뷰
|
1) 실전 금융 머신러닝 완벽 분석
2) 자산운용을 위한 금융 머신러닝 프라도 교수의 금융 머신러닝 강의 세트 성공적인 금융 머신러닝 프로젝트를 위한 『실전 금융 머신러닝 완벽 분석』과 『자산운용을 위한 금융 머신러닝』은 퀀트 매니저와 퀀트 분석가에게 지침이 될 수 있는 책이다. 『실전 금융 머신러닝 완벽 분석』 이 책의 대상 독자 특히 금융 관련 데이터에 연계된 문제들을 해결하기 위해 설계된 고급 머신러닝 기법을 다루고 있다. ‘고급’이라는 의미는 이해하기가 극도로 힘들다거나 딥러닝이나 순환신경망 또는 합성곱망 등 최근에 되살아나고 있는 기법들을 설명한다는 의미는 아니다. 그보다 이 책은 금융 문제에 머신러닝 알고리즘을 적용한 경험이 있는 상급 연구원들이 중요하게 생각하는 여러 의문에 해답을 주고자 쓰여졌다. 만약 머신러닝이 처음이고, 복잡한 알고리즘에 대한 경험이 없다면 이 책은 (아직은) 맞지 않을 것이다. 이 책에서 다루고 있는 문제에 대해 현업에서의 경험이 없다면 이 책을 이용해 문제를 해결하기가 쉽지 않을 것이다. 이 책을 읽기 전에 머신러닝에 관한 여러 훌륭한 책을 읽길 권한다. 이 책의 핵심 독자들은 머신러닝 경험이 풍부한 전문 투자가들이다. 저자의 목표는 여러분이 이 책에서 배운 것을 통해 수익을 증대하기를 바라는 것이고, 금융을 현대화하는 데 일조하고 투자가들에게 실질적인 가치를 전달해 주기를 바라는 것이다. 이 책은 금융 이외의 여러 분야에 머신러닝 알고리즘을 성공적으로 구현한 경험이 있는 데이터 과학자들에게도 적합하다. 만약 여러분이 구글에서 일하면서 얼굴 인식 분야를 성공적으로 구현한 적이 있지만, 금융 쪽에 제대로 적용해 본 적이 없다면 이 책이 많은 도움이 될 것이다. 가끔 특정 구조(예를 들어, 메타 레이블링, 삼중 배리어 기법, 프랙디프)의 금융 논리에 대해 잘 이해되지 않을 때도 있을 수 있지만, 끈기를 갖길 바란다. 투자 포트폴리오를 일정 수준 이상 운용하다 보면 게임의 법칙이 점점 뚜렷하게 보이고, 1장에 설명된 내용들이 이해가 될 것이다. 이 책의 구성 이 책은 서로 얽혀 있는 주제들을 각각 구분해 정돈된 형태로 설명한다. 각 장은 그 이전 장을 읽었다고 가정하고 설명한다. 1부는 금융 데이터를 머신러닝 알고리즘에서 잘 적용할 수 있도록 데이터를 구조화하는 방법을 알아보고, 2부에서는 해당 데이터에 기반해 머신러닝 알고리즘을 활용해 리서치하는 방법을 알아본다. 여기서 중요한 것은 실질적인 발견은 연구나 과학적 프로세스를 통해 이뤄지며, 이는 우연히 어떤 (잘못될 가능성이 많은) 결과가 나타날 때까지 의미 없이 반복하는 연구 기법과는 구분된다. 3부에서는 연구에 대한 백테스트 방법을 설명하고, 결과가 잘못될 확률을 평가해 본다. 1~3부를 통해 데이터 분석으로부터 모델을 연구하고, 결과를 평가하는 전체 프로세스를 개괄할 수 있다. 이러한 지식을 바탕으로 4부에서는 데이터로 되돌아가 의미 있는 특성을 추출하는 혁신적인 방법을 설명한다. 이러한 작업들은 대부분 상당한 양의 자원을 소모하는데 5부에서는 유용한 HPC 비법을 알아본다. 『자산운용을 위한 금융 머신러닝』 이 책의 구성 금융 공분산 행렬이 잡음을 갖고, 이들은 회귀 분석을 하거나 최적 포트폴리오를 계산하기 이전에 정제돼야 한다는 것을 배울 것이다(2장). 상관관계가 상호 연관성에 대한 매우 좁은 정의이고, 다양한 정보이론 척도가 더 통찰력이 있다는 것을 배울 것이다(3장). 기저(basis)를 변경하지 않고 공간의 차원을 축소하는 직관적인 방법을 배울 것이다. 주성분 분석(PCA, Principal Component Analysis)과 달리 머신러닝 기반의 차원 축소법은 직관적 결과를 제공한다(4장). 불가능한 고정 기간 예측(fixed-horizon prediction)을 목적으로 하기보다는 높은 정확도로 풀 수 있는 금융 예측 문제를 제안하는 대안적 방법들을 배울 것이다(5장). 고전적 p-값에 대한 현대적 대안을 배우고(6장) 평균-분산 투자 포트폴리오에 만연한 불안정성 문제를 해결하는 법을 배울 것이다(7장). 그리고 연구자의 발견이 다중 테스트의 결과로 거짓일 확률을 평가하는 법을 배울 것이다(8장). 만약 자산 운용 산업 또는 금융 학문에서 일을 한다면 이 책은 바로 당신을 위한 것이다. |
54,000원
총 1개
54,000원
